一种基于深度学习的气胸X光图像识别方法及系统技术方案

本发明专利技术公开了一种基于深度学习的气胸X光图像识别方法及系统，本方案通过大量人工标注的样本来训练一个深度神经网络，所述深度神经网通过学习到气胸的影像特征，并以此来识别气胸X光图像。由此构成的气胸X光图像识别方案能够实现对胸片的自动化识别，识别效率高，识别精度高，有效避免漏检未识别的现象，有效解决现有技术所存在的问题。

【技术实现步骤摘要】
一种基于深度学习的气胸X光图像识别方法及系统
本专利技术涉及图像识别技术，具体涉及X光图像识别技术。
技术介绍
气胸是指气体进入胸膜腔，造成积气状态，称为气胸。多因肺部疾病或外力影响使肺组织和脏层胸膜破裂，或靠近肺表面的细微气肿泡破裂，肺和支气管内空气逸入胸膜腔。多见于男性青壮年或患有慢性支气管炎，肺气肿，肺结核者。本病属肺科急症之一，严重者可危及生命，及时处理可治愈。X线检查是诊断气胸的重要方法，胸片即胸部的X片是最常应用于诊断气胸的检查方法。参见图1，气胸胸片上大多有明确的气胸线，为萎缩肺组织与胸膜腔内气体交界线，呈外凸线条影，气胸线外为无肺纹理的透光区，线内为压缩的肺组织；大量气胸时可见纵隔、心脏向健侧移位；合并胸腔积液时可见气液面。然而现有胸片的识别，基本都是依靠纯人工阅片，这不仅成本高、效率低、耗时长；而且由于气胸病灶为低亮度区域，在人工识别阅片时，有时候会被忽视，识别精度不高；同时在人工进行阅片时，还存在漏诊的现象。由此可见，现有基于人工来识别胸片普遍存在效率低下，精度不高的问题，故提供一种高效且高精度的气胸胸片识别技术是本领域亟需解决的技术问题。
技术实现思路
针对现有气胸胸片识别技术所存在的问题，需要一种高效且高精度的气胸胸片识别方案。为此，本专利技术所要解决的技术问题是提供一种基于深度学习的气胸X光图像识别方法及系统。为了解决上述技术问题，本专利技术提供的基于深度学习的气胸X光图像识别方法，通过大量人工标注的样本来训练一个深度神经网络，所述深度神经网通过学习到气胸的影像特征，并以此来识别气胸X光图像。进一步的，所述样本包括包含气胸病人胸片的正样本和其他人胸片样本，在标注时首先从历史样本数据中筛选出候选样本，再对候选样本进行审核。进一步的，采用随机梯度下降模型训练形成深度神经网络，并利用GPU加速训练。进一步的，所述深度神经网络包括5个交替出现的卷积层，ReLU层和池化层，以及2个全连接层。进一步的，所述深度神经网络通过误差反向传播模型进行自主学习气胸的影像特征。进一步的，所述深度神经网络采用多线程服务来识别X光图像中气胸的影像特征。了解决上述技术问题，本专利技术提供的基于深度学习的气胸X光图像识别系统，包括：样本库，所述样本库中存储大量人工标注的样本；神经网络训练模块，所述神经网络训练模块从样本库中获取经过标注的样本，并进行训练形成深度神经网络，深度学习气胸影像特征；识别模块，所述识别模块调用深度神经网络对胸片进行气胸影像特征识别。进一步的，所述识别系统中还包括胸片获取模块，所述胸片获取模块与识别模块数据连接，将待识别的胸片传至识别模块。进一步的，所述识别系统中还包括一输出模块，所述输出模块与识别模块数据连接，输出识别模块的识别结果。由此构成的气胸X光图像识别方案能够实现对胸片的自动化识别，识别效率高，识别精度高，有效避免漏检未识别的现象，有效解决现有技术所存在的问题。在此基础上，本方案通过训练形成深度神经网络，通过深度学习气胸的影像特征，能够精确识别出胸片中气胸的影像特征，大大提高识别精度。附图说明以下结合附图和具体实施方式来进一步说明本专利技术。图1为气胸胸片的示例图；图2为本专利技术实例中神经网络结构示意图；图3为本专利技术实例中针对气胸胸片进行识别时，对神经元进行可视化分析的示例图；图4为本专利技术实例中基于深度学习的气胸X光图像识别系统组成示意图。具体实施方式为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本专利技术。针对气胸胸片的识别，本实例方案进行自动识别，提高效率且有效避免漏检未识别的现象；在此基础上采用深度学习方法，自主学习气胸影像特征，以此实现精确识别，有效提高识别精度。具体，本方案通过大量人工标注的样本来训练一个深度神经网络，使其能自主学习到气胸的影像特征，由此来识别气胸X光图像。这里使用的大量样本包含气胸病人胸片的正样本和其他人胸片的样本，每个样本都标注了图像的类别。本方案中在进行样本标注时，使用人机结合的方式，即首先从历史样本数据中筛选出候选气胸样本，再由医生对候选样本进行审核，以确认是否为气胸，从而大大提高标注的效率。如此标注的样本采用随机梯度下降模型(SGD)来训练形成一个深度神经网络，同时在训练过程中还利用GPU加速训练过程。参见图2，其所示为本实例中深度神经网络的结构示意图。由图可知，本实例中深度神经网络组成超过7层，包括5个交替出现的卷积层，ReLU层和池化层，以及2个全连接层。其中，卷积层是对图像(不同的数据窗口数据)和滤波矩阵(一组固定的权重：由于每个神经元的权重固定，从而可以作为一个恒定的滤波器filter)做内积(逐个元素相乘再求和)的操作，不同的滤波器filter会得到不同的输出数据，比如边缘和轮廓。ReLU层用于对卷积层的处理结果进行取绝对值的操作，使其具有网络非线性的特征。池化层，用于对ReLU层的处理结果取区域平均或最大。由此构成的分层结构的深度神经网络，其每一层通过训练都能形成对相应图像特征的识别功能，且越靠后的层越能形成更为抽象和全局的特征识别功能。即较浅的层能够学习简单和局部的图像特征(如各种方向的边缘)，越深的层则能学到更为抽象和全局的特征。本实例中的深度神经网络具体基于误差反向传播(BP)算法来自主学习气胸的影像特征。该深度神经网络进行自主学习训练时，其计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。据此，本实例中的深度神经网络采用高性能的多线程服务来识别X光图像中气胸的影像特征。参见图3，其所示为本实例方案中提供的深度神经网络模型对气胸胸片进行分析识别的示例图。由图可知，通过对模型中一个神经元进行的可视化分析，可见其对气胸线所在的区域比较敏感，具有很高的识别精度。对于本实例提供的基于深度学习的气胸X光图像识别方案，其可以采用GoogLeNet、ResNet等替代方案。针对上述的基于深度学习的气胸X光图像识别方案，本实例还进一步提供可实现该基于深度学习的气胸X光图像识别方案的识别系统。参见图4，该基于深度学习的气胸X光图像识别系统100主要包括样本库110、神经网络训练模块120、识别模块130、胸片获取模块140以及输出模块150。其中，样本库110，用于存储存储大量人工标注的样本，以供神经网络训练模块120训练使用。根据需要，样本库100中的样本可根据实际情况下进行调整。神经网络训练模块120，其与样本库110数据连接，从样本库中获取经过标注的样本，并进行训练形成深度神经网络，该深度神经网络能够自主学习到气胸的影像特征。识别模块130，其分别与神经网络训本文档来自技高网...

