1.一种基于小样本特征增强的罕见病训练方法,其特征在于,包括:
2.如权利要求1所述的基于小样本特征增强的罕见病训练方法,其特征在于,所述根据患罕见病种类的不同,对所述数据集打上分类标签之前或之后,还包括对所述数据集进行如下至少一项预处理操作:
3.如权利要求1所述的基于小样本特征增强的罕见病训练方法,其特征在于,所述对所述数据集内的所有图像进行若干次旋转操作,致使所述数据集中每张图像生成对应的若干新的增强语义类,并修改各分类标签,得到扩充后的数据集,包括:
4.如权利要求1所述的基于小样本特征增强的罕见病训练方法,其特征在于,所述特征提取网络的初始参数采用经过训练的深度卷积神经网络resnet50的预训练参数替代得到。
5.如权利要求1所述的基于小样本特征增强的罕见病训练方法,其特征在于,所述通过若干所述增强语义分类向量和所述分类标签确定多分类损失函数值,根据所述多分类损失函数值训练所述特征提取网络的参数和所述全连接分类网络的参数,包括:
6.如权利要求1至5中任意一项所述的基于小样本特征增强的罕见病训练方法,其特征在于,得到所述测试结果之后,还对所述测试结果采用交叉验证的方式进行验证;
7.一种基于小样本特征增强的罕见病诊断方法,其特征在于,包括:
8.一种基于小样本特征增强的罕见病诊断系统,其特征在于,包括:
9.如权利要求8所述的基于小样本特征增强的罕见病诊断系统,其特征在于,所述后端搭建基于flask框架的python web项目,采用nginx反向代理,同时借助uwsgiserver负责处理nginx转发的动态请求,进行与所述前端的交互。
10.如权利要求8或9所述的基于小样本特征增强的罕见病诊断系统,其特征在于,所述前端采用预设的dlib人脸识别算法中的基于hog特征的级联分类器来检测所述输入图像中是否存在人脸;