一种基于加权信息流数据增量网络的尘肺病智能诊断系统

1.一种基于加权信息流数据增量网络的尘肺病智能诊断系统，其特征在于，包括数据预处理模块、基于随机属性掩蔽的增量数据模块(armgan)、基于先验知识的多粒度特征提取模块(mktransformer)和kl加权判断模块：

2.根据权利要求1所述的一种基于加权信息流数据增量网络(widinet)的尘肺病智能诊断系统，其特征在于，所述的armgan数据增量模块使用随机属性掩蔽技术来实现数据扩展，同时提高增量数据的数据质量；具体包括以下步骤：a21根据医生的诊断习惯并依据国家标准片将输入的胸片分为六个部分，使用lot编码层在将图像从高维图像映射到低维矩阵后实现肺区间的解耦，以扩大肺区间的差异；a22设计了非对称形式的编码模型，在肺框架解耦编码器上使用较少的编码层，并将更多的计算能力集中于肺部内病变纹理的编码；在每次编码中引入偏差因子μ来控制层关联函数，在肺区框架与肺内病灶纹理的解耦学习中产生差异对比效果；a23定义目标区域采样图像的解耦编码过程：胸片的一个肺框架定义为i1，胸片的两个肺质量定义为i2；因此其编码可表示为(z1s,z1t)和(z2s,z2t)，使用g来表示合成过程，dec表示点积，d表示生成过程，并在实际运行时通过如下公式比较两者之间的差异：

3.根据权利要求1所述的一种基于加权信息流数据增量网络(widinet)的尘肺病智能诊断系统，其特征在于，所述的mktransformer特征提取模块使用先验知识和多粒度注意力模块来专门解决基于增量数据的特征筛选网络低可靠性的问题；在实际训练过程中，获得的专业知识将作为先验训练参数；在5个epoch的训练周期后，模型网络将冻结相对于训练参数，比较使用先验参数的网络与使用模型训练的网络之间的性能差异，并将这一差异纳入后续的网络训练中，通过网络级训练指导，特征提取网络在深度神经网络的优越特征提取需求与实际诊断工作之间取得平衡；

4.根据权利要求1所述的一种基于加权信息流数据增量网络(widinet)的尘肺病智能诊断系统，其特征在于，所述的kl加权判断模块：使用kl加权将熵值测量引入模型判断中，在网络的实际操作中，kl加权算法将重点测量待分期胸部x光片与每个肺区标准片之间的kl熵值差异，得到待测图像与标准切片之间的相似性权重p(xi)，如以下公式所示：