一种基于深度学习的脑出血检测系统技术方案

本发明专利技术公开了一种基于深度学习的脑出血检测系统，包括如下模块：原始数据集构建模块、预处理模块、标注模块、Mask‑RCNN网络模块、模型训练模块和脑出血检测模块，本发明专利技术结合深度学习算法、采用Resnet50和FPN网络相结合的方式对特征值进行提取，能够实现对图片中脑出血的定位与分割功能，而且测试结果的准确性较高，对基于深度学习的脑出血检测的实现产生了重要影响，从而可以降低了人工检测的工作量。

【技术实现步骤摘要】
一种基于深度学习的脑出血检测系统
本专利技术涉及计算机视觉图像处理领域，特别是涉及一种基于深度学习的脑出血检测系统。
技术介绍
脑出血(cerebralhemorrhage)是指非外伤性脑实质内血管破裂引起的出血，占全部脑卒中的20％～30％，急性期病死率为30％～40％。发生的原因主要与脑血管的病变有关，即与高血脂、糖尿病、高血压、血管的老化、吸烟等密切相关。若能较早的发现脑出血，就可以对病人提早进行治疗，从而增大治愈的机会。CT扫描是一种特异性较高、快捷以及无创的诊断手段，在脑出血的临床诊断中占有重要地位，CT检查可作为临床诊断首选。深度学习的概念于2006年由Hinton等人提出，其作为机器学习的一个分支，由于它善于发现高维数据的复杂结构，使用泛化目标的学习过程可以自动学习好的特征，所以近年来发展十分迅速。相较于人工设计特征的方法，卷积神经网络的适用范围更广，对图像的特征提取更加深刻全面。国内知名学者也曾表明深度学习将取代人工特征加机器学习的方法而逐渐成为主流图像识别方法。所以将深度学习应用到脑出血检测也越来越成为了国内外在该领域的重点研究方向。本专利技术以脑出血为例，通过修改Mask_RCNN算法，能够实现对同一张图片脑出血部位进行定位及检测，为实现智能医疗提供了良好的前提条件。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于深度学习的脑出血检测系统，解决的技术问题是：传统的方式即医生观看脑CT图来判断是否有脑出血状况的现状极大的浪费了人力及物力资源，因为业内迫切需要更加高效且准确的方式判断是否发生脑出血病症，因此，在基于当前深度学习技术环境背景下，本专利技术提出了一种基于深度学习的脑出血检测系统，能够既高效又能够判断准确的脑出血CT定位及检测。本专利技术提供一种基于深度学习的脑出血检测系统，包括如下模块：原始数据集构建模块：用以构建原始数据集，所述原始数据集包括：测试集和训练集；预处理模块：用以对训练集中的图片进行预处理；标注模块：用以对经过预处理之后的图片进行标注，标注图片中脑部出血点，将标注后的图片构成脑出血CT数据集；Mask-RCNN网络模块：用以作为模型训练模块的输入；模型训练模块：用以将脑出血CT数据集输入Mask-RCNN网络模块进行迭代训练，直到损失函数收敛或者达到迭代次数时，保存模型，得到最终的Mask-RCNN网络模块；脑出血检测模块：用以通过最终的Mask-RCNN网络模块对测试集中的图片进行测试，输出图片中脑出血点的BoundingBox，完成对脑出血点的检测。进一步的，在所述原始数据集构建模块中，从医院或者医疗公司获取脑部CT图片形成初始数据集，对初始数据集中的脑部CT图片进行筛选，筛选出适合训练的脑部CT图片构建原始数据集。进一步的，所述标注模块通过labelme标注工具对图片使用BoundingBox进行标注，标注出图片中脑部出血点，标注完成后，将jpg格式的图片转为json格式的文件，再将json格式的文件转为yaml文件；最后将yaml文件、label文件夹以及初始数据集中的图片存放在一个文件夹中，形成最终的训练集。进一步的，所述Mask-RCNN网络模块包括：主干网络模块，区域生成网络模块、RoIAlign模块以及损失函数模块，所述主干网络模块为resnet50网络。进一步的，当迭代次数不足1000次时，每迭代100次，所述模型训练模块保存一次自动生成的权重文件，当迭代次数超过1000次时，则每迭代10000次，所述模型训练模块保存一次自动生成的权重文件。本专利技术的有益效果是：1、本专利技术只需要拍摄脑出血CT图片即可对图中脑出血部位实现精准定位。2、本专利技术专利技术创造性地采用了深度学习的模型，并将其应用在人工智能医疗定位领域，经过Mask_RCNN算法训练从而提取脑出血的特征，实现对脑出血部位的精准定位，并且本专利技术测试结果具有较高的准确性和鲁棒性。附图说明图1为本专利技术实施例1中Mask-RCNN网络模块的结构图。图2为本专利技术实施例2提供的基于深度学习的脑出血检测方法的流程图。图3为本专利技术实施例1中测试集中的脑出血图片。图4为本专利技术实施例1中经过测试实现脑出血定位的效果图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例1参见图1、图3和图4，本实施例1提供了一种基于深度学习的脑出血检测系统，包括如下模块：原始数据集构建模块：用以构建原始数据集，原始数据集包括：测试集和训练集；具体的说，在原始数据集构建模块中，从医院或者医疗公司获取脑部CT图片形成初始数据集，初始数据集进行筛选得到原始数据集，更具体的说，从医院或者医疗公司获取脑部CT图片形成初始数据集，对初始数据集中的脑部CT图片进行筛选，筛选出适合训练的脑部CT图片构建原始数据集。预处理模块：用以对训练集中的图片进行预处理；在本实施例中，预处理的操作具体为利用数字图像处理相关技术对图片进行归一化处理。标注模块：用以对经过预处理之后的图片进行标注，标注图片中脑部出血点，将标注后的图片构成脑出血CT数据集；具体的说，标注模块通过labelme标注工具对图片使用BoundingBox进行标注，标注出图片中脑部出血点，标注完成后，将jpg格式的图片转为json格式的文件，再将json格式的文件转为yaml文件；最后将yaml文件、label文件夹以及初始数据集中的图片存放在一个文件夹中，形成最终的训练集。Mask-RCNN网络模块：用以作为模型训练模块的输入；具体的说，Mask-RCNN网络模块包括：主干网络模块，区域生成网络模块、RoIAlign模块以及损失函数模块，本实施例，对现有的Mask-RCNN网络模型修改，修改了特征提取骨干网络，将resnet101改进为resnet50，并且由于训练数据只需要单一的mask区域，所以同时修改了训练的类别参数，又设置的在特征提取网络结构上通过减少网络层数的方式,剔除在特征提取中产生的冗余特征信息,提高算法运行速度，提高了模型的泛化能力。更具体的说：1、主干网络模块(Backbone)Mask_RCNN算法的骨架网络是由ResNet101网络和FPN网络(特征金字塔网络)组成。ResNet101网络用来提取图像的featuremaps。ResNet(深度残差网络)实际上就是为了能够训练更加深层的网络提供了有利的思路，ResNet使用了跨层连接，使得训练更加容易。ResNet网络试图让一个block的输出为f(x)+x，其中的f(x)为残差，本文档来自技高网...

