CN105117611A - 基于卷积神经元网络的中医舌诊模型的确定方法及*** - Google Patents
基于卷积神经元网络的中医舌诊模型的确定方法及*** Download PDFInfo
- Publication number
- CN105117611A CN105117611A CN201510612871.3A CN201510612871A CN105117611A CN 105117611 A CN105117611 A CN 105117611A CN 201510612871 A CN201510612871 A CN 201510612871A CN 105117611 A CN105117611 A CN 105117611A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- layer
- training
- neural metanetwork
- lamination
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于卷积神经元网络的中医舌诊模型的确定方法及***,能够提高中医舌诊模型诊断结果的准确率和可靠性。所述方法包括:获取患者舌部图像信息作为训练集及交叉验证集;调整卷积神经元网络每层神经元的个数,利用所述训练集对调整后的多个不同卷积神经元网络分别进行训练,确定多个不同结构的卷积神经元网络的参数;将所述交叉验证集分别作为所述多个不同结构卷积神经元网络的输入,将舌诊结果准确率最高的卷积神经元网络作为最优舌诊模型,最后,获取患者舌部图像信息作为测试集,将所述测试集作为最优舌诊模型的输入,得到测试集中各测试样本的舌诊结果,统计舌诊结果的准确性。本发明适用于中医智能诊断技术领域。
Description
技术领域
本发明涉及中医智能诊断技术领域,具体涉及大数据、人工智能、中医舌诊、机器学习、深度学习领域,特别是指一种基于卷积神经元网络的中医舌诊模型的确定方法及***。
背景技术
中医在我国拥有几千年的历史和临床实践,在治病、防病和养生领域有着非常显著的成效。但由于我国人口数众多,并且老龄化问题严重,导致每天看中医的患者数量庞大且与日俱增,致使中医师供不应求。
基于以上问题,近几年中医智能诊断***问世,目的是辅助中医师诊断患者病情,提升诊断效率。该类中医智能诊断***大多数是基于专家***的原理实现的。但是由于专家***是基于知识规则构建出来的,而实际患者病情***,这种以推理机制实现的***常常会出现误诊的情况。
目前,深度学习技术近两三年来在学术界、工业界都取得了巨大的成就,各大互联网巨头谷歌(Google)、微软(Microsoft)、脸谱(Facebook)、阿里巴巴、百度等相继成立深度学习研究机构,以解决在图像、语音、文字等领域的各类问题。然而,深度学习技术在中医诊断方面的研究尚未有成果。
发明内容
本发明要解决的技术问题是提供一种基于卷积神经元网络的中医舌诊模型的确定方法及***,以解决现有技术所存在的基于知识规则构建的中医智能专家诊断***误诊率高的问题。
为解决上述技术问题,本发明实施例提供一种基于卷积神经元网络的中医舌诊模型的确定方法,包括:
获取患者舌部图像信息作为训练集及交叉验证集;
调整卷积神经元网络每层神经元的个数,利用所述训练集对调整后的多个不同卷积神经元网络分别进行训练,确定多个不同结构的卷积神经元网络的参数;
将所述交叉验证集分别作为所述多个不同结构卷积神经元网络的输入,将舌诊结果准确率最高的卷积神经元网络作为最优舌诊模型。
可选地,所述方法还包括:
获取患者舌部图像信息作为测试集;
将所述测试集作为最优舌诊模型的输入,得到测试集中各测试样本的舌诊结果,统计舌诊结果的准确性。
可选地,所述方法还包括:
对所述训练集、交叉验证集及测试集中的舌部图像进行预处理,并转化为一定的数据格式,其中,所述预处理包括:对所述训练集、交叉验证集及测试集中的舌部图像的大小进行归一化处理、作主成分分析和白化处理。
可选地,所述调整卷积神经元网络每层神经元的个数包括:
在一配置文件中配置卷积神经元网络的结构信息,所述卷积神经元网络的结构包括:输入层、第一卷积层、第一池化层、第二卷积层、第二池化层及全连接输出层;
在一配置文件中配置所述输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接输出层的神经元构成以及输入参数和输出参数;
在一配置文件中配置神经元激活函数,避免训练过程陷入极小值导致训练停滞。
可选地,所述输入层,用于输入患者舌部图像信息;
所述第一卷积层,用于将预先训练好的第一探测器与输入层输入的患者舌部图像信息进行卷积运算得到第一卷积特征图;
所述第一池化层,用于对第一卷积层输出的第一卷积特征图进行采样,得到采样区域的第一特征平均值;
所述第二卷积层,用于将预先训练好的第二探测器与第一池化层输出的第一特征平均值进行卷积元素得到第二卷积特征图;
所述第二池化层,用于对第二卷积层输出的第二卷积特征图进行采样,得到采样区域的第二特征平均值;
所述全连接输出层,用于对第二池化层输出的第二特征平均值进行训练,分类输出舌诊结果,所述舌诊结果包括:正常、肝硬化、肝癌、乙肝。
可选地,所述利用所述训练集对调整后的卷积神经元网络进行训练,确定不同结构的卷积神经元网络的参数包括:
S1,初始化卷积神经元网络中的所有权重;
S2,根据训练集中给定的训练样本,进行前向传导运算,即由输入层与第一卷积层权重作矩阵运算得到第一池化层所有神经元的激活值,将此与第一池化层权重作矩阵运算得到第二卷积层所有神经元的激活值,以此类推,最终得到全连接输出层的激活值;
S3,利用全连接输出层产生的激活值与实际值之间的误差和全连接输出层的权重,确定第二池化层的误差,以此类推,算出每一层相应的误差;
S4,利用每一层的误差算出响应的偏导数,利用偏导数来更新所有权重;
S5,重复S2~S4,直至完预设的迭代次数后,完成卷积神经元网络的训练过程,保存训练结果。
可选地,所述利用所述训练集对调整后的卷积神经元网络进行训练包括:
将所述训练集拆成多个子训练集,每个子训练集对调整后的各个卷积神经元网络的训练过程由各子训练集对应的图形处理器进行并行处理;
将各图形处理器的并行处理结果进行累加,完成所述训练集对调整后的卷积神经元网络的训练过程。
