一种基于深度学习的DR影像肺结核智能分割与检测方法技术

本发明专利技术公开了一种基于深度学习的DR影像肺结核智能分割与检测方法，包括：将原始DR图像提取掩膜，滤除小面积区域，并进行凸包操作，对经过凸包操作的掩膜进行膨胀操作，得到肺部有效区域；对原始DR图像进行标注，针对有肺结核表现的DR图像标注出其病变区域的位置；将提取掩模后的图像和含有肺结核病变区域位置的标注信息送进深度神经网络中进行训练，学习肺结核影像的特征；使用训练好的模型对未经过训练的DR图像进行预测，输出肺结核病变区域的位置，并给出其概率。本发明专利技术大幅提升了肺结核病的检出率，并精准输出肺结核病变区域的位置，为肺结核的筛查与治疗提供了可靠、高效的参考。

An intelligent segmentation and detection method of pulmonary tuberculosis in DR Image Based on deep learning

【技术实现步骤摘要】
一种基于深度学习的DR影像肺结核智能分割与检测方法
本专利技术属于医疗
，具体涉及一种基于深度学习的DR影像肺结核智能分割与检测方法。
技术介绍
肺结核是一种由结核分枝杆菌引起的呼吸道传染病，是危害人类健康的重要传染病，据WHO统计，2016年全球结核病新发病例数为1040万例，170万人死于结核病，结核分枝杆菌是致死人数排第一位的传染性病原体。中国是结核病高负担国家，2010年第五次全国结核病流行病学调查推算结核病患者约490万，但同年实际被诊断与治疗的患者不足90万，提示有80％的患者没有被发现与治疗，这些被遗漏的病人是导致结核病传播的重要传染源。95％的肺结核患者会有胸部X线检查异常，DR胸片在结核病筛查中具有高度敏感性，所以推行包含胸片的结核病主动筛查是解决患者遗漏问题的重要手段。DR摄片机已逐步在我国乡镇以上级别医疗机构普及，为大规模人群结核病DR胸片筛查提供了硬件保障，但基层放射科医生对胸片判读能力普遍不足，所以急需解决胸片拍摄后确定可疑病患者并进行诊断是结核病筛查工作中的最后“一公里”问题。近年来随着大数据和人工智能的快速发展，深度学习逐渐应用于计算机辅助诊断computeraideddiagnosis(CAD)，为该问题的解决提供了理想路径。申请号为201710618397.4的专利文献中公开了一种基于DR的肺结核智能识别方法及系统，其方法利用深度学习自主学习肺结核影像特征，识别DR图像中的肺结核影像特征，实现肺结核的自动筛查，很大程度上降低了筛查成本，其方法识别率高，有效的避免了漏检未识别的现象，但是该方法只对DR胸片进行了简单的二分类，即有无患病，并未能对患病的DR胸片输出其病变区域的位置。
技术实现思路
为了解决上述问题，本专利技术提供了一种基于深度学习的DR影像肺结核智能分割与检测方法，基于DR胸片的肺结核，不仅对DR胸片进行分类，判断其是否有病，并且对有病的DR分割出病变区域的位置，对于肺结核的筛查提供了精准的依据。本专利技术的技术方案为：一种基于深度学习的DR影像肺结核智能分割与检测方法，包括以下步骤：(1)将原始DR图像像素值归一化处理；(2)利用卷积神经网络对步骤(1)中进行归一化处理之后的图像进行分割，提取处肺部有效区域的掩膜，得到肺部有效区域的二值图像；(3)滤除步骤(2)中提取提到的掩膜图像的小面积区域；(4)对掩膜图像进行凸包操作；(5)对经过凸包操作的掩膜进行膨胀操作，扩大肺部有效区域；(6)将步骤(1)和步骤(5)得到的图像进行相乘，得到肺部有效区域；(7)对原始DR图像进行标注，针对有肺结核表现的DR图像标注出其病变区域的位置；(8)将提取掩模后的图像和含有肺结核病变区域位置的标注信息送进深度神经网络中进行训练，学习肺结核影像的特征；(9)使用训练好的模型对未经过训练的DR图像进行预测，输出肺结核病变区域的位置，并给出其概率；(10)将输出的肺结核病变区域的位置信息在步骤(1)得到的图像中进行展示，可视化肺结核病变区域的位置。本专利技术首先使用深度卷积神经网络提取肺部有效区域的掩模，并对掩模进行预处理，在得到肺部有效区域后，对其进行训练，输出病变区域的位置和病变区域的概率，本专利技术不仅可以判断其有无患病，还可以对有肺结核表现的DR胸片标注出病变区域的位置，为肺结核的筛查和治疗提供了更为精准的参考。作为优选，将原始DR图像像素值归一化至0～255。与现有技术相比，本专利技术的有益效果体现在：本专利技术首先对DR胸片提取掩模，分割出肺部有效区域，去除无关区域对最终识别结果的影响，然后利用深度学习对DR图像的肺结核病变区域进行检测，输出病变区域的位置，大幅提升了肺结核病的检出率，并精准输出肺结核病变区域的位置，为肺结核的筛查与治疗提供了可靠、高效的参考。附图说明图1为本专利技术的流程示意图。图2为本专利技术预处理的案例示意图。具体实施方式实施例1一种基于深度学习的DR影像肺结核智能分割与检测方法，如图1所示，包括以下步骤：(1)将原始DR影像像素值归一化至0～255，见图2中(a)；(2)利用卷积神经网络对上述图像进行分割，提取出肺部有效区域的掩模，得到肺部有效区域的二值图像，见图2中(b)；(3)滤除上一步提取到的掩模图像的小面积区域，见图2中(c)；(4)对上一步的掩模进行凸包操作，见图2中(d)；(5)对经过凸包操作的掩模进行膨胀操作，扩大肺部有效区域，见图2中(e)；(6)将步骤(1)和步骤(5)得到的图像进行相乘，得到肺部有效区域，见图2中(f)；(7)对原始DR图像进行标注，针对有肺结核表现的DR图像标注出其病变区域的位置；(8)将提取掩模后的图像和含有肺结核病变区域位置的标注信息送进深度神经网络中进行训练，学习肺结核影像的特征；(9)使用训练好的模型对未经过训练的DR胸片进行预测，输出肺结核病变区域的位置，并给出其概率；(10)将输出的肺结核病变区域的位置信息在1步的到的图像进行展示，可视化肺结核病变区域的位置。本文档来自技高网...

