一种基于深度学习的胸片曝光问题分类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胸片曝光问题分类方法及系统，其针对正常胸片进行数据增强得到逼近真实场景的曝光不足和曝光过度的胸片；据此利用神经网络对胸片进行分类。本方案可以仅通过正常胸片数据就能训练出一个比传统方法泛化性能优秀的胸片曝光问题分类器，可有效克服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胸片曝光问题分类方法及系统
本专利技术属于计算机视觉技术，具体涉及胸片曝光问题分类技术。
技术介绍
X射线胸片是目前应用最广泛的医学图像检查手段，使用场景包括了急诊、重症监护、一般门诊、体检等。一张胸片的质量直接影响了诊断的结果，如果胸片的质量不合格，就容易出现漏诊和误诊。在质量不合格的胸片当中，曝光不足和曝光过度是最主要的两个影响因素。现有的曝光问题分类方案主要分为两个部分：1.针对曝光过度的胸片，主要观察肺纹理是否消失，并通过计算肺部低像素值连通域大小来判断。2.针对曝光不足的胸片，主要观察是否有纵隔，气管，脊柱，心脏等器官的纹理消失，并通过计算肺部高像素值连通域大小来判断。如此的分类方式在实际应用过程中存在如下的问题：1)曝光过度和曝光不足的胸片数量少，通过在少量数据上统计得到的阈值，泛化性能不够，容易产生错误；2)现有分类的判断规则是人为设定，随着规则的复杂以及更多曝光有问题的胸片加入，需要统计得到的阈值会更多，不同阈值之间甚至会有冲突，导致算法性能下降。
技术实现思路
针对现有X射线胸片曝光问题分类方案所存在的问题，需要一种泛化性能好的X射线胸片曝光问题分类方案。为此，本专利技术的目的在于提供一种基于深度学习的胸片曝光问题分类方法，同时，本专利技术还提供一种基于深度学习的胸片曝光问题分类系统。本方案可实现以仅通过正常胸片数据就能训练出一个比传统方法泛化性能优秀的胸片曝光问题分类器。为了达到上述目的，本专利技术提供的基于深度学习的胸片曝光问题分类方法，针对正常胸片进行数据增强得到逼近真实场景的曝光不足和曝光过度的胸片；据此利用神经网络对胸片进行分类。进一步地，所述方法通过对曝光正常的正常胸片的数据进行偏移处理以得到逼近真实场景的曝光不足和曝光过度的胸片。进一步地，所述方法通过如下步骤形成逼近真实场景的曝光不足和曝光过度的胸片：将胸片像素值归一化到[0,255]，并随机采样一个偏移值δ，δ～uniform(u-r,u+r)；其中u是均值，r是范围；将正常的胸片X，通过如下公式生成曝光过度和曝光不足的胸片Xover和Xunder：Xover＝X-δ,Xunder＝X+δ.将偏移之后的像素X在[0,255]范围内做截断，同时再映射回[0,255]。进一步地，所述方法利用神经网络对胸片进行分类时，通过直接用胸片进行输入，利用深度学习的提取特征的能力，最后分别得到曝光不足和曝光过度的概率值。进一步地，所述方法利用神经网络对胸片进行分类时，包括：通过卷积神经网络对待处理图像进行处理，获取图片特征张量；对获取到的图像特征张量进行概率类激活图池化操作，得到图像的特征向量；使用全连接层连接特征向量，对图片进行分类。为了达到上述目的，本专利技术提供的基于深度学习的胸片曝光问题分类系统，包括处理器以及处理程序，所述处理器可执行处理程序，以按照上述的胸片曝光问题分类方法基于深度学习对胸片曝光问题进行分类。本方案可以仅通过正常胸片数据就能训练出一个比传统方法泛化性能优秀的胸片曝光问题分类器，可有效克服现有技术所存在的问题。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为本专利技术实例进行训练过程的流程示意图；图2为本专利技术实例进行推理过程的流程示意图。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。本实例中利用深度学习对胸片进行曝光分类，其首先将正常胸片进行数据增强得到曝光不足和曝光过度的胸片，以用于训练；在此基础上利用神经网络对胸片进行分类，从而将胸片分为三类：曝光正常，曝光过度，曝光不足。具体的，本方案利用在正常胸片上做数据增强，来产生逼近真实场景的曝光不足和曝光过度的胸片，将产生的胸片用于人工神经网络训练(如图1所示)，增强模型的泛化性能。在此基础上，通过直接用任意一张拍摄好的胸片作为训练好的神经网络的输入，利用深度学习的提取特征的能力，最后分别得到曝光不足和曝光过度的概率值，从而实现不需要人为去设定规则。这里需要说明的，本实例通过获取图片特征张量；接着对获取到的图像特征张量进行概率类激活图池化操作，得到图像的特征向量；接着，使用全连接层连接特征向量，对图片进行分类，最后分别得到曝光不足和曝光过度的概率值。由此，本方案实现可以仅通过正常胸片数据就能训练出一个比传统方法泛化性能优秀的胸片曝光问题分类器。以下通过以具体应用实例来具体说明本方案。本实例中将对胸片曝光问题分类过程分为训练过程和推理过程。参见图1，其所示为本实例中进行胸片曝光问题分类时的训练过程，该训练过程中，通过对曝光正常数据进行数据增强得到曝光不足和曝光过度的胸片用于训练。通过对曝光正常的正常胸片的数据进行偏移处理以得到逼近真实场景的曝光不足和曝光过度的胸片。具体的，本实例首先将胸片像素值归一化到[0,255]，并随机采样一个偏移值δ：δ～uniform(u-r,u+r)；其中u是均值，r是范围，例如u为64，r为32。接着，基于上述的偏移值δ，本实例通过如下公式计算，将一张正常的胸片X，生成曝光过度和曝光不足的胸片Xover和Xunder：Xover＝X-δ,Xunder＝X+δ。接着，通过如下公式将偏移之后的像素X在[0,255]范围内做截断，同时再映射回[0,255]：Xover＝clip(Xover,0,255),Xunder＝clip(Xunder,0,255)；由此，实现基于曝光正常的胸片生成曝光不足和曝光过度的胸片。基于所生成的曝光不足和曝光过度的胸片，进行训练，其训练过程如下：1)将生成出来的胸片通过卷积神经网络提取到特征张量；2)特征张量经过池化操作，得到图片的特征向量，然后使用全连接层连接特征向量对图像进行分类，分别得到Pover和Punder；3)将步骤2中得到的Pover和Punder和标注的GroundTruth求损失，然后更新深度神经网络直到收敛。参见图2，其所示为本实例中进行胸片曝光问题分类时的推理过程，该推理过程中，直接对输入胸片数据进行处理分别得到曝光过度和曝光不足的概率。具体的，本实例对胸片进行分类时首先，通过用训练好的卷积神经网络对任意一张拍摄好的胸片进行处理，获取图片特征张量；接着，对获取到的图像特征张量进行概率类激活图池化操作，得到图像的特征向量；接着，使用全连接层连接特征向量，对图片进行分类，分别得到Pover和Punder；最后，对得到Pover和Punder进行判断，如果Pover和Punder同时小于0.5，则认为胸片曝光正常，如果Pover大于0.5则认为胸片曝光过度，如果Punder大于0.5则认为胸片曝光不足本文档来自技高网...