本发明实施例还提供一种基于卷积神经元网络的中医舌诊模型的确定***,包括:
第一获取单元:用于获取患者舌部图像信息作为训练集及交叉验证集;
卷积神经元网络确定单元:用于调整卷积神经元网络每层神经元的个数,利用所述训练集对调整后的多个不同卷积神经元网络分别进行训练,确定多个不同结构的卷积神经元网络的参数;
最优舌诊模型确定单元:用于将所述交叉验证集分别作为所述多个不同结构卷积神经元网络的输入,将舌诊结果准确率最高的卷积神经元网络作为最优舌诊模型。
可选地,所述卷积神经元网络的结构包括:输入层、第一卷积层、第一池化层、第二卷积层、第二池化层及全连接输出层;
所述输入层,用于输入患者舌部图像信息;
所述第一卷积层,用于将预先训练好的第一探测器与输入层输入的患者舌部图像信息进行卷积运算得到第一卷积特征图;
所述第一池化层,用于对第一卷积层输出的第一卷积特征图进行采样,得到采样区域的第一特征平均值;
所述第二卷积层,用于将预先训练好的第二探测器与第一池化层输出的第一特征平均值进行卷积元素得到第二卷积特征图;
所述第二池化层,用于对第二卷积层输出的第二卷积特征图进行采样,得到采样区域的第二特征平均值;
所述全连接输出层,用于对第二池化层输出的第二特征平均值进行训练,分类输出舌诊结果,所述舌诊结果包括:正常、肝硬化、肝癌、乙肝。
可选地,所述***还包括:
第二获取单元,用于获取患者舌部图像信息作为测试集;
测试单元,用于将所述测试集作为最优舌诊模型的输入,得到测试集中各测试样本的舌诊结果,统计舌诊结果的准确性;
所述卷积神经元网络确定单元包括:
初始化模块,用于初始化卷积神经元网络中的所有权重;
激活值生成模块,用于根据训练集中给定的训练样本,进行前向传导运算,即由输入层与第一卷积层权重作矩阵运算得到第一池化层所有神经元的激活值,将此与第一池化层权重作矩阵运算得到第二卷积层所有神经元的激活值,以此类推,最终得到全连接输出层的激活值;
误差确定模块,用于利用全连接输出层产生的激活值与实际值之间的误差和全连接输出层的权重,确定第二池化层的误差,以此类推,算出每一层相应的误差;
权重更新模块,用于利用每一层的误差算出响应的偏导数,利用偏导数来更新所有权重;
训练结果保存模块,用于重复S2~S4,直至完预设的迭代次数后,完成卷积神经元网络的训练过程,保存训练结果。
本发明的上述技术方案的有益效果如下:
上述方案中,通过获取患者舌部图像信息作为训练集及交叉验证集,并调整卷积神经元网络每层神经元的个数,利用所述训练集对调整后的多个不同卷积神经元网络分别进行训练,确定多个不同结构的卷积神经元网络的参数,最后将所述交叉验证集分别作为所述多个不同结构卷积神经元网络的输入,将舌诊结果准确率最高的卷积神经元网络作为最优舌诊模型。这样,通过训练集对多个不同结构的卷积神经元网络分别进行训练,再通过交叉验证集确定舌诊结果准确率最高的卷积神经元网络,并舌诊结果准确率最高的卷积神经元网络将作为最优舌诊模型,利用该最优舌诊模型对获取到的患者舌部图像进行诊断,能够增加诊断结果的准确率和可靠性。
附图说明
图1为本发明实施例提供的基于卷积神经元网络的中医舌诊模型的确定方法的方法流程图一;
图2为本发明实施例提供的基于卷积神经元网络的中医舌诊模型的确定方法的方法流程图二;
图3为本发明实施例提供的卷积神经元网络的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的基于知识规则构建的中医智能专家诊断***误诊率高的问题,提供一种基于卷积神经元网络的中医舌诊模型的确定方法及***。
实施例一
参看图1所示,本发明实施例提供的一种基于卷积神经元网络的中医舌诊模型的确定方法,包括:
S101:获取患者舌部图像信息作为训练集及交叉验证集;
S102:调整卷积神经元网络每层神经元的个数,利用所述训练集对调整后的多个不同卷积神经元网络分别进行训练,确定多个不同结构的卷积神经元网络的参数;
S103:将所述交叉验证集分别作为所述多个不同结构卷积神经元网络的输入,将舌诊结果准确率最高的卷积神经元网络作为最优舌诊模型。
本发明实施例所述的基于卷积神经元网络的中医舌诊模型的确定方法,通过获取患者舌部图像信息作为训练集及交叉验证集,并调整卷积神经元网络每层神经元的个数,利用所述训练集对调整后的多个不同卷积神经元网络分别进行训练,确定多个不同结构的卷积神经元网络的参数,最后将所述交叉验证集分别作为所述多个不同结构卷积神经元网络的输入,将舌诊结果准确率最高的卷积神经元网络作为最优舌诊模型。这样,通过训练集对多个不同结构的卷积神经元网络分别进行训练,再通过交叉验证集确定舌诊结果准确率最高的卷积神经元网络,并舌诊结果准确率最高的卷积神经元网络将作为最优舌诊模型,利用该最优舌诊模型对获取到的患者舌部图像进行诊断,能够增加诊断结果的准确率和可靠性。
本发明实施例中,例如,可以调整10个卷积神经元网络每层神经元的个数,通过所述训练集分别对调整后的10个不同结构卷积神经元网络分别进行训练,确定10个不同结构的卷积神经元网络的参数信息,也就是说这10个不同结构卷积神经元网络的输入相同,最后将交叉验证集作为这10个卷积神经元网络的输入,得到各卷积神经元网络的诊断结果及准确率,并将诊断结果准确率最高的卷积神经元网络作为最优舌诊模型。
本发明实施例中,基于卷积神经元网络的中医舌诊模型的确定方法是一种基于机器学习的中医诊断,其诊断结果更为精准,因为机器学习是基于统计学的原理,通过超大规模数据量的训练构建出最优的权重得到最优舌诊模型。
在前述基于卷积神经元网络的中医舌诊模型的确定方法的具体实施方式中,可选地,所述方法还包括:
S104:获取患者舌部图像信息作为测试集;
S105:将所述测试集作为最优舌诊模型的输入,得到测试集中各测试样本的舌诊结果,统计舌诊结果的准确性。
本发明实施例中,参看图2所示,不仅需获取患者舌部图像信息作为训练集及交叉验证集,还需获取患者舌部图像信息作为测试集,再将所述测试集作为最优舌诊模型的输入,得到测试集中各测试样本的舌诊结果,通过统计得到该最优舌诊模型的诊断准确率为99.5%,因为测试集中的各测试样本代表患者实际病情,从而能够证明最优舌诊模型的诊断结果具备较高的准确率和可靠性。
本发明实施例中,优选的,获取到的训练集、交叉验证集、测试集中的各舌诊样本图像(舌部图像)的比例为6:2:2。