【技术保护点】
1.一种基于深度学习的DR影像肺结核智能分割与检测方法，其特征在于，包括以下步骤：/n(1)将原始DR图像像素值归一化处理；/n(2)利用卷积神经网络对步骤(1)中进行归一化处理之后的图像进行分割，提取处肺部有效区域的掩膜，得到肺部有效区域的二值图像；/n(3)滤除步骤(2)中提取提到的掩膜图像的小面积区域；/n(4)对掩膜图像进行凸包操作；/n(5)对经过凸包操作的掩膜进行膨胀操作，扩大肺部有效区域；/n(6)将步骤(1)和步骤(5)得到的图像进行相乘，得到肺部有效区域；/n(7)对原始DR图像进行标注，针对有肺结核表现的DR图像标注出其病变区域的位置；/n(8)将提取掩模后的图像和含有肺结核病变区域位置的标注信息送进深度神经网络中进行训练，学习肺结核影像的特征；/n(9)使用训练好的模型对未经过训练的DR图像进行预测，输出肺结核病变区域的位置，并给出其概率；/n(10)将输出的肺结核病变区域的位置信息在步骤(1)得到的图像中进行展示，可视化肺结核病变区域的位置。/n

【技术特征摘要】
1.一种基于深度学习的DR影像肺结核智能分割与检测方法，其特征在于，包括以下步骤：
(1)将原始DR图像像素值归一化处理；
(2)利用卷积神经网络对步骤(1)中进行归一化处理之后的图像进行分割，提取处肺部有效区域的掩膜，得到肺部有效区域的二值图像；
(3)滤除步骤(2)中提取提到的掩膜图像的小面积区域；
(4)对掩膜图像进行凸包操作；
(5)对经过凸包操作的掩膜进行膨胀操作，扩大肺部有效区域；
(6)将步骤(1)和步骤(5)得到的图像进行相乘，得到肺部有效区域；
(7)对原始DR图像进...

【专利技术属性】
技术研发人员：徐凯进，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33