一种基于深度学习的胸部DR图像识别方法技术

本发明专利技术提供了一种基于深度学习的胸部DR图像识别方法，主要包括：DICOM图像数据矫正处理以及异物检测。其中DICOM图像数据矫正处理以适应不同机型、不同拍摄参数和图像质量的DR影像；异物检测环节设计了适用于不同大小异物检出的目标检测网络，对矫正处理后的DICOM图像进行计算，以得到异物所在的区域及类别。本发明专利技术采用深度神经网络，自动从图像中提取多尺度的特征用于异物的检测，避免了手动从图像中提取特定的特征，从而使本算法不依赖待检测异物的图形学特征，极大的增加了本算法的适应性，而图像矫正处理阶段有效的降低了不同设备生成的不同质量的DR影像对检测结果的影像，增大了本算法的适用范围。大了本算法的适用范围。大了本算法的适用范围。

【技术实现步骤摘要】
一种基于深度学习的胸部DR图像识别方法


[0001]本专利技术涉及图像识别领域，具体涉及一种基于深度学习的胸部DR图像识别方法及装置等。

技术介绍

[0002]胸部X线检查是诊断肺部和心脏疾病的的关键技术，是体检筛查肺部疾病的主要手段，如肺炎、肿块结节、气胸、肋骨骨折、心影增大等等。数字化X线摄影DR(Digital Radiography)是在X线成像系统的基础上，利用计算机数字化处理，使模拟视频信号经过采样、模/数转换后直接进入计算机中进行存储、分析和保存。DR影像具有较高的分辨率，图像锐利度好，细节显示清楚。但是，在拍摄DR影像的过程中，由于种种原因，一些异物如纽扣、拉链、项链等也被拍摄到DR影像中。这些异物通常会对医生的阅片造成干扰——大的异物可能会遮挡住病灶，从而增加漏诊的概率；小的异物如小纽扣等会被误认为是肿块结节等，从而增加误诊的概率。因此，在胸部DR影像上，异物的检测定位能提醒阅片医生，降低甚至避免异物对阅片的干扰。
[0003]目前胸部DR影像上的异物检测算法可以分为两大类：(1)传统的图形学处理方法。这类方法采用图形学中的边缘检测算法对DR影像进行处理，提取图像中物体的边缘，然后采用霍夫变换(Hough Transform)来检测识别图像中出现的各种几何形状，如圆形和椭圆等等。这类异物检测方法十分依赖待检测异物的形状特征，如纽扣的圆形特征等，对于其他不规则形状异物的检测效果往往不尽人意。(2)经典的机器学习方法。这类方法先采用传统方法手动从图像中逐像素的提取特征，然后再使用机器学习学习中的分类算法如邻近算法kNN、支持向量机SVM等对每个像素点处的特征进行分类，来决定该像素点是否属于异物物体。这类异物检测方法往往十分依赖传统特征提取方法的选取以及异物的图形学特征，对于各式各样的异物不具有普适性。