本发明实施例中,首先对训练集、交叉验证集及测试集中的舌部图像进行预处理:统一训练集、交叉验证集及测试集中的舌部图像的大小、作主成分分析和白化处理。
本发明实施例中,例如,可以利用Caffe工具构建卷积神经元网络,具体的,从Caffe的github上下载全部Caffe代码构建卷积神经元网络,其中,Caffe是一个深度学习开源工具,github是一个分布式版本控制***,这样,在对训练集、交叉验证集及测试集中的舌部图像进行预处理后,还需将预处理后的舌部图像转换为Caffe能处理的lmdb格式,lmdb是一种数据格式。
在前述基于卷积神经元网络的中医舌诊模型的确定方法的具体实施方式中,可选地,所述调整卷积神经元网络每层神经元的个数包括:
在一配置文件中配置卷积神经元网络的结构信息,所述卷积神经元网络的结构包括:输入层、第一卷积层、第一池化层、第二卷积层、第二池化层及全连接输出层;
在一配置文件中配置所述输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接输出层的神经元构成以及输入参数和输出参数;
在一配置文件中配置神经元激活函数,避免训练过程陷入极小值导致训练停滞。
本发明实施例中,例如,可以在配置文件.prototxt文件中,配置6层的卷积神经元网络,所述卷积神经元网络的结构包括:输入层、第一卷积层、第一池化层、第二卷积层、第二池化层及全连接输出层,所述输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接输出层的神经元构成(包括:神经元个数)以及输入参数和输出参数,还能配置神经元激活函数为ReLu函数,所述ReLu函数能够避免训练过程陷入极小值而导致训练停滞的情况,使得之后的训练起不到任何作用,还会导致训练完后的卷积神经元网络的诊断结果的准确率降低。
本发明实施例中,还需在解决器的配置文件中指定learningrate(学习速率)为0.01,stepsize(步长大小)为100000,迭代次数为450000次,momentum(动量)为0.9,weightdecay(权重衰退)为0.0005,指定模式为图形处理器(GraphicProcessingUnit,GPU)。
本发明实施例中,参看图3所示,所述输入层由原始图像像素排列构成,用于输入患者舌部图像信息;
所述第一卷积层,用于将预先训练好的第一探测器与输入层输入的患者舌部图像信息进行卷积运算得到第一卷积特征图,卷积特征图相比于原始图像特征(像素)而言更抽象、概括,更能表征原始图像;
所述第一池化层,用于对第一卷积层输出的第一卷积特征图进行采样,得到采样区域的第一特征平均值(也称为第一池化特征图),以解决过拟合的情况,并降低计算量,提升计算效率;
所述第二卷积层,用于将预先训练好的第二探测器与第一池化层输出的第一特征平均值进行卷积元素得到第二卷积特征图;
所述第二池化层,用于对第二卷积层输出的第二卷积特征图进行采样,得到采样区域的第二特征平均值(也称为第二池化特征图);
所述全连接输出层采用Softmax算法能够得到多分类输出,用于对第二池化层输出的第二特征平均值进行训练,分类输出舌诊结果,所述舌诊结果包括:正常、肝硬化、肝癌、乙肝。
本发明实施例中,运用反向传播算法,利用所述训练集对调整后的卷积神经元网络进行训练,确定不同结构的卷积神经元网络的参数具体步骤可以如下:
S1,通过随机函数初始化卷积神经元网络中的所有权重,使它们近似等于0;
S2,根据训练集中给定的训练样本,首先进行前向传导运算,即由输入层与第一卷积层权重作矩阵运算得到第一池化层所有神经元的激活值,将此与第一池化层权重作矩阵运算得到第二卷积层所有神经元的激活值,以此类推,最终得到全连接输出层的激活值;
S3,利用全连接输出层产生的激活值与实际值之间的误差和全连接输出层的权重,确定第二池化层的误差,以此类推,算出每一层相应的误差,所述误差称为残差,表明了该层对最终输出值的残差产生了多少影响;以此类推,可以算出每一层相应的残差;
S4,利用每一层的残差算出响应的偏导数,利用偏导数来更新所有权重;
S5,重复S2~S4,直至完预设的迭代次数后,完成卷积神经元网络的训练过程,保存训练结果。
本发明实施例中,需确定的卷积神经元网络的参数包括:卷积神经元网络中的所有权重。
在前述基于卷积神经元网络的中医舌诊模型的确定方法的具体实施方式中,可选地,所述利用所述训练集对调整后的卷积神经元网络进行训练包括:
将所述训练集拆成多个子训练集,每个子训练集对调整后的各个卷积神经元网络的训练过程由各子训练集对应的图形处理器进行并行处理;
将各图形处理器的并行处理结果进行累加,完成所述训练集对调整后的卷积神经元网络的训练过程。
本发明实施例中,原始Caffe只实现了单GPU计算,当计算量更大时,效率就会出现停滞,由于卷积神经元网络的的训练过程可以通过并行计算再累加的方式实现,因此,本发明实施例可以通过优化Caffe代码,将多GPU的并行计算结果进行累加,使之可以实现多GPU计算,具体的,通过将所述训练集拆成多个子训练集,每个子训练集对调整后的各个卷积神经元网络的训练过程由各子训练集对应的GPU进行并行处理,每个子训练集交由一个GPU进行计算,最后再将并行处理结果进行累加从而实现了多GPU计算并完成所述训练集对调整后的卷积神经元网络的训练过程,使计算效率大大提升。与单GPU相比,GPU的并行运算能力能提升多倍的计算效率。
实施例二
本发明还提供一种基于卷积神经元网络的中医舌诊模型的确定***的具体实施方式,由于本发明提供的基于卷积神经元网络的中医舌诊模型的确定***与前述基于卷积神经元网络的中医舌诊模型的确定方法的具体实施方式相对应,该基于卷积神经元网络的中医舌诊模型的确定***可以通过执行上述方法具体实施方式中的流程步骤来实现本发明的目的,因此上述基于卷积神经元网络的中医舌诊模型的确定方法具体实施方式中的解释说明,也适用于本发明提供的基于卷积神经元网络的中医舌诊模型的确定***的具体实施方式,在本发明以下的具体实施方式中将不再赘述。
本发明实施例还提供一种基于卷积神经元网络的中医舌诊模型的确定***,包括:
第一获取单元:用于获取患者舌部图像信息作为训练集及交叉验证集;
卷积神经元网络确定单元:用于调整卷积神经元网络每层神经元的个数,利用所述训练集对调整后的多个不同卷积神经元网络分别进行训练,确定多个不同结构的卷积神经元网络的参数;
