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，本专利技术提出一种弱监督学习的肺部疾病自动检测定位方法。
技术实现思路
本专利技术所要解决的技术问题是：提供一种可提高医生工作效率、提高X光片检阅精准度的基于弱监督学习的X光肺部疾病自动定位方法。本专利技术解决上述技术问题所采用的技术方案为：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：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中对收集的多份肺部X射线光片进行初始标记为通过人工核对肺部X射线光片的病例进行有无患病标记，并记录患病类型。3.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，采用min-max归一化处理方法对步骤2中对肺部X射线光片的像素值进行归一化处理。采用min-max归一化处理方法，也称为离差标准化，即对原始数据的线性变换，使结果值映射到[0,1]之间。其中样本数据中的最大值为1，最小值为0，其他值进行相应的缩放处理。4.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3中对肺部X射线光片进行多角度旋转变换，旋转变换包括顺时针旋转90度、180度和270度。5.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4中的损失函数包括：分类损失函数和相似度损失函数，分类损失函数采用多分类的经典损失函数Multi-labelsoftmarginloss；相似度函数为：，其中F代表整个网络计算，A表示输入图像的仿射变换,I表示X射线光片,j表示不同的变换操作。与现有技术相比，本专利技术的优点是CAM)技术在弱标签下对自然图像仍具有良好的定位性能，它可以根据图像标签定位出图像中的关键区域。本专利技术采用此技术用于定位肺部X光片的病灶，依据肺部X射线光片可高效准确的实现病灶的定位。此外，本专利技术在CAM方法的基础上加入自监督注意力模块，以此增强网络对特征的学习能力，从而增强网络对病灶的定位功能。作为计算机辅助系统，此项专利技术能够减少医生的判断时间，辅助医生决策，提高工作效率。附图说明图1是本专利技术的流程框图；图2是本专利技术的深度学习神经网络处理流程示意图。具体实施方式以下结合附图实施例对本专利技术作进一步详细描述。一种基于弱监督学习的X光肺部疾病自动定位方法，通过对肺部X光片的图像分析，判断是否有肺部疾病并且标记处病灶的位置。作为计算机辅助系统，此项专利技术能够减少医生的判断时间，辅助医生决策，提高工作效率。如图1所示，本专利技术提出的肺部疾病检测定位系统主要包括以下6个步骤。步骤1：收集5000张肺部X射线光片，并根据电子病历对这些光片进行疾病标注工作。具体包括：对每一张肺部X射线光片进行标记，标记该光片是否患病；如若患病，写明肺部疾病类型。最后统一整理，将这5000张X射线光片制成深度学习可用的数据集。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，对于深度学习算法，数据集的质量和数量是模型泛化能力的重要因素之一。预处理工作主要包含三个方面：样本均衡和归一化等操作。在医学图像样本中，样本不均衡问题尤其突出。由于各种疾病的发生率不一样，有些疾病可能只有几例样本。这样不均衡的数据不利于模型的训练。为了解决这个问题，本专利技术通过采样和数据增强来扩充训练样本的数量。其中过采样的具体方法是：先对数据进行聚类，然后对聚类后的类别样本数据少的类别进行过采样处理。数据增强技术是指：对每一个训练样本，通过沿着水平或者垂直方向翻转变换获得新的样本；对样本进行缩放处理从而获取新样本。此外，由于拍摄X光片的机器不同，样本中的图片也会存在亮度值或噪声值不同统一的情况。为了尽量减小因此带来的误差，在输入模型之前，还需要对图片的像素值进行归一化处理。具体采用min-max归一化处理方法，也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0,1]之间。其中样本数据中的最大值为1，最小值为0，其他值进行相应的缩放处理。步骤3：构建基于类激活图（CAM）和带有自监督注意力模块的深度学习神经网络。如图2所示，本深度学习神经网络主要包含3个部分：X光片仿射变换模块，CAM模块和损失函数模块。CAM模块是基于GAP(Globalaveragepooling)技术构成的，即将分类网络中后部分的全连接层用1*1的卷积层替代。一方面保留了特征图的空间信息，一方面也可以完成分类任务。本专利技术中我们要完成15种肺部疾病分类（注：肺部正常也属于一类），所以采用15个1*1的卷积核改变通道数。接着使用GAP操作输出每个通道feature-map的平均值，之后再接一个softmax层用于分类。该层的所有参数作为权重w，对前方的GAP得到的feature-map做加权总和得到最后的输出，即CAM输出。此时CAM的输出尺寸和feature-map大小一致，故需要通过上采样方式还原叠加到原图中。这样既保证了类激活图的大小和原图一致，完成X光片病灶检测和定位任务。自监督注意力模块由X光片仿射变换模块和损本文档来自技高网...

【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；/n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。/n

【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