具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而 不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一 个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组 件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组 件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可 能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右” 以及类似的表述只是为了说明的目的。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技 术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用 的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所 使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组 合。

如图1所示，本发明提供基于人工智能技术的新冠肺炎数据处理系统， 包括

肺部数据库，所述肺部数据库配置有若干肺炎原始图像和若干正常原始 图像的肺部数据库，经由训练筛选得到肺炎样本图像及正常样本图像作为数 据集构成卷积神经网络模型；

卷积神经网络，所述卷积神经网络采用堆叠结构从像素级的原始数据向 抽象的语义概念逐层提取信息，用以获得广泛的输入视图；

图像预处理单元，所述图像预处理单元包括图像扩增模块以及图像对比 度增强模块，所述图像扩增模块用于增加训练样本图像的数量，所述图像对 比度增强模块用于增强样本局部对比度，增强局部对比度之后的样本图像经 由线性插值模块缩小得到样本增强图像。图像扩增模块能够克服数据样本量 少的情况出现的拟合过渡问题，具体如图3和图4所示，图像对比度增强模 块使得增强局部对比度之后的样本图像能够大大提高炎症区域和周围组织 结构的对比度，在不影响整体对比度的前提下能够提高局部对比度，进而实现突出图像中的关键特征，有助于后续提升关键特征分类的可靠性。

在本实施例中，进一步地，所述卷积神经网络模型包括卷积层、池化层 以及全连接层，所述卷积层用于提取输入图像的特征信息，所述池化层用于 去除上述特征信息进行聚合提纯，所述全连接层用于实现当前层神经元节点 与上一层神经元节点之间的连接。卷积层和池化层主要用于执行图像特征提 取操作，卷积神经网络通过卷积层和池化层的堆叠以获得抽象的高层语义特 征，最终该语义特征输入到全连接层，从而实现原始输入数据到最终任务目 标的映射。池化层通过逐步减小特征表示的空间大小，进而减少网格中的参数数量和模型计算量，输入特征图通过最大值池化能够从特定区域选取最大 值作为输出值，池化层能够去除卷积层提取的特征冗余，聚合图像特征，降 低特征的维度，从而大大降低了网络的计算量。

在本实施例中，进一步地，所述卷积层的第四层与第六层之间增设有一 用于增强模型特征图像判断能力的特征融合模块，所述特征融合模块设置为 卷积核为1×1的卷积层。没有显著增加模型的参数数量，有效避免了模型 对于内存资源占用过多的问题。

由于特征融合模块引入了模型底层特征所包括的噪声，因而设置注意力 机制模块用以解决上述问题。

如图2所示，在本实施例中，进一步地，所述卷积神经网络还设有注意 力机制模块，所述注意力机制模块用于根据高层学习到的全局信息对特征通 道进行加权，进而从大量特征信息中筛选出于当前任务有关的信息，进而削 减无关噪声的干扰，然后反馈给输出特征图进而实现对重要特征的筛选，由 于软注意力机制是可微分的，其可以在深度模型前向传播和反向传播过程中 实现权值参数的更新，因而在本方案采用软注意力机制。通过设置注意力机 制模块，对高层学习到的全局特征进行重要性度量，从而提升卷积神经网络对关键特征的学习能力以及判别能力。

在本实施例中，进一步地，所述注意力机制模块的输入端为所述卷积层 的第八层，所述注意力机制模块的输出端为所述卷积层的第九层。如图1所 示，工作时，首先将卷积层的第八层的输出特征图树图全局均值池化层用以 获得一个特征向量，该特征向量的维度与输入的特征图通道数一致，通过该 方式能够较好地保留全局空间信息，并降低了参数量，然后将得到的特征向 量输入两个全连接层进而显示学习特征图通道之间的相应关系，第二个全连 接层输出的特征向量相当于对来自卷积层输入特征的重要性度量，因而该全 连接层的神经元节点数量与通道数量一致。对卷积层的第八层的输出特征图 进行最大值池化操作之后，通过逐通道加权的方式将第二个全连接层的输出 与池化操作之后输出特征图相乘，用以实现在特征通道维度上对原始特征的 重新标定，从而降低计算的复杂程度。从卷积神经网络的全局特征出发，对 输入特征先通过全局均值池化层以及全连接层用以计算器注意力分布，然后 根据分布对输入特征进行加权，能够使得模型更好地关注与肺炎诊断任务相 关的通道特征，抑制无关特征对模型性能的影响，通过增加少量参数就可以提高模型对特征通道的敏感度，进而增强了特征的判断能力。