最优舌诊模型确定单元:用于将所述交叉验证集分别作为所述多个不同结构卷积神经元网络的输入,将舌诊结果准确率最高的卷积神经元网络作为最优舌诊模型。
本发明实施例所述的基于卷积神经元网络的中医舌诊模型的确定***,通过获取患者舌部图像信息作为训练集及交叉验证集,并调整卷积神经元网络每层神经元的个数,利用所述训练集对调整后的多个不同卷积神经元网络分别进行训练,确定多个不同结构的卷积神经元网络的参数,最后将所述交叉验证集分别作为所述多个不同结构卷积神经元网络的输入,将舌诊结果准确率最高的卷积神经元网络作为最优舌诊模型。这样,通过训练集对多个不同结构的卷积神经元网络分别进行训练,再通过交叉验证集确定舌诊结果准确率最高的卷积神经元网络,并舌诊结果准确率最高的卷积神经元网络将作为最优舌诊模型,利用该最优舌诊模型对获取到的患者舌部图像进行诊断,能够增加诊断结果的准确率和可靠性。
在前述基于卷积神经元网络的中医舌诊模型的确定***的具体实施方式中,可选地,所述卷积神经元网络的结构包括:输入层、第一卷积层、第一池化层、第二卷积层、第二池化层及全连接输出层;
所述输入层,用于输入患者舌部图像信息;
所述第一卷积层,用于将预先训练好的第一探测器与输入层输入的患者舌部图像信息进行卷积运算得到第一卷积特征图;
所述第一池化层,用于对第一卷积层输出的第一卷积特征图进行采样,得到采样区域的第一特征平均值;
所述第二卷积层,用于将预先训练好的第二探测器与第一池化层输出的第一特征平均值进行卷积元素得到第二卷积特征图;
所述第二池化层,用于对第二卷积层输出的第二卷积特征图进行采样,得到采样区域的第二特征平均值;
所述全连接输出层,用于对第二池化层输出的第二特征平均值进行训练,分类输出舌诊结果,所述舌诊结果包括:正常、肝硬化、肝癌、乙肝。
在前述基于卷积神经元网络的中医舌诊模型的确定***的具体实施方式中,可选地,所述***还包括:
第二获取单元,用于获取患者舌部图像信息作为测试集;
测试单元,用于将所述测试集作为最优舌诊模型的输入,得到测试集中各测试样本的舌诊结果,统计舌诊结果的准确性;
所述卷积神经元网络确定单元包括:
初始化模块,用于初始化卷积神经元网络中的所有权重;
激活值生成模块,用于根据训练集中给定的训练样本,进行前向传导运算,即由输入层与第一卷积层权重作矩阵运算得到第一池化层所有神经元的激活值,将此与第一池化层权重作矩阵运算得到第二卷积层所有神经元的激活值,以此类推,最终得到全连接输出层的激活值;
误差确定模块,用于利用全连接输出层产生的激活值与实际值之间的误差和全连接输出层的权重,确定第二池化层的误差,以此类推,算出每一层相应的误差;
权重更新模块,用于利用每一层的误差算出响应的偏导数,利用偏导数来更新所有权重;
训练结果保存模块,用于重复S2~S4,直至完预设的迭代次数后,完成卷积神经元网络的训练过程,保存训练结果。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于卷积神经元网络的中医舌诊模型的确定方法,其特征在于,包括:
获取患者舌部图像信息作为训练集及交叉验证集;
调整卷积神经元网络每层神经元的个数,利用所述训练集对调整后的多个不同卷积神经元网络分别进行训练,确定多个不同结构的卷积神经元网络的参数;
将所述交叉验证集分别作为所述多个不同结构卷积神经元网络的输入,将舌诊结果准确率最高的卷积神经元网络作为最优舌诊模型。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取患者舌部图像信息作为测试集;
将所述测试集作为最优舌诊模型的输入,得到测试集中各测试样本的舌诊结果,统计舌诊结果的准确性。
3.根据权利要求1或2所述的方法,其特征在于,还包括:
对所述训练集、交叉验证集及测试集中的舌部图像进行预处理,并转化为一定的数据格式,其中,所述预处理包括:对所述训练集、交叉验证集及测试集中的舌部图像的大小进行归一化处理、作主成分分析和白化处理。
4.根据权利要求1所述的方法,其特征在于,所述调整卷积神经元网络每层神经元的个数包括:
在一配置文件中配置卷积神经元网络的结构信息,所述卷积神经元网络的结构包括:输入层、第一卷积层、第一池化层、第二卷积层、第二池化层及全连接输出层;
在一配置文件中配置所述输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接输出层的神经元构成以及输入参数和输出参数;
在一配置文件中配置神经元激活函数,避免训练过程陷入极小值导致训练停滞。
5.根据权利要求4所述的方法,其特征在于,所述输入层,用于输入患者舌部图像信息;
所述第一卷积层,用于将预先训练好的第一探测器与输入层输入的患者舌部图像信息进行卷积运算得到第一卷积特征图;
所述第一池化层,用于对第一卷积层输出的第一卷积特征图进行采样,得到采样区域的第一特征平均值;
所述第二卷积层,用于将预先训练好的第二探测器与第一池化层输出的第一特征平均值进行卷积元素得到第二卷积特征图;
所述第二池化层,用于对第二卷积层输出的第二卷积特征图进行采样,得到采样区域的第二特征平均值;
所述全连接输出层,用于对第二池化层输出的第二特征平均值进行训练,分类输出舌诊结果,所述舌诊结果包括:正常、肝硬化、肝癌、乙肝。
6.根据权利要求1所述的方法,其特征在于,所述利用所述训练集对调整后的卷积神经元网络进行训练,确定不同结构的卷积神经元网络的参数包括:
S1,初始化卷积神经元网络中的所有权重;
S2,根据训练集中给定的训练样本,进行前向传导运算,即由输入层与第一卷积层权重作矩阵运算得到第一池化层所有神经元的激活值,将此与第一池化层权重作矩阵运算得到第二卷积层所有神经元的激活值,以此类推,最终得到全连接输出层的激活值;
S3,利用全连接输出层产生的激活值与实际值之间的误差和全连接输出层的权重,确定第二池化层的误差,以此类推,算出每一层相应的误差;
S4,利用每一层的误差算出响应的偏导数,利用偏导数来更新所有权重;
S5,重复S2~S4,直至完预设的迭代次数后,完成卷积神经元网络的训练过程,保存训练结果。
7.根据权利要求1或6所述的方法,其特征在于,所述利用所述训练集对调整后的卷积神经元网络进行训练包括:
