基于迁移学习的X射线影像处理方法及系统技术方案

本申请提供了一种基于迁移学习的X射线影像处理方法及系统，该系统包括：X射线影像接收模块，用于接收输入的X射线影像数据；X射线影像处理模块，利用优化模型，对所述X射线影像进行处理，并进行分类；所述优化模型通过以下方式获得：建立VGG‑16卷积神经网络，并基于X射线影像分类结果数量，放弃所述VGG‑16卷积神经网络中的全连接层，并对训练参数进行优化，得到特定全连接层，并获得完整模型；对所述完整模型进行优化，得到优化模型；输出模块，接收所述X射线影像处理模块的输出数据，并输出分类结果。本申请的方案针对大骨节异变的X射线影像处理及识别准确率高，且系统拟合情况优越，训练效率高。

X-ray image processing method and system based on Transfer Learning

【技术实现步骤摘要】
基于迁移学习的X射线影像处理方法及系统
本专利技术涉及计算机智能图像处理领域，尤其涉及一种针对骨骼相关的X射线影响的处理方法及其系统。
技术介绍
X射线影像检查是在医疗领域，尤其在骨骼的观察等相关细分领域中的主要技术手段和依据。以手部骨骼X影响为例，在存在骨骼变异或者因疾病等引起的骨骼变形情形下，X线影像学改变具有特异性，且能够反映骨骼的变异程度以及全身各关节可能存在的受损程度。在现实的骨骼X影像中，虽然骨骼变形相对较为容易观察和识别，但其影像表现形式复杂多样，同一类型起因的骨骼变形的表现形式甚至可以多达数十种，且多为几种并存，因此造成针对特定的变形类型的识别或者归类及其复杂，且常规方法的图像归类和识别准确率极低。识别特定类别的X线征像，对于后续进入人工判断和骨骼变异类型识别是十分重要的，而目前这种识别一般需要有多年经验的人员才能正确的识别分类。目前，国内外尚未见有效的针对骨骼变异类型进行有效识别和归类的产品或系统面世。基于以上存在的问题，现有的X射线影像识别和处理方法已经不能满足目前的市场需求，对于表现形式复杂的骨骼形变或变异成因的识本文档来自技高网...

【技术保护点】
1.基于迁移学习的X射线影像处理方法，其特征在于，所述方法包括：/nS1、构建VGG-16卷积神经网络；/nS2、基于X射线影像分类结果数量，放弃所述VGG-16卷积神经网络中的全连接层，并对训练参数进行优化，得到特定全连接层，并获得完整模型；/nS3、对所述完整模型进行优化，得到优化模型；/nS4、利用所述优化模型，对X射线影像进行分类。/n

【技术特征摘要】
1.基于迁移学习的X射线影像处理方法，其特征在于，所述方法包括：
S1、构建VGG-16卷积神经网络；
S2、基于X射线影像分类结果数量，放弃所述VGG-16卷积神经网络中的全连接层，并对训练参数进行优化，得到特定全连接层，并获得完整模型；
S3、对所述完整模型进行优化，得到优化模型；
S4、利用所述优化模型，对X射线影像进行分类。


2.根据权利要求1所述的方法，其特征在于，所述S2进一步包括：
S21、将所述VGG-16卷积神经网络去掉全连接层后，使用特征提取层对测试集和训练集图片进行特征提取并保存；
S22、构建X射线影像分类器，并载入S21中保存的所述特征，对参数进行训练和优化，得到特定的全连接层；
S23、将所述特征提取层与所述特定的全连接层进行搭建，形成完整模型。


3.根据权利要求1所述的方法，其特征在于，所述S3进一步包括：
S31、针对所述完整模型，冻结卷积层的前M层及全连接层的权重；
S32、使用训练数据集对未冻结的卷积层进行Fine-tune，并进行参数优化；
S33、选择最优参数保存，得到优化模型。


4.根据权利要求3所述的方法，其特征在于，所述S32中进一步包括，利用SGD方法进行参数优化，且每次更新仅适用一个batch的数据。


5.根据权利要求1所述的方法，其特征在于，所述S4之前，还包括以下步骤：
S4’、对所述优化模型进行类激活图可视化处理；所述S4’进一步包括：
S4’1、在X射线影像上运行所述优化模型，并将其预测的向量解码为人工可读格式；
S4’2、生成热力图，并将所述热力图进行标准化，得到可视化图；
S4’3...

【专利技术属性】
技术研发人员：裴俊瑞，刘辉，孙丽艳，于钧，刘运起，刘宁，崔丝露，焦喆，
申请(专利权)人：哈尔滨医科大学，
类型：发明
国别省市：黑龙;23