一种基于深度学习的肺结核DR影像识别方法技术

本发明专利技术公开了一种基于深度学习的肺结核DR影像识别方法及系统，其中方法包括：步骤1：10万张数字胸片收集后进行AI阅片及专家标注；专家标注后的胸片，进行AI训练，识别功能的实现，结合AI阅片得到数字胸片筛查结果；步骤2：薄层液基菌涂片染色一体开发，进入自动扫描识别系统，得到痰涂片诊断结果后与步骤1中的数字胸片筛查结果一并送至步骤3；步骤3：推送到医院HIS系统，得到结核病诊断结果。采有本发明专利技术的方法及系统，通过人工智能深度学习的算法辅助医生的影像学诊断，既达到快速，同时又是高效，更能保证准确。因此建立肺结核早期诊断的人工智能模型，对于结核病的早期诊断、治疗，以减少传播、降低发病率。

【技术实现步骤摘要】
一种基于深度学习的肺结核DR影像识别方法
本专利技术涉及肺结核DR影像识别
，尤其涉及的是，一种基于深度学习的肺结核DR影像识别方法。
技术介绍
结核病是由结核分枝杆菌引起的慢性传染病，它可以侵及人体除头发、指甲以外的各个器官，特别是肺部，所占数量最多，约80％左右。尽管这是一个非常古老的疾病，但目前全球疫情仍十分严重，特别是我国结核病数量上仍居全球第二位，防控形势非常严峻。肺结核病的早期发现除了患者因症状就诊，大规模的查体也是非常重要的手段，这就带来了一个实际问题，这些海量的胸部影像资料如何快速处理，医生的阅片能力与水平如何保证，而CAD技术则为这一难题带来解决的可能与希望。通过人工智能深度学习的算法辅助医生的影像学诊断，既达到快速，同时又是高效，更能保证准确。因此建立肺结核早期诊断的人工智能模型，可以应对结核病的早期诊断、治疗，以结核病减少传播、降低发病率。现阶段医疗影像数据快速积累，已具有开发应用规模，我国每天产生的影像数据以PB计算，占到医疗行业数据的90％，影像医生产能负荷重和部分地区医生影像诊断水平偏低，而人工智能大有所为，放射科医师数量存在缺口，医师的疲劳或经验不足可能造成误判。现阶段国内肺结核医疗影像存在如下问题：1、医生方面，大幅减少读片时间，降低误诊概率，提高诊疗水平；2、患者方面，有效减少诊疗时间，享受大型三甲医院的高水平医疗；3、医院方面，对大规模的数据加以利用，建立整体的数字化平台，提高医院的核心业务能力，推进医院之间的数据共享。传统的医学图像处理方式是由工程师们创造一套规则，算法根据规则对图像进行处理。但由于规则很难穷尽，所以对于现实中多变的情况准确率不高。
技术实现思路
本专利技术提供一种基于深度学习的肺结核DR影像识别方法及系统，所要解决的技术问题为传统的医学图像处理方式由工程师们创造一套规则，规则很难穷尽，对于现实中多变的情况准确率不高的问题。本专利技术提供一种基于深度学习的肺结核DR影像识别方法，包括以下步骤：步骤1：10万张数字胸片收集后进行AI阅片及专家标注；专家标注后的胸片，进行AI训练识别功能的实现，结合AI阅片得到数字胸片筛查结果；步骤2：薄层液基菌涂片染色一体开发，进入自动扫描识别系统，得到痰涂片诊断结果后与步骤1中的数字胸片筛查结果一并送至步骤3；步骤3：推送到医院HIS系统，得到结核病诊断结果。上述中，所述步骤1中进行AI训练识别功能的实现具体包括以下步骤：步骤101：建立神经网络模型化以及特征构建：神经网络，由一个前置的32通道的卷积层和多个网络组件构成整个神经网络，总共有6个网络组件，每个组件由一个前置的卷积和一组循环的网络结构构成，所述循环的网络结构由卷积层，batchnormalize层，激活函数，残差网络构成；所述6个网络组件分别进行不同数量的重复，首尾相接；重复的数量分别为1,2,8,8,4,4；每个组件中，卷积数量为2个，前面卷积的通道数目2倍于后面一个卷积，每个卷积后面连接batchnormalize层；前5个组件的前置卷积的strde为2，其余的卷积的stride为1，因