将所述训练集拆成多个子训练集,每个子训练集对调整后的各个卷积神经元网络的训练过程由各子训练集对应的图形处理器进行并行处理;
将各图形处理器的并行处理结果进行累加,完成所述训练集对调整后的卷积神经元网络的训练过程。
8.一种基于卷积神经元网络的中医舌诊模型的确定***,其特征在于,包括:
第一获取单元:用于获取患者舌部图像信息作为训练集、交叉验证集;
卷积神经元网络确定单元:用于调整卷积神经元网络每层神经元的个数,利用所述训练集对调整后的多个不同卷积神经元网络分别进行训练,确定多个不同结构的卷积神经元网络的参数;
最优舌诊模型确定单元:用于将所述交叉验证集分别作为所述多个不同结构卷积神经元网络的输入,将舌诊结果准确率最高的卷积神经元网络作为最优舌诊模型。
9.根据权利要求8所述的***,其特征在于,所述卷积神经元网络的结构包括:输入层、第一卷积层、第一池化层、第二卷积层、第二池化层及全连接输出层;
所述输入层,用于输入患者舌部图像信息;
所述第一卷积层,用于将预先训练好的第一探测器与输入层输入的患者舌部图像信息进行卷积运算得到第一卷积特征图;
所述第一池化层,用于对第一卷积层输出的第一卷积特征图进行采样,得到采样区域的第一特征平均值;
所述第二卷积层,用于将预先训练好的第二探测器与第一池化层输出的第一特征平均值进行卷积元素得到第二卷积特征图;
所述第二池化层,用于对第二卷积层输出的第二卷积特征图进行采样,得到采样区域的第二特征平均值;
所述全连接输出层,用于对第二池化层输出的第二特征平均值进行训练,分类输出舌诊结果,所述舌诊结果包括:正常、肝硬化、肝癌、乙肝。
10.根据权利要求8所述的***,其特征在于,还包括:
第二获取单元,用于获取患者舌部图像信息作为测试集;
测试单元,用于将所述测试集作为最优舌诊模型的输入,得到测试集中各测试样本的舌诊结果,统计舌诊结果的准确性;
所述卷积神经元网络确定单元包括:
初始化模块,用于初始化卷积神经元网络中的所有权重;
激活值生成模块,用于根据训练集中给定的训练样本,进行前向传导运算,即由输入层与第一卷积层权重作矩阵运算得到第一池化层所有神经元的激活值,将此与第一池化层权重作矩阵运算得到第二卷积层所有神经元的激活值,以此类推,最终得到全连接输出层的激活值;
误差确定模块,用于利用全连接输出层产生的激活值与实际值之间的误差和全连接输出层的权重,确定第二池化层的误差,以此类推,算出每一层相应的误差;
权重更新模块,用于利用每一层的误差算出响应的偏导数,利用偏导数来更新所有权重;
训练结果保存模块,用于重复S2~S4,直至完预设的迭代次数后,完成卷积神经元网络的训练过程,保存训练结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510612871.3A CN105117611B (zh) | 2015-09-23 | 2015-09-23 | 基于卷积神经元网络的中医舌诊模型的确定方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510612871.3A CN105117611B (zh) | 2015-09-23 | 2015-09-23 | 基于卷积神经元网络的中医舌诊模型的确定方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105117611A true CN105117611A (zh) | 2015-12-02 |
CN105117611B CN105117611B (zh) | 2018-06-12 |
Family
ID=54665599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510612871.3A Expired - Fee Related CN105117611B (zh) | 2015-09-23 | 2015-09-23 | 基于卷积神经元网络的中医舌诊模型的确定方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105117611B (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127783A (zh) * | 2016-07-01 | 2016-11-16 | 武汉泰迪智慧科技有限公司 | 一种基于深度学习的医疗影像识别*** |
CN106295139A (zh) * | 2016-07-29 | 2017-01-04 | 姹ゅ钩 | 一种基于深度卷积神经网络的舌体自诊健康云服务*** |
CN106339591A (zh) * | 2016-08-25 | 2017-01-18 | 汤平 | 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务*** |
CN107123033A (zh) * | 2017-05-04 | 2017-09-01 | 北京科技大学 | 一种基于深度卷积神经网络的服装搭配方法 |
CN107368671A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的良性胃炎病理诊断支持***和方法 |
CN107564580A (zh) * | 2017-09-11 | 2018-01-09 | 合肥工业大学 | 基于集成学习的胃镜图像辅助处理***及方法 |
CN108281183A (zh) * | 2018-01-30 | 2018-07-13 | 重庆大学 | 基于卷积神经网络和迁移学习的宫颈涂片图像诊断*** |
CN108766555A (zh) * | 2018-04-08 | 2018-11-06 | 深圳大学 | 胰腺神经内分泌肿瘤恶性程度的计算机诊断方法及*** |
CN109003659A (zh) * | 2017-06-07 | 2018-12-14 | 万香波 | 胃幽门螺旋杆菌感染病理诊断支持***和方法 |
CN109410168A (zh) * | 2018-08-31 | 2019-03-01 | 清华大学 | 用于确定图像中的子图块的类别的卷积神经网络模型的建模方法 |
CN109657799A (zh) * | 2018-11-20 | 2019-04-19 | 北京首钢自动化信息技术有限公司 | 一种基于场景适配的模型调优方法和装置 |
