一种基于深度卷积神经网络的图像识别方法、设备技术

本发明专利技术涉及医疗技术领域，尤其是涉及一种基于深度卷积神经网络的图像识别方法、设备，该方法包括：对胸部的X光片进行预处理，得到符合格式要求的X光片初始图像；对X光片初始图像进行筛查，检测是否为胸部正位图像；将胸部正位图像输入至深度卷积神经网络的二分类模型中进行阴阳性分类；将阳性结果的图像输入至深度卷积神经网络的检测模型中检测疾病类型并对图像中的病灶区域进行轮廓标注；显示图像对应的疾病类型和病灶区域。本发明专利技术实施例提供的基于深度卷积神经网络的图像识别方法既能筛查X光胸片的阴阳性，也能定位出病灶区域，同时能标出病灶区域的疾病种类或者征象，给医生提供更具有可解释性的参考意见。供更具有可解释性的参考意见。供更具有可解释性的参考意见。

【技术实现步骤摘要】
一种基于深度卷积神经网络的图像识别方法、设备


[0001]本专利技术涉及医疗
，尤其是涉及一种基于深度卷积神经网络的图像识别方法、设备。

技术介绍

[0002]胸部X光片是常见的检查或诊断胸部疾病的工具。在三甲医院中，日均产生的X光片数量非常大，一方面，阅片医生在长时间的阅片过程中会逐渐累积疲劳度，进而可能会出现诊断错误的情况；另一方面，在城镇小医院中，日均拍片量虽然不多，但阅片医生的经验不足，也可能出现诊断错误的情况。这就亟需一种可以帮医生减少误诊或提供诊断信息的辅助诊断工具。
[0003]随着深度学习的发展，越来越多的深度卷积神经网络算法技术被应用到了医学图像中，AI智能辅助诊断系统应运而生。
[0004]现有的大多数AI智能辅助诊断方法，大多数是利用国际公开的数据集(如ChestXray14)，或者从医院收集的带报告数据，经过自然语言处理从报告中获取片级的疾病标签，然后训练一个多标签分类网络模型或多个单疾病分类模型，然后对胸部X光片进行预测，采用类激活映射(或加权梯度类激活映射)的方法，将深度卷积神经网络模型学到的疾病特征信息转化成热力图的形式，在热力图上可以看到疾病大致的病灶区域在哪里，以此来更进一步地辅助医生诊断。
[0005]首先，国际公开数据集的片子质量参差不齐，存在过度曝光、位置不正、成像不好等质量差的片子；此外，国际公开数据集或医院收集的数据，这些数据集的标签绝大部分是从诊断报告中提取的，提取的方法不能保证标签百分百正确；用这种数据训练出来的深度卷积神经网络会严重偏离实际医生诊断的结果。
[0006]其次，上述方式的预测结果或者是一个2分结果，或者只能标出可疑病灶区域，却没有该可疑病灶区域对应的疾病种类或者征象，或者只能提示可疑病种，却无法给出相应的病灶区域，即现有技术基本上都是基于整片的疾病分类，并没有具体定位到疾病所在的位置，即使采用类激活映射技术实现弱监督语义分割能力，但得到的病灶区域信息往往不够准确，假阳很高。
[0007]临床医生由于需要准确地将疾病的具体位置写在诊断报告中，所以现有的技术方法与临床诊断的情况不相符，很难在协助医生诊断方面上提供有效的帮助。