此整个神经网络的下采样率为32(2**5)；在每个组件的两个卷积层之间设计直连残差网络；最后一个卷积层的输出为1024*16*16，网络的训练是的batchsize设置为16，初始学习率为0.01，采用步进学习率递减方式进行学习率的更新；训练时对不同的目标检测维度采用的不同的损失函数，对于检测框的中心点x，y和宽高w，h采用MSE损失函数，对于分类采用交叉熵损失函数，对于置信度损失采用BCElosswithlogits损失函数；步骤102：降低维度，进行归一化和图片增强；所述图像增强，将RGB转变为HSV格式，即为色度、饱和度、亮度，然后对饱和度和亮度进行数据增强；具体实现方式为：对饱和度和亮度乘以一个0.5到1.5倍随机数，然后将HSV格式还原为RGB格式；所述归一化为让网络在训练时集中于图像的相对检测区域，图像在进入网络之前都会将尺寸归一化到512*512像素；先将图片按照原图的比例缩放到高为512或宽为512像素，然后将尺寸较小的维度，图像增强部分随后对图像进行旋转、透视、错切变换，旋转的角度为-5和5之间的随机数，透视因子为0.9到1.1的随机数，错切因子为-0.1到0.1的随机数，变换之后，按照0.5的概率对图像进行水平和垂直翻转，最终对图像会进行0到1的归一化；步骤103：特征构建；神经网络之后是特征提取网络，网络采用多尺度空间检测方式，能自适应不同大小的检测区域；在6个网络组件中，第3个，第4个和第6个三个组件的特征图输出作为检测结果，第3个组件的输出尺寸为256*64*64，第4个组件的输出尺寸为512*32*32，第6个组件的输出尺寸为1024*16*16；首先基于第6个组件提取网络的第一个特征图，通过7个卷积进行提取特征，每个卷积的特征图尺寸相同，不同的是通道数目，前6个卷积的通道数目以1024,512循环的方式，最后一个卷积的通道数目为18，然后基于第4个，第6个组件提取网络的第二个特征图，将第4和第6这两个不同深度的特征图进行融合，具体方法为：在第一个特征图的7个卷积提取中，取第6个卷积的输出，该输出尺寸为512*16*16，对该特征图进行上采样，输出尺寸为512*32*32的特征图，取第4个组件的输出特征图尺寸也为512*32*32，将该两个特征图在通道维度进行拼接，输出一个特征图，尺寸为1024*32*32，命名为特征图B,特征图B作为后面第3个特征图的输入，也作为本层特征图的输入，将其经过7个卷积进行特征提取，每个卷积的特征图尺寸相同，不同的是通道数目，前6个卷积的通道数目以512,256循环的方式，最后一个卷积的通道数目为18；步骤104：参数求导；具体的包括：肺部结核病AI判定，1为正常，2为异常，当0-1之间，分值越大，病灶位置相似度越大；步骤105：数据库对比，是DR影像质量AI判定，即判定DR影像为合格片或者是废片；步骤106：肺结核DR影像识别；肺部结核病AI判定，判定为正常或异常；当判定的异常时结合分值以及病灶位置可以具体判定为：1.活动性结核-胸膜病变；2.活动性结核-肺部病变；3.非活动性结核-肺部钙化；4.非活动性结核-肺部纤维硬结；5.非活动性结核-胸膜钙化；6.非活动性结核-胸膜纤维硬结；7.考虑结核-需排除炎症；8.考虑结核-需排除肿瘤；9.非结核。本专利技术还提供一种基于深度学习的肺结核DR影像识别系统，包括：系统服务模块、Web浏览模块与系统管理模块；所述系统服务模块：用于支持Web服务，实现浏览器访问系统各功能模块；还用于提供数据存储功能，用户数据与图像数据存储在不同的位置；还用于与第三方系统进行患者信息、阅片报告信息的接收和发送；还用于AI学习和判定平台，具体由一种基于深度学习的肺结核DR影像识别方法实现；所述Web浏览模块：患者信息的采集，包括患者基本信息、影像文件与实验室检测结果采集；患者信息查询；支持专家对采本文档来自技高网...