CN109712706A (zh) * | 2018-12-19 | 2019-05-03 | 新绎健康科技有限公司 | 一种基于深度学习的望诊方法及装置 |
CN109700433A (zh) * | 2018-12-28 | 2019-05-03 | 深圳铁盒子文化科技发展有限公司 | 一种舌象诊断***和舌诊移动终端 |
CN109741326A (zh) * | 2019-01-14 | 2019-05-10 | 千顺智能(珠海)有限公司 | 基于卷积神经网络的磁芯表面裂纹检测的确定***及方法 |
CN110021399A (zh) * | 2017-09-18 | 2019-07-16 | 复旦大学附属肿瘤医院 | 一种放射治疗计划的自动设计方法 |
CN110033858A (zh) * | 2018-12-28 | 2019-07-19 | 深圳铁盒子文化科技发展有限公司 | 一种舌象分析方法及其存储介质 |
CN110313928A (zh) * | 2018-03-29 | 2019-10-11 | 西门子医疗有限公司 | 用于确定放射性结果数据的分析方法和分析单元 |
CN110403611A (zh) * | 2018-04-28 | 2019-11-05 | 张世平 | 血液成分值预测方法、装置、计算机设备和存储介质 |
CN110752032A (zh) * | 2019-12-02 | 2020-02-04 | 山东浪潮人工智能研究院有限公司 | 一种基于卷积神经网络和激光测振的中医诊断方法 |
CN111193917A (zh) * | 2018-12-29 | 2020-05-22 | 中科寒武纪科技股份有限公司 | 运算方法、装置及相关产品 |
CN111311668A (zh) * | 2020-02-12 | 2020-06-19 | 东南大学 | 一种基于卷积神经网络的清水混凝土表面气孔分析方法 |
CN111462060A (zh) * | 2020-03-24 | 2020-07-28 | 湖南大学 | 胎儿超声图像中标准切面图像的检测方法和装置 |
CN111784777A (zh) * | 2020-07-09 | 2020-10-16 | 千顺智能(珠海)有限公司 | 基于卷积神经网络的smt物料数量统计方法及统计*** |
CN111915000A (zh) * | 2020-08-07 | 2020-11-10 | 温州医科大学 | 一种用于医疗图像的网络模型的调整方法和装置 |
CN112291184A (zh) * | 2019-07-24 | 2021-01-29 | 厦门雅迅网络股份有限公司 | 基于神经网络集群的车内网入侵检测方法和终端设备 |
CN112349427A (zh) * | 2020-10-21 | 2021-02-09 | 上海中医药大学 | 一种基于舌象和深度残差卷积神经网络的糖尿病预测方法 |
CN113012811A (zh) * | 2020-08-17 | 2021-06-22 | 杭州泉脉科技有限公司 | 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法 |
CN117392138A (zh) * | 2023-12-13 | 2024-01-12 | 四川大学 | 舌象图像处理方法、存储介质及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778414A (zh) * | 2014-01-17 | 2014-05-07 | 杭州电子科技大学 | 基于深度神经网络的实时人脸识别方法 |
CN103914841A (zh) * | 2014-04-03 | 2014-07-09 | 深圳大学 | 基于超像素和深度学习的细菌分割与分类方法及其应用 |
CN104850825A (zh) * | 2015-04-18 | 2015-08-19 | 中国计量学院 | 一种基于卷积神经网络的人脸图像颜值计算方法 |
CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
CN205015889U (zh) * | 2015-09-23 | 2016-02-03 | 北京科技大学 | 一种基于卷积神经元网络的中医舌诊模型的确定*** |
-
2015
- 2015-09-23 CN CN201510612871.3A patent/CN105117611B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778414A (zh) * | 2014-01-17 | 2014-05-07 | 杭州电子科技大学 | 基于深度神经网络的实时人脸识别方法 |
CN103914841A (zh) * | 2014-04-03 | 2014-07-09 | 深圳大学 | 基于超像素和深度学习的细菌分割与分类方法及其应用 |
CN104850825A (zh) * | 2015-04-18 | 2015-08-19 | 中国计量学院 | 一种基于卷积神经网络的人脸图像颜值计算方法 |
CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
CN205015889U (zh) * | 2015-09-23 | 2016-02-03 | 北京科技大学 | 一种基于卷积神经元网络的中医舌诊模型的确定*** |
Non-Patent Citations (1)
Title |
---|
ALEX KRIZHEVSKY 等: "ImageNet Classification with Deep Convolutional Neural Networks", 《INTERNATIONAL CONFERENCE ON NEURAL INFORMATION》 * |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127783A (zh) * | 2016-07-01 | 2016-11-16 | 武汉泰迪智慧科技有限公司 | 一种基于深度学习的医疗影像识别*** |