【技术保护点】
1.一种基于深度学习的脑出血检测系统，其特征在于，包括如下模块：/n原始数据集构建模块：用以构建原始数据集，所述原始数据集包括：测试集和训练集；/n预处理模块：用以对训练集中的图片进行预处理；/n标注模块：用以对经过预处理之后的图片进行标注，标注图片中脑部出血点，将标注后的图片构成脑出血CT数据集；/nMask-RCNN网络模块：用以作为模型训练模块的输入；/n模型训练模块：用以将脑出血CT数据集输入Mask-RCNN网络模块进行迭代训练，直到损失函数收敛或者达到迭代次数时，保存模型，得到最终的Mask-RCNN网络模块；/n脑出血检测模块：用以通过最终的Mask-RCNN网络模块对测试集中的图片进行测试，输出图片中脑出血点的Bounding Box，完成对脑出血点的检测。/n

【技术特征摘要】
1.一种基于深度学习的脑出血检测系统，其特征在于，包括如下模块：
原始数据集构建模块：用以构建原始数据集，所述原始数据集包括：测试集和训练集；
预处理模块：用以对训练集中的图片进行预处理；
标注模块：用以对经过预处理之后的图片进行标注，标注图片中脑部出血点，将标注后的图片构成脑出血CT数据集；
Mask-RCNN网络模块：用以作为模型训练模块的输入；
模型训练模块：用以将脑出血CT数据集输入Mask-RCNN网络模块进行迭代训练，直到损失函数收敛或者达到迭代次数时，保存模型，得到最终的Mask-RCNN网络模块；
脑出血检测模块：用以通过最终的Mask-RCNN网络模块对测试集中的图片进行测试，输出图片中脑出血点的BoundingBox，完成对脑出血点的检测。


2.根据权利要求1所述一种基于深度学习的脑出血检测系统，其特征在于，在所述原始数据集构建模块中，从医院或者医疗公司获取脑部CT图片形成初始数据集，对初始数据集中的脑部CT图片进行筛选，筛选出适合训练的脑...

【专利技术属性】
技术研发人员：冯玄，谢世朋，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32