在本实施例中，进一步地，所述卷积神经网络在训练过程中通过分类优 化模块对模型学习的权重参数进行设置并确定。这里通过梯度下降算法选取 损失函数进而确定模型学习的权重参数的最优设置，通过损失函数的变化了 解算法拟合数据的整个过程。

在本实施例中，进一步地，所述分类优化模块选用均方误差损失函数、 平均绝对误差损失函数或对数似然损失函数。对于二分类问题而言，由于卷 积神经网络仅需要预测两种情形所对应的结果，当假设每一类别对应的模型 预测概率分别为p和1-p时，损失函数的表达式如下： 其中，正类为1，负类为0，N表示训练 数据的样本总数，y_i表示样本i的标签，ρ_i表示样本i预测为正类的概率， 1-ρ_i表示样本i预测为负类的概率。

在本实施例中，进一步地，所述池化层聚合提纯过程采用最大值池化或 者均值池化。为了降低特征图的尺寸，通过堆叠的卷积层从像素级别的原始 数据到抽象的语义概念逐层提取信息，以实现在不增加模型计算复杂程度的 基础上得到更广泛的输入视图，而这使得模型能够更好地聚合图像上下文信 息。

在本实施例中，进一步地，所述卷积层的卷积核尺寸均设置为3×3，将 卷积核尺寸设置为较小的尺寸能够给使得每个神经元节点相对于总感受野 足够小，进而捕捉与目标任务相关的局部细节特征，同时避免了参数规模的 大量增加所带来的不利影响对于滤波器尺寸较小造成的局部感受野的大小 收到限制情况，设置扩张卷积替代普通卷积层能够在不增加模型参数的基础 上，提升该层卷积核相较于远距离信息的敏感程度。

在本实施例中，进一步地，所述全连接层之间设有一Dropout层，所述 Dropout层的系数设置为0.5。这样每次更新训练时，它会随机停止一半神 经元节点的训练，从而防止隐藏层的神经元节点依赖于特定的输入，提高模 型性能；另一方面，在训练过程中从训练数据随机抽取小批量数据的方式对 网络进行迭代训练，在前向传播过程中计算得到模型预测结果，进而在反向 传播过程中结合随机梯度下降算法来最小化损失函数，并更新权值参数直至 模型收敛，能够避免模型在训练过程中过拟合情况的发生。

一般来说，为获得较好分类性能，卷积神经网络需要提取输入图像特征 以获得足够的感受野，从而得到更高层次的语义信息，然而，传统通过增加 卷积层、卷积核尺寸又会导致模型空间复杂度增加以及对内存空间的更高要 求，以致于模型训练过程中产生效率低下以及过拟合的问题。

池化层用于对特征信息进行去冗余过程。

该系统对于样本原始图像的数量需求比较大，但现实情况难以获得足够 多的肺炎原始图像，由于卷积神经网络结构与常见预训练模型的结构存在比 较大的差异，直接进行参数迁移是较为困难的，另一方面由于传统ImageNet 数据集主要由自然界中的彩色图像构成，但本系统的数据集是由灰度图构 成，二者间的领域相关度存在很大差异，使得自然图像与医学影像图存在明 显分布无法匹配的情况，采用ImageNet数据集的知识迁移学习方法非但不 一定能够得到最优解，很大程度上还可能导致模型在医学影像图数据集里的 分类能力下降，因而需要对卷积神经网络的分类能力进行优化。

以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳 实施例，不能被认为用于限定本发明的实施范围。凡依本发明范围所作的均 等变化与改进等，均应仍归属于本专利涵盖范围之内。