CN106295139A (zh) * | 2016-07-29 | 2017-01-04 | 姹ゅ钩 | 一种基于深度卷积神经网络的舌体自诊健康云服务*** |
CN106295139B (zh) * | 2016-07-29 | 2019-04-02 | 汤一平 | 一种基于深度卷积神经网络的舌体自诊健康云服务*** |
CN106339591A (zh) * | 2016-08-25 | 2017-01-18 | 汤平 | 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务*** |
CN106339591B (zh) * | 2016-08-25 | 2019-04-02 | 汤一平 | 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务*** |
CN107123033A (zh) * | 2017-05-04 | 2017-09-01 | 北京科技大学 | 一种基于深度卷积神经网络的服装搭配方法 |
CN107368671A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的良性胃炎病理诊断支持***和方法 |
CN109003659A (zh) * | 2017-06-07 | 2018-12-14 | 万香波 | 胃幽门螺旋杆菌感染病理诊断支持***和方法 |
CN107564580B (zh) * | 2017-09-11 | 2019-02-12 | 合肥工业大学 | 基于集成学习的胃镜图像辅助处理***及方法 |
CN107564580A (zh) * | 2017-09-11 | 2018-01-09 | 合肥工业大学 | 基于集成学习的胃镜图像辅助处理***及方法 |
CN110021399A (zh) * | 2017-09-18 | 2019-07-16 | 复旦大学附属肿瘤医院 | 一种放射治疗计划的自动设计方法 |
CN108281183A (zh) * | 2018-01-30 | 2018-07-13 | 重庆大学 | 基于卷积神经网络和迁移学习的宫颈涂片图像诊断*** |
CN110313928A (zh) * | 2018-03-29 | 2019-10-11 | 西门子医疗有限公司 | 用于确定放射性结果数据的分析方法和分析单元 |
US11918398B2 (en) | 2018-03-29 | 2024-03-05 | Siemens Healthineers Ag | Analysis method and analysis unit for determining radiological result data |
CN110313928B (zh) * | 2018-03-29 | 2023-10-10 | 西门子医疗有限公司 | 用于确定放射性结果数据的分析方法和分析单元 |
CN108766555A (zh) * | 2018-04-08 | 2018-11-06 | 深圳大学 | 胰腺神经内分泌肿瘤恶性程度的计算机诊断方法及*** |
CN110403611B (zh) * | 2018-04-28 | 2022-06-07 | 张世平 | 血液中糖化血红蛋白成分值预测方法、装置、计算机设备和存储介质 |
CN110403611A (zh) * | 2018-04-28 | 2019-11-05 | 张世平 | 血液成分值预测方法、装置、计算机设备和存储介质 |
CN109410168A (zh) * | 2018-08-31 | 2019-03-01 | 清华大学 | 用于确定图像中的子图块的类别的卷积神经网络模型的建模方法 |
CN109410168B (zh) * | 2018-08-31 | 2021-11-16 | 清华大学 | 用于确定图像中的子图块类别的卷积神经网络的建模方法 |
CN109657799A (zh) * | 2018-11-20 | 2019-04-19 | 北京首钢自动化信息技术有限公司 | 一种基于场景适配的模型调优方法和装置 |
CN109712706A (zh) * | 2018-12-19 | 2019-05-03 | 新绎健康科技有限公司 | 一种基于深度学习的望诊方法及装置 |
CN109700433A (zh) * | 2018-12-28 | 2019-05-03 | 深圳铁盒子文化科技发展有限公司 | 一种舌象诊断***和舌诊移动终端 |
CN110033858A (zh) * | 2018-12-28 | 2019-07-19 | 深圳铁盒子文化科技发展有限公司 | 一种舌象分析方法及其存储介质 |
CN111193917A (zh) * | 2018-12-29 | 2020-05-22 | 中科寒武纪科技股份有限公司 | 运算方法、装置及相关产品 |
CN109741326A (zh) * | 2019-01-14 | 2019-05-10 | 千顺智能(珠海)有限公司 | 基于卷积神经网络的磁芯表面裂纹检测的确定***及方法 |
CN112291184A (zh) * | 2019-07-24 | 2021-01-29 | 厦门雅迅网络股份有限公司 | 基于神经网络集群的车内网入侵检测方法和终端设备 |
CN112291184B (zh) * | 2019-07-24 | 2024-03-01 | 厦门雅迅网络股份有限公司 | 基于神经网络集群的车内网入侵检测方法和终端设备 |
CN110752032A (zh) * | 2019-12-02 | 2020-02-04 | 山东浪潮人工智能研究院有限公司 | 一种基于卷积神经网络和激光测振的中医诊断方法 |
CN111311668B (zh) * | 2020-02-12 | 2024-01-05 | 东南大学 | 一种基于卷积神经网络的清水混凝土表面气孔分析方法 |
CN111311668A (zh) * | 2020-02-12 | 2020-06-19 | 东南大学 | 一种基于卷积神经网络的清水混凝土表面气孔分析方法 |
CN111462060A (zh) * | 2020-03-24 | 2020-07-28 | 湖南大学 | 胎儿超声图像中标准切面图像的检测方法和装置 |
