一种具有影像征象解释的肺结核智能识别方法及系统技术方案

本发明专利技术实施例提供一种具有影像征象解释的肺结核智能识别方法及系统，该方法包括：对X ray胸片进行预处理转为矢量图；进行异常区域识别得到疑似病灶与否的分类结果；判断所述异常区域内是否识别出疑似病灶；进行分类校正处理，得到所述疑似病灶的条件概率；判断所述异常区域内是否存在肺结核引起的疑似病灶；将所述疑似病灶对应的疑似区域在原图上进行处理得到子图矢量图；进行异常区域具有影像征像意义的解释，得到征象描述判断其是否具有肺结核；基于征像描述，进行肺结核活性的判别。本发明专利技术实施例能够有效得到胸片中影像征象特征之间的内在关系，相对于仅仅基于图像本身做出的判断更能符合影像学的判断逻辑，也能大大提高识别精度和效率。

An intelligent recognition method and system of tuberculosis with image sign interpretation

【技术实现步骤摘要】
一种具有影像征象解释的肺结核智能识别方法及系统
本专利技术涉及医学图像处理
，尤其涉及一种具有影像征象解释的肺结核智能识别方法及系统。
技术介绍
肺结核作为一种对人类健康威胁极大的传染性疾病，一直吸引着人们的注意。根据世界卫生组织(WTO)的调研，仅2017年，肺结核(TB)就造成了约一百三十万人的死亡，其中大多数患者位于发展中国家。针对TB的肆虐，WTO提出防治结合的手段，其中重要的一个环节是开展TB的X-ray胸片筛查。尽管开展TB的胸片筛查具有重大意义，但是受限于胸片图像本身以及发展中国家普遍缺少有经验的医师这一实际情况，进行普遍的TB胸片筛查依然困难重重。在不发达地区，TB胸片筛查普遍存在漏检、误检等等现象，这对于消除TB对这些地区人类健康的威胁是一个巨大的阻碍。近些年来，随着人工智能技术的飞速发展，计算机辅助诊断领域普遍引入以深度学习为代表的方法来提高其诊断准确性。这些技术的发展为设计一种快速、精准的肺结核胸片筛查提供了可能。然而相较于其他领域的图像识别技术，TB的胸片筛查具有一些特殊性。首先，从TB疾病演化的过程来分析本文档来自技高网...

【技术保护点】
1.一种具有影像征象解释的肺结核智能识别方法，其特征在于，包括：/n对X ray胸片进行预处理，将其转为矢量图；/n根据所述矢量图进行异常区域识别，得到识别结果包括疑似病灶与否的分类结果；/n根据所述识别结果，判断所述异常区域内是否识别出疑似病灶；/n根据所述疑似病灶对应的疑似区域和疑似点，进行分类校正处理，得到所述疑似病灶的条件概率；/n根据所述条件概率，判断所述异常区域内是否存在肺结核引起的疑似病灶；/n将所述疑似病灶对应的疑似区域在原图上进行处理，得到疑似病灶的子图矢量图；/n根据所述疑似病灶的子图矢量图进行异常区域解释，得到征象描述判断其是否具有肺结核，并完成整个胸片的智能识别。/n

【技术特征摘要】
1.一种具有影像征象解释的肺结核智能识别方法，其特征在于，包括：
对Xray胸片进行预处理，将其转为矢量图；
根据所述矢量图进行异常区域识别，得到识别结果包括疑似病灶与否的分类结果；
根据所述识别结果，判断所述异常区域内是否识别出疑似病灶；
根据所述疑似病灶对应的疑似区域和疑似点，进行分类校正处理，得到所述疑似病灶的条件概率；
根据所述条件概率，判断所述异常区域内是否存在肺结核引起的疑似病灶；
将所述疑似病灶对应的疑似区域在原图上进行处理，得到疑似病灶的子图矢量图；
根据所述疑似病灶的子图矢量图进行异常区域解释，得到征象描述判断其是否具有肺结核，并完成整个胸片的智能识别。


2.根据权利要求1所述的肺结核智能识别方法，其特征在于，所述Xray胸片的预处理过程具体如下：
将Xray胸片通过下采样方式缩放至2048x2048像素大小的图片；
将缩放后的图片归一化至[0,1]上的一组2维矢量图；
所述异常区域识别过程具体为：以RetinaNet网络作为基准网络，输入所述矢量图，进行异常区域识别，得到所述异常区域的识别结果；
所述识别结果判断过程具体为：根据所述识别结果进行判断，判断所述分类结果的概率是否大于设定阈值，若是则说明异常区域中识别出疑似病灶，进行分类校正处理；若否则说明未识别出疑似病灶，终止整体流程。


3.根据权利要求2所述的肺结核智能识别方法，其特征在于，所诉分类校正处理的具体过程如下：
构建校正子模型，包括两层解析层，所述解析层包括卷积层、激活层和实例规范层；
编码校正信息，以所述疑似点为中心，根据设定的半径选取其周围区域及对称位置设定半径内形成的区域组成2通道张量；
将所述校正信息导入所述校正子模型中，得到输出概率P(C/O)；并在所述疑似点周围任意取设定距离以内的点，以此为中心重复编码校正信息并导入所述校正子模型中，得到校正子模型的输出概率
根据所述输出概率进行条件概率校正计算，如以下公式所示：



其中，Oi表示胸片中疑似的第i个病灶，Ci表示疑似区域周围区域以及对称区域的影响；P(O|C*)是给定的概率，即为理想条件下模型做出的判断；P(O)为在没有条件参考的基础上模型做出的判断，即为原有RetinaNet网络所给出的概率；为逆事件的概率，即为1-P(O)。


4.根据权利要求3所述的肺结核智能识别方法，其特征在于，所述条件概率判断过程具体为：根据所述条件概率，判断其是否大于预设阈值，若小于则说明所述疑似病灶不属于肺结核病灶，终止整体流程；若大于，则说明存在肺结核引起的疑似病灶，进行原图处理；
所述原图处理的具体过程包括如下：
根据疑似病灶对应的疑似区域在原图上向外扩大20pixel，并截取疑似病灶对应的子图；
将所述子图进行放缩至512x512像素的图片；
将放缩后的图片进行归一化处理，得到分布在[0,1]内的子图矢量图。


5.根据权利要求4所述的肺结核智能识别方法，其特征在于，所...

【专利技术属性】
技术研发人员：陈昊，罗召洋，魏军，
申请(专利权)人：广州柏视医疗科技有限公司，广州柏视数据科技有限公司，
类型：发明
国别省市：广东;44