一种基于深度学习的胸部X线气胸分割方法技术

本发明专利技术提供了一种基于深度学习的胸部X线气胸分割方法，获取胸部X线的图像信息，对所述胸部X线的图像信息进行预处理；将预处理后的图像信息输入至深度神经网络模型，并利用空间加权的交叉熵损失函数优化深度神经网络模型；利用所述优化后的深度神经网络模型输出胸部X线气胸图像的分割结果。本发明专利技术训练一个端到端的深度神经网络模型，所述深度神经网络模型通过不断地自主学习，从而找到刻画气胸的影像学特征，将疑似气胸的区域分割出来。本发明专利技术实现了对胸部X线气胸的准确分割，以及准确的气胸分割可以为患者的后续治疗提供重要参考。

A chest X-ray pneumothorax segmentation method based on deep learning

【技术实现步骤摘要】
一种基于深度学习的胸部X线气胸分割方法
本专利技术属于图像处理
，尤其涉及一种基于深度学习的胸部X线气胸分割方法。
技术介绍
气胸是指空气进入胸膜腔，造成胸腔积气和肺塌陷的症状，是肺部疾病中的高危疾病。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。如果未及时得到治疗，一旦发展为血气胸或张力性气胸，将会对患者生命产生极大威胁，而积极采取治疗措施目的是尽快排除胸腔内气体,使萎缩的肺及早复张，恢复肺功能。基于胸部X线的影像学检查是气胸最常用的一种检查方法。相比其他影像学检查，胸部X线检查具有经济、高效、能清晰的显示气胸的病变特征及范围等优势。气胸的X线影像学表现为：外凸弧形的细线条形阴影，气胸线内为压缩的肺组织，线外为无肺纹理的透光区。由于胸部X线扫描整个胸部，影像学信息非常丰富，以至于放射科医生不得不花费大量的时间和精力来阅读胸片的每一部分。此外，随着国民生活水平的提高，越来越多人关注健康，每年都会定期的做一次健康体检，而胸部X线检查在健康体检中扮演着举足轻重的作用。这使得放射科医生和患者比例严重失衡。由于大量胸片的堆积，那些患有气胸等危重疾病的患者就可能长时间的列表等待，从而延误病情。同时，长时间的超负荷工作让医生不能集中精力。目前大部分的研究都是基于深度学习的气胸识别方法，而针对胸部X线的气胸分割技术尚存在盲区。由于气胸的特殊性，想要真正实现气胸的准确分割，需要大量的像素级的标记数据和迭代测试。因此，本领域需要一种基于深度学习的技术实现对胸部X线气胸的准确分割，以及准确的气胸分割可以为患者的后续治疗提供重要参考。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的一种基于深度学习的胸部X线气胸分割方法，实现了对胸部X线气胸的准确分割，以及准确的气胸分割可以为患者的后续治疗提供重要参考。为了达到以上目的，本专利技术采用的技术方案为：本方案提供的一种基于深度学习的胸部X线气胸分割方法，包括如下步骤：S1、获取胸部X线的图像信息，对所述胸部X线的图像信息进行预处理；S2、将预处理后的图像信息输入至深度神经网络模型，并利用空间加权的交叉熵损失函数优化深度神经网络模型；S3、利用所述优化后的深度神经网络模型输出胸部X线气胸图像的分割结果。进一步地，所述步骤S1中的预处理包括对胸部X线气胸图像的数据格式转换、数据扩增以及对胸部X线气胸图像的标准化操作，其中：所述数据扩增包括对胸部X线气胸图像进行缩放、裁剪以及左右翻转。再进一步地，所述对胸部X线气胸图像的数据格式进行转换包括如下步骤：A1、获取气胸患者的胸部X线正位图像以及非气胸患者的胸部X线正位图像；A2、判断所述正位图像是否正常，若是，则进入步骤A3，否则，丢弃该正位图像，并返回步骤A1；A3、根据判断结果对所述正位图像进行标注，并将标注后图像的Nii.gz格式转换为png格式；同时判断所述正位图像的PhotometricInterpretation属性是否为MONOCHROME1，若是，则翻转正位图像的像素值，并进入步骤A4，否则，进入步骤A4；A4、对所述正位图像进行最小最大归一化处理，并将胸部X线气胸图像的Dicom格式转换为png格式；A5、将步骤A3与步骤A4中的png格式的图像同步压缩至固定大小，从而完成对胸部X线气胸图像的数据格式的转换。再进一步地，所述步骤S2中的深度神经网络模型包括图像输入模块、与所述图像输入模块连接的多尺度模块、与所述多尺度模块连接的第一激励的密集块、与所述第一激励的密集块通过第一通道C1连接的第一下采样模块、与所述第一下采样模块连接的第二激励的密集块、与所述第二激励的密集块通过第二通道C2连接的第二下采样模块、与所述第二下采样模块连接的第三激励的密集块、与所述第三激励的密集块通过第三通道C3连接的第三下采样模块、与所述第三下采样模块连接的第四激励的密集块、与所述第四激励的密集块通过第四通道C4连接的第四下采样模块、与所述第四下采样模块连接的第五激励的密集块、与所述第五激励的密集块通过第五通道C5连接的第五下采样模块、与所述第五下采样模块连接的第六激励的密集块、与所述第六激励的密集块连接的第一上采样模块、与所述第一上采样模块通过第六通道C6连接的第七激励的密集块、与所述第七激励的密集块连接的第二上采样模块、与所述第二上采样模块通过第七通道C7连接的第八激励的密集块、与所述第八激励的密集块连接的第三上采样模块、与所述第三上采样模块通过第八通道C8连接的第九激励的密集块、与所述第九激励的密集块连接的第四上采样模块、与所述第四上样模块通过第九通道C9连接的第十激励的密集块、与所述第十激励的密集块连接的第五上采样模块以及与所述第五上采样模块连接的分割输出模块；所述第一通道C1与所述第十通道C10连接；所述第二通道C2与所述第九通道C9连接；所述第三通道C3与所述第八通道C8连接；所述第四通道C4与所述第七通道C7连接；所述第五通道C5与所述第六通道C6连接。再进一步地。所述分割输出模块包括依次连接的分类器和最大索引单元。再进一步地，每个所述激励的密集块均包括依次连接密集单元和激励单元。再进一步地，所述密集单元包括若干个卷积层，且每个卷积层均与所述激励单元连接。再进一步地，所述激励单元包括空间校正子单元和通道校正子单元；所述空间校正子单元包括与所述密集单元连接的卷积层；所述通道校正子单元包括与所述密集单元连接的全局池化层、与所述全局池化层连接的第一全连接层以及与所述第一全连接层连接的第二全连接层。再进一步地，所述步骤S2中利用空间加权的交叉熵损失函数优化深度神经网络模型的表达式如下：其中，LSWCEL(X；W)表示空间加权的损失函数，X表示训练样本，W表示深度神经网络模型的可学习参数，且W＝(w1,w2,...,wl)，wl表示第l层的参数矩阵，xi表示像素点，Wmap(xi)表示空间权重图，logp(ti|xi；W)表示像素点xi在深度神经网络模型中最后一个soft-max函数后的输出预测值，N表示训练样本的总像素数，l表示类别，L表示总类别数，Tl表示该样本中属于类别l的像素数，Cl表示类别l的边界像素数，L(xi)表示xi像素点属于当前类别l，LC(xi)表示xi像素点属于Cl的边界。本专利技术的有益效果：(1)本专利技术提出一种基于深度学习的胸部X线气胸分割方法。用大量的专家标注样本来训练一个端到端的深度神经网络模型，所述深度神经网络模型通过不断地自主学习，从而找到刻画气胸的影像学特征，将疑似气胸的区域分割出来；本专利技术以卷积神经网络为代表的神经网络在计算机视觉领域的成功应用，为全卷积神经网络在医学图像病变分割方面的应用奠定基础。全卷积神经网络一般由下采样路径提取特征，上采样路径恢复图像分辨率，自动学习从原始本文档来自技高网...

