一种基于弱监督学习的X光肺部疾病自动定位方法技术

一种基于弱监督学习的X光肺部疾病自动定位方法，包括以下步骤:收集多份肺部X射线光片进行初始标记，并整理成训练集；对训练集进行预处理；构建基于类激活图和带有自监督注意力模块的深度学习神经网络，将经处理后的份肺部X射线光片进行多角度旋转，并输入到深度学习神经网络内；通过深度学习神经网络内设置的损失函数对输入的肺部X射线光片进行判断；训练过程中，依据判断结果与初始标记进行比对后对损失函数进行优化，得到优化后的深度学习神经网络；将新的肺部X射线光片输入到优化后的深度学习神经网络，对新输入的肺部X射线光片中显示的病灶进行定位；特点是可高效准确的对病灶定位，减少医生的判断时间，辅助医生决策，提高工作效率。

【技术实现步骤摘要】
一种基于弱监督学习的X光肺部疾病自动定位方法
本专利技术具体涉及一种基于弱监督学习的X光肺部疾病自动定位方法。
技术介绍
呼吸系统由呼吸道（鼻、咽、喉、气管和各级支气管）和肺泡组成。肺脏是呼吸系统的主要器官，即将新的空气吸入肺部，并将完成新陈代谢后的二氧化碳排出。肺部疾病属于呼吸系统疾病，是肺脏本身的疾病或全身性疾病的肺部表现。这种气体交换称呼吸。肺部X射线作为肺部疾病检查的必备项目，在各类肺部疾病的筛选和诊断中发挥着重要作用。作为一个完整的诊断流程，对肺部疾病的识别和判断只是其中一个步骤。另外一个重要的工作是，在原始的X光片上定位出病灶出现的位置。而随着计算机技术和深度学习技术的不断发展，在肺部疾病的识别方面采用计算机视觉辅助诊断成为发展趋势。通过人工进行大量的X光片检阅时医师会出现疲劳现象，因此借助计算机进行X光片进行初步检查成为必要的研究方向。尤其在深度学习领域，如果要完成此部分工作，需要大量具有像素级别的肺部X射线图像标签。然而，由于对医学图像进行像素级别的标记需要大量专业人士的时间和精力，此项工作进展缓慢。为了解决上述问题，本专利技术本文档来自技高网...

【技术保护点】
1.一种基于弱监督学习的X光肺部疾病自动定位方法，其特征包括以下步骤：/n步骤1、收集多份肺部X射线光片，对收集的多份肺部X射线光片进行初始标记，并整理成训练集；/n步骤 2、对训练集进行预处理将肺部X射线光片的像素值进行归一化处理；/n步骤 3、构建基于类激活图和带有自监督注意力模块的深度学习神经网络，将经过步骤2处理的每份肺部X射线光片进行多角度旋转，并将处理后的训练集输入到深度学习神经网络内；/n步骤 4、通过深度学习神经网络内设置的损失函数对输入的肺部X射线光片进行判断；/n步骤 5、训练过程中，依据步骤4的判断结果与初始标记进行比对后对损失函数进行优化，得到优化后的深度学习神经网络；...

【技术特征摘要】
1.一种基于弱监督学习的X光肺部疾病自动定位方法，其特征包括以下步骤：
步骤1、收集多份肺部X射线光片，对收集的多份肺部X射线光片进行初始标记，并整理成训练集；
步骤2、对训练集进行预处理将肺部X射线光片的像素值进行归一化处理；
步骤3、构建基于类激活图和带有自监督注意力模块的深度学习神经网络，将经过步骤2处理的每份肺部X射线光片进行多角度旋转，并将处理后的训练集输入到深度学习神经网络内；
步骤4、通过深度学习神经网络内设置的损失函数对输入的肺部X射线光片进行判断；
步骤5、训练过程中，依据步骤4的判断结果与初始标记进行比对后对损失函数进行优化，得到优化后的深度学习神经网络；
步骤6、将新的肺部X射线光片输入到经步骤5优化后的深度学习神经网络，对新输入的肺部X射线光片中显示的病灶进行定位。


2.如权利要求1所述的一种基于弱监督学习的X光肺部疾病自动定位方法，其特征在于，步骤1中...

【专利技术属性】
技术研发人员：李劲鹏，王杰，蔡挺，
申请(专利权)人：中国科学院大学宁波华美医院，
类型：发明
国别省市：浙江;33