CN111784777A (zh) * | 2020-07-09 | 2020-10-16 | 千顺智能(珠海)有限公司 | 基于卷积神经网络的smt物料数量统计方法及统计*** |
CN111915000A (zh) * | 2020-08-07 | 2020-11-10 | 温州医科大学 | 一种用于医疗图像的网络模型的调整方法和装置 |
CN111915000B (zh) * | 2020-08-07 | 2021-07-20 | 温州医科大学 | 一种用于医疗图像的网络模型的调整方法和装置 |
CN113012811A (zh) * | 2020-08-17 | 2021-06-22 | 杭州泉脉科技有限公司 | 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法 |
CN113012811B (zh) * | 2020-08-17 | 2023-11-03 | 杭州泉脉科技有限公司 | 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法 |
CN112349427A (zh) * | 2020-10-21 | 2021-02-09 | 上海中医药大学 | 一种基于舌象和深度残差卷积神经网络的糖尿病预测方法 |
CN117392138A (zh) * | 2023-12-13 | 2024-01-12 | 四川大学 | 舌象图像处理方法、存储介质及电子设备 |
CN117392138B (zh) * | 2023-12-13 | 2024-02-13 | 四川大学 | 舌象图像处理方法、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105117611B (zh) | 2018-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105117611A (zh) | 基于卷积神经元网络的中医舌诊模型的确定方法及*** | |
Huang et al. | Convolutional neural network based on complex networks for brain tumor image classification with a modified activation function | |
US20200211706A1 (en) | Intelligent traditional chinese medicine diagnosis method, system and traditional chinese medicine system | |
CN205015889U (zh) | 一种基于卷积神经元网络的中医舌诊模型的确定*** | |
CN104091172B (zh) | 一种运动想象脑电信号的特征提取方法 | |
CN106296699A (zh) | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 | |
CN108764457B (zh) | 基于采样通道融合深度神经网络的自动心律失常分析方法 | |
Lee et al. | Bone age estimation using deep learning and hand X-ray images | |
CN113012811B (zh) | 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法 | |
Shao et al. | Single-channel SEMG using wavelet deep belief networks for upper limb motion recognition | |
CN110444294B (zh) | 一种基于感知神经网络的***癌辅助分析方法及设备 | |
CN108764221A (zh) | 主动脉影像分析方法及*** | |
CN106446765A (zh) | 一种基于多维生理大数据深度学习的健康状态评价*** | |
CN111178288B (zh) | 基于局部误差逐层训练的人体姿态识别方法和装置 | |
CN108877923A (zh) | 一种基于深度学习的舌苔生成中药处方的方法 | |
CN110956197A (zh) | 一种基于卷积神经网络建立脉波噪声信号识别模型的方法及*** | |
CN110321939A (zh) | 一种基于超分辨率重建的图像分类方法 | |
CN115054243B (zh) | 上肢康复训练***闭环设计方法及*** | |
CN107242876A (zh) | 一种用于精神状态辅助诊断的计算机视觉方法 | |
CN105590011A (zh) | 一种基于脉搏回归模型的心电信号数据修正方法及*** | |
CN115271033A (zh) | 基于联邦知识蒸馏医学图像处理模型构建及其处理方法 | |
Liu | Artificial intelligence–based neural network for the diagnosis of diabetes: Model development | |
Al-Haddad et al. | Advancing task recognition towards artificial limbs control with ReliefF-based deep neural network extreme learning | |
CN117322890B (zh) | 一种基于神经元群模型的生成式多通道脑电建模方法 | |
CN108921291A (zh) | 面向脑电信号处理的低功耗计算架构 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180612 Termination date: 20210923 |
|
CF01 | Termination of patent right due to non-payment of annual fee |