【技术保护点】
1.一种基于深度学习的胸部X线气胸分割方法，其特征在于，包括如下步骤：/nS1、获取胸部X线的图像信息，对所述胸部X线的图像信息进行预处理；/nS2、将预处理后的图像信息输入至深度神经网络模型，并利用空间加权的交叉熵损失函数优化深度神经网络模型；/nS3、利用所述优化后的深度神经网络模型输出胸部X线气胸图像的分割结果。/n

【技术特征摘要】
1.一种基于深度学习的胸部X线气胸分割方法，其特征在于，包括如下步骤：
S1、获取胸部X线的图像信息，对所述胸部X线的图像信息进行预处理；
S2、将预处理后的图像信息输入至深度神经网络模型，并利用空间加权的交叉熵损失函数优化深度神经网络模型；
S3、利用所述优化后的深度神经网络模型输出胸部X线气胸图像的分割结果。


2.根据权利要求1所述的基于深度学习的胸部X线气胸分割方法，其特征在于，所述步骤S1中的预处理包括对胸部X线气胸图像的数据格式转换、数据扩增以及对胸部X线气胸图像的标准化操作，其中：
所述数据扩增包括对胸部X线气胸图像进行缩放、裁剪以及左右翻转。


3.根据权利要求2所述的基于深度学习的胸部X线气胸分割方法，其特征在于，所述对胸部X线气胸图像的数据格式进行转换包括如下步骤：
A1、获取气胸患者的胸部X线正位图像以及非气胸患者的胸部X线正位图像；
A2、判断所述正位图像是否正常，若是，则进入步骤A3，否则，丢弃该正位图像，并返回步骤A1；
A3、根据判断结果对所述正位图像进行标注，并将标注后图像的Nii.gz格式转换为png格式；
同时判断所述正位图像的PhotometricInterpretation属性是否为MONOCHROME1，若是，则翻转正位图像的像素值，并进入步骤A4，否则，进入步骤A4；
A4、对所述正位图像进行最小最大归一化处理，并将胸部X线气胸图像的Dicom格式转换为png格式；
A5、将步骤A3与步骤A4中的png格式的图像同步压缩至固定大小，从而完成对胸部X线气胸图像的数据格式的转换。


4.根据权利要求1所述的基于深度学习的胸部X线气胸分割方法，其特征在于，所述步骤S2中的深度神经网络模型包括图像输入模块、与所述图像输入模块连接的多尺度模块、与所述多尺度模块连接的第一激励的密集块、与所述第一激励的密集块通过第一通道C1连接的第一下采样模块、与所述第一下采样模块连接的第二激励的密集块、与所述第二激励的密集块通过第二通道C2连接的第二下采样模块、与所述第二下采样模块连接的第三激励的密集块、与所述第三激励的密集块通过第三通道C3连接的第三下采样模块、与所述第三下采样模块连接的第四激励的密集块、与所述第四激励的密集块通过第四通道C4连接的第四下采样模块、与所述第四下采样模块连接的第五激励的密集块、与所述第五激励的密集块通过第五通道C5连接的第五下采样模块、与所述第五下采样模块连接的第六激励的密集块、与所述第六激励的密集块连接的第一上采样模块、与所述第一上采样模块通过第六通道...

【专利技术属性】
技术研发人员：罗国婷，刘志勤，王庆凤，刘启榆，周莹，郑介志，黄俊，徐卫云，
申请(专利权)人：西南科技大学，
类型：发明
国别省市：四川;51