【技术保护点】
1.基于深度学习的胸片曝光问题分类方法，其特征在于，针对正常胸片进行数据增强得到逼近真实场景的曝光不足和曝光过度的胸片；据此利用神经网络对胸片进行分类。/n

【技术特征摘要】
1.基于深度学习的胸片曝光问题分类方法，其特征在于，针对正常胸片进行数据增强得到逼近真实场景的曝光不足和曝光过度的胸片；据此利用神经网络对胸片进行分类。


2.根据权利要求1所述的胸片曝光问题分类方法，其特征在于，所述方法通过对曝光正常的正常胸片的数据进行偏移处理以得到逼近真实场景的曝光不足和曝光过度的胸片。


3.根据权利要求2所述的胸片曝光问题分类方法，其特征在于，所述方法通过如下步骤形成逼近真实场景的曝光不足和曝光过度的胸片：
将胸片像素值归一化到[0,255]，并随机采样一个偏移值δ，
δ～uniform(u-r,u+r)；
其中u是均值，r是范围；
将正常的胸片X，通过如下公式生成曝光过度和曝光不足的胸片Xover和Xunder：
Xover＝X-δ,Xunder＝X+δ.
将偏移之后的像素X在[0,...

【专利技术属性】
技术研发人员：姚觐，李祎，
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