技术实现思路

[0004]针对以上问题，本专利技术提出了一种基于深度学习的胸部DR图像识别方法及装置，来更好的定位DR影像中的异物。
[0005]本专利技术提供了一种基于深度学习的胸部DR图像识别方法，包括：
[0006]1)DICOM图像数据矫正处理，所述矫正处理为将DR图像的灰度值统一化；
[0007]2)异物检测，搭建适用于不同大小异物检出的目标检测网络，对矫正后的DICOM图像进行计算，以得到异物所在的区域及类别。
[0008]在一些实施方式中，所述灰度值统一化方法为：将DR影像的灰度值截断在以窗位为中心，以窗宽为长度的区间里，线性的将窗口区间映射到目标区间；
[0009]在一些具体的实施方式中，所述目标区间为[0，255]。
[0010]在一些实施方式中，对于缺失窗宽或窗位信息的DICOM，直接对其图像的灰度值进行线性映射，将灰度值的最小和最大值分别映射到目标区间的最小和最大值。
[0011]在一些实施方式中，所述DICOM图像数据矫正处理还包括对DR影像进行尺寸标准化处理。
[0012]在一些实施方式中，所述标准化预处理为将图像保持宽高比按较小边缩放到600
‑
800(优选800)，如果其较大边超过1333，保持宽高比按较大边缩放到1333。
[0013]在一些实施方式中，所述目标检测网络为Faster
‑
RCNN目标检测网络。
[0014]在一些优选的实施方式中，为使Faster
‑
RCNN网络更好适应异物检测，进行如下操作：统计DR影像中异物的尺寸，据此重设anchor大小和宽高比；在候选区域和RoI区域的回归中，采用结合smooth
‑
L1损失和giou损失的方式替代传统smooth
‑
L1损失，使预测框更贴合待检测的异物。
[0015]本专利技术还提供一种基于深度学习的胸部DR图像识别系统，其特征在于，包括如下模块：
[0016]1)DICOM图像数据矫正模块；
[0017]2)异物检测模块；
[0018]所述图像矫正模块将DR图像的灰度值统一化，具体执行为将DR影像的灰度值截断在以窗位为中心，以窗宽为长度的区间里，线性的将窗口区间映射到目标区间；
[0019]在一些优选的实施方式中，对于缺失窗宽或窗位信息的DICOM，直接对其图像的灰度值进行线性映射，将灰度值的最小和最大值分别映射到目标区间的最小和最大值；
[0020]所述异物检测模块搭建适用于不同大小异物检出的目标检测网络，对矫正后的DICOM图像进行计算，以得到异物所在的区域及类别。
[0021]在一些实施方式中，所述目标检测网络为Faster
‑
RCNN目标检测网络。
[0022]在一些优选的实施方式中，为使Faster
‑
RCNN网络更好适应异物检测，进行如下操作：统计DR影像中异物的尺寸，据此重设anchor大小和宽高比；在候选区域和RoI区域的回归中，采用结合smooth
‑
L1损失和giou损失的方式替代传统smooth
‑
L1损失，使预测框更贴合待检测的异物。
[0023]本专利技术提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现所述的方法。
[0024]本专利技术提供了一种基于深度学习的胸部DR图像识别装置，包括：至少一个存储器，用于存储程序；至少一个处理器，用于加载所述程序以执行所述的方法。
[0025]本专利技术的有益技术效果：
[0026]1)本专利技术采用深度神经网络，自动从图像中提取多尺度的特征用于异物的检测，避免了手动从图像中提取特定的特征，从而使本算法不依赖待检测异物的图形学特征，极大的增加了本算法的适应性。
[0027]3)图像矫正处理阶段有效的降低了不同设备生成的不同质量的DR影像对检测结果的影像，增大了本算法的适用范围。
附图说明
[0028]图1.算法流程图
[0029]图2.网络结构示意图
[0030]图3.特征金字塔FPN示意图
[0031]图4.检测效果图
[0032]图5.检测效果图
[0033]图6.检测效果图
具体实施方式
[0034]下面将结合附图对本专利技术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。
[0035]以下术语或定义仅仅是为了帮助理解本专利技术而提供。这些定义不应被理解为具有小于本领域技术人员所理解的范围。
[0036]除非在下文中另有定义，本专利技术具体实施方式中所用的所有技术术语和科学术语的含义意图与本领域技术人员通常所理解的相同。虽然相信以下术语对于本领域技术人员很好理解，但仍然阐述以下定义以更好地解释本专利技术。
[0037]如本专利技术中所使用，术语“包括”、“包含”、“具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的胸部DR图像识别方法，其特征在于，包括：1)DICOM图像数据矫正处理，所述矫正处理为将DR图像的灰度值统一化；2)异物检测，搭建适用于不同大小异物检出的目标检测网络，对矫正后的DICOM图像进行计算，以得到异物所在的区域及类别。2.如权利要求1所述的图像识别方法，其特征在于，所述灰度值统一化方法为：将DR影像的灰度值截断在以窗位为中心，以窗宽为长度的区间里，线性的将窗口区间映射到目标区间；优选的，所述目标区间为[0，255]。3.如权利要求2所述的图像识别方法，其特征在于，对于缺失窗宽或窗位信息的DICOM，直接对其图像的灰度值进行线性映射，将灰度值的最小和最大值分别映射到目标区间的最小和最大值。4.如权利要求1
‑
3任一权利要求所述的图像识别方法，其特征在于，还包括对DR影像进行尺寸标准化处理。5.如权利要求4所述的图像识别方法，其特征在于，所述标准化预处理为将图像保持宽高比按较小边缩放到600
‑
800(优选800)，如果其较大边超过1333，保持宽高比按较大边缩放到1333。6.如权利要求1
‑
5任一所述的图像识别方法，其特征在于，所述目标检测网络为Faster
‑
RCNN目标检测网络。7.如权利要求6所述的图像识别方法，其特征在于，为使Faster
‑<...

【专利技术属性】
技术研发人员：贾潇，王子腾，李铁成，王立威，胡阳，丁佳，吕晨翀，
申请(专利权)人：广西医准智能科技有限公司，
类型：发明
国别省市：