技术实现思路

[0008]针对上述技术问题，本专利技术实施例提供了一种基于深度卷积神经网络的图像识别方法、设备，以解决传统算法给出的AI智能辅助诊断方法无法给出病灶区域对应的疾病种类，可解释性不强的技术问题。
[0009]本专利技术实施例在第一方面提供一种基于深度卷积神经网络的图像识别方法，其特征在于，包括：对胸部的X光片进行预处理，得到符合格式要求的X光片初始图像；对所述X光
片初始图像进行筛查，检测所述X光片初始图像是否为胸部正位图像；将所述胸部正位图像输入至深度卷积神经网络的二分类模型中进行阴阳性分类；将阳性结果的所述胸部正位图像输入至深度卷积神经网络的检测模型中检测所述胸部正位图像的疾病类型并对所述胸部正位图像中的病灶区域进行轮廓标注；显示所述胸部正位图像对应的所述疾病类型和所述病灶区域。
[0010]可选地，所述对胸部X光片进行预处理，得到符合格式要求的X光片初始图像包括：将所述胸部X光片所有的像素值映射到正态分布上，得到窗宽和窗位；将所述窗宽区间外的噪音像素点去除，并将去除后的所述像素映射到0
‑
255的区间范围，得到X光片初始图像。
[0011]可选地，所述对所述X光片初始图像进行筛查，具体为：将所述X光片初始图像输入至胸部正位筛查模型中进行筛查，所述胸部正位筛查模型包括：Resnet
‑
34特征提取网络和2个全连接神经网络，所述Resnet
‑
34特征提取网络用于对所述X光片初始图像进行胸部特征提取；第一全连接神经网络用于判断所述胸部特征是否为胸部正位；第二全连接神经网络用于确认所述胸部特征的光度学解释。
[0012]可选地，在将所述胸部正位图像输入至深度卷积神经网络的二分类模型中之前，所述方法还包括：如果所述胸部特征的光度学解释为灰度范围从亮到暗地上升像素值，则将所述X光片初始图像的像素进行处理以得到光度学解释为灰度范围从暗到亮地上升像素值。
[0013]可选地，所述深度卷积神经网络的二分类模型用于对所述X光片初始图像进行胸部特征提取，并对提取的所述胸部特征进行阴阳性分类。
[0014]可选地，所述深度卷积神经网络的检测模型包括：特征提取网络、特征融合网络、区域生成网络、定性器、定位器和分割器，所述特征提取网络的输出为所述特征融合网络的输入；所述特征融合网络的输出为所述区域生成网络的输入；所述区域生成网络的输出为所述定性器的输入，所述定性器用于检测所述所述胸部正位图像的疾病类型；所述区域生成网络输出为所述定位器的输入，所述定位器用于对所述病灶区域定位；所述定位器输入为所述分割器的输出，所述分割器用于对所述病灶区域的轮廓进行标注。
[0015]可选地，所述方法还包括：在所述深度卷积神经网络的二分类模型中的分类结果为阳性，但是所述深度卷积神经网络的检测模型输出的疾病置信度都小于设定阈值时，所述深度卷积神经网络的检测模型强制输出最大置信度对应的所述病灶区的轮廓以及疾病类型。
[0016]可选地，所述方法还包括：在胸部疾病报告中可视化的显示所述病灶区域以及所述病灶区域对应的所述疾病类型。
[0017]可选地，所述深度卷积神经网络的二分类模型和所述深度卷积神经网络的检测模型的训练集均来自于影像归档和通信系统。
[0018]本专利技术实施例在第二方面提供一种图像识别设备，所述图像识别设备包括：存储器、处理器，通信总线以及存储在所述存储器上的图像识别程序，所述通信总线用于实现处理器与存储器间的通信连接；所述处理器用于执行所述图像识别程序，以实现上述图像识别方法的步骤。
[0019]本专利技术实施例提供的基于深度卷积神经网络的图像识别方法和系统既能筛查X光胸片的阴阳性，也能定位出病灶区域，同时能标出病灶区域的疾病种类或者征象，从而给医
生提供更具有可解释性的参考意见，以提升医生出报告的效率和减少工作量。
附图说明
[0020]一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
[0021]图1为本专利技术实施例的一种基于深度卷积神经网络的图像识别方法的流程示意图；
[0022]图2是本专利技术实施例提供的胸部正位筛查模型的结构框架图；
[0023]图3是本专利技术实施例提供的基于深度卷积神经网络的胸部正位筛查过程示意图；
[0024]图4是本专利技术实施例提供的深度卷积神经网络的二分类模型的结构框架图；
[0025]图5是本专利技术实施例提供的深度卷积神经网络的检测模型的结构框图；
[0026]图6是本专利技术实施例提供的一种图像识别设备的结构示意图。
具体实施方式
[0027]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经网络的图像识别方法，其特征在于，包括如下步骤：对胸部的X光片进行预处理，得到符合格式要求的X光片初始图像；对所述X光片初始图像进行筛查，检测所述X光片初始图像是否为胸部正位图像；将所述胸部正位图像输入至深度卷积神经网络的二分类模型中进行阴阳性分类；将阳性结果的所述胸部正位图像输入至深度卷积神经网络的检测模型中检测所述胸部正位图像的疾病类型，并对所述胸部正位图像中的病灶区域进行轮廓标注；显示所述胸部正位图像对应的所述疾病类型和所述病灶区域。2.根据权利要求1所述的方法，其特征在于，所述对胸部X光片进行预处理，得到符合格式要求的X光片初始图像包括：将所述胸部X光片所有的像素值映射到正态分布上，得到窗宽和窗位；将所述窗宽区间外的噪音像素点去除，并将去除后的所述像素映射到0
‑
255的区间范围，得到X光片初始图像。3.根据权利要求2所述的方法，其特征在于，所述对所述X光片初始图像进行筛查，具体为：将所述X光片初始图像输入至胸部正位筛查模型中进行筛查，所述胸部正位筛查模型包括：Resnet
‑
34特征提取网络和2个全连接神经网络，所述Resnet
‑
34特征提取网络用于对所述X光片初始图像进行胸部特征提取；第一全连接神经网络用于判断所述胸部特征是否为胸部正位；第二全连接神经网络用于确认所述胸部特征的光度学解释。4.根据权利要求3所述的方法，其特征在于，在将所述胸部正位图像输入至深度卷积神经网络的二分类模型中之前，所述方法还包括：如果所述胸部特征的光度学解释为灰度范围从亮到暗地上升像素值，则将所述X光片初始图像的像素进行处理以得到光度学解释为灰度范围从暗到亮地上升...

【专利技术属性】
技术研发人员：陈浩，肖永杰，林黄靖，王春永，
申请(专利权)人：深圳视见医疗科技有限公司，
类型：发明
国别省市：