【技术保护点】
1.一种基于深度学习的肺结核DR影像识别方法，其特征在于，包括以下步骤：/n步骤1：10万张数字胸片收集后进行AI阅片及专家标注；专家标注后的胸片，进行AI训练识别功能的实现，结合AI阅片得到数字胸片筛查结果；/n步骤2：薄层液基菌涂片染色一体开发，进入自动扫描识别系统，得到痰涂片诊断结果后与步骤1中的数字胸片筛查结果一并送至步骤3；/n步骤3：推送到医院HIS系统，得到结核病诊断结果。/n

【技术特征摘要】
1.一种基于深度学习的肺结核DR影像识别方法，其特征在于，包括以下步骤：
步骤1：10万张数字胸片收集后进行AI阅片及专家标注；专家标注后的胸片，进行AI训练识别功能的实现，结合AI阅片得到数字胸片筛查结果；
步骤2：薄层液基菌涂片染色一体开发，进入自动扫描识别系统，得到痰涂片诊断结果后与步骤1中的数字胸片筛查结果一并送至步骤3；
步骤3：推送到医院HIS系统，得到结核病诊断结果。


2.如权利要求1所述的肺结核DR影像识别方法，其特征在于，所述步骤1中进行AI训练识别功能的实现具体包括以下步骤：
步骤101：建立神经网络模型化以及特征构建：神经网络，由一个前置的32通道的卷积层和多个网络组件构成整个神经网络，总共有6个网络组件，每个组件由一个前置的卷积和一组循环的网络结构构成，所述循环的网络结构由卷积层，batchnormalize层，激活函数，残差网络构成；所述6个网络组件分别进行不同数量的重复，首尾相接；重复的数量分别为1,2,8,8,4,4；每个组件中，卷积数量为2个，前面卷积的通道数目2倍于后面一个卷积，每个卷积后面连接batchnormalize层；前5个组件的前置卷积的strde为2，其余的卷积的stride为1，因此整个神经网络的下采样率为32(2**5)；在每个组件的两个卷积层之间设计直连残差网络；最后一个卷积层的输出为1024*16*16，网络的训练是的batchsize设置为16，初始学习率为0.01，采用步进学习率递减方式进行学习率的更新；训练时对不同的目标检测维度采用的不同的损失函数，对于检测框的中心点x，y和宽高w，h采用MSE损失函数，对于分类采用交叉熵损失函数，对于置信度损失采用BCElosswithlogits损失函数；
步骤102：降低维度，进行归一化和图片增强；所述图像增强，将RGB转变为HSV格式，即为色度、饱和度、亮度，然后对饱和度和亮度进行数据增强；具体实现方式为：对饱和度和亮度乘以一个0.5到1.5倍随机数，然后将HSV格式还原为RGB格式；所述归一化为让网络在训练时集中于图像的相对检测区域，图像在进入网络之前都会将尺寸归一化到512*512像素；先将图片按照原图的比例缩放到高为512或宽为512像素，然后将尺寸较小的维度，图像增强部分随后对图像进行旋转、透视、错切变换，旋转的角度为-5和5之间的随机数，透视因子为0.9到1.1的随机数，错切因子为-0.1到0.1的随机数，变换之后，按照0.5的概率对图像进行水平和垂直翻转，最终对图像会进行0到1的归一化；
步骤103：特征构建；神经网络之后是特征提取网络，网络采用多尺度空间检测方式，能自适应不同大小的检测区域；在6个网络组件中，第3个，第4个和第6个三个组件的特征图输出作为检测结果，第3个组件的输出尺寸为256*64*64，第4个组件的输出...

【专利技术属性】
技术研发人员：王欢，屠德华，
申请(专利权)人：北京掌引医疗科技有限公司，
类型：发明
国别省市：北京;11