【技术保护点】
1.一种基于深度学习的气胸X光图像识别方法，其特征在于，通过大量人工标注的样本来训练形成深度神经网络，所述深度神经网通过学习到气胸的影像特征，并以此来识别气胸X光图像。

【技术特征摘要】
1.一种基于深度学习的气胸X光图像识别方法，其特征在于，通过大量人工标注的样本来训练形成深度神经网络，所述深度神经网通过学习到气胸的影像特征，并以此来识别气胸X光图像。2.根据权利要求1所述的气胸X光图像识别方法，其特征在于，所述样本包括包含气胸病人胸片的正样本和其他人胸片样本，在标注时首先从历史样本数据中筛选出候选样本，再对候选样本进行审核。3.根据权利要求1所述的气胸X光图像识别方法，其特征在于，采用随机梯度下降模型训练形成深度神经网络，并利用GPU加速训练。4.根据权利要求1所述的气胸X光图像识别方法，其特征在于，所述深度神经网络包括5个交替出现的卷积层，ReLU层和池化层，以及2个全连接层。5.根据权利要求1所述的气胸X光图像识别方法，其特征在于，所述深度神经网络通过误差反向传播模型进行自主学习气胸的影像特...

【专利技术属性】
技术研发人员：吴文辉，陶信东，
申请(专利权)人：江西中科九峰智慧医疗科技有限公司，
类型：发明
国别省市：江西,36