一种少样本胸部X-Ray图像的辅助检测方法技术

本发明专利技术提供了一种少样本胸部X

【技术实现步骤摘要】
一种少样本胸部X
‑
Ray图像的辅助检测方法


[0001]本专利技术涉及X
‑
Ray图像处理
，尤其涉及一种少样本胸部X
‑
Ray图 像的辅助检测方法。

技术介绍

[0002]X射线(X
‑
Ray)是一种波长极短、能量很大的电磁波。X射线具有穿透 性，但人体组织间有密度和厚度的差异，当X射线透过人体不同组织时，被吸 收的程度不同，经过显像处理后即可得到不同的影像。CXR(chest X
‑
Ray) 为一种胸部X射线。
[0003]深度学习中的注意力机制从本质上讲和人类的选择性视觉注意力机制类 似，核心目标是从众多信息中选择出对当前任务目标更关键的信息。迁移学 习是一种机器学习方法，指的是一个预训练的模型被重新用在另一个任务 中。
[0004]量子计算是一种遵循量子力学规律调控量子信息单元进行计算的新型计 算模式，量子神经网络：是基于量子力学原理的神经网络模型。
[0005]模型融合是综合考虑不同模型的情况，通过不同的融合方式融本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种少样本胸部X
‑
Ray图像的辅助检测方法，其特征在于，包括：采集胸部的CXR图像，通过自适应的X
‑
Ray图像降噪模块对所述CXR图像进行图像预处理，利用预处理后的X
‑
Ray图像组成训练集和验证集；构造基于迁移学习的量子卷积神经网络，利用所述训练集和验证集对基于迁移学习的量子卷积神经网络和分类网络模型进行迭代优化处理，将迭代优化处理后的分类网络模型与量子卷积神经网络进行融合，得到辅助检测网络模型；利用所述辅助检测网络模型对待诊断的胸部的CXR图像进行诊断，输出所述待诊断的胸部的CXR图像的诊断结果。2.根据权利要求1所述的方法，其特征在于，所述的采集胸部的CXR图像，通过自适应的X
‑
Ray图像降噪模块对所述CXR图像进行图像预处理，利用预处理后的X
‑
Ray图像组成训练集和验证集，包括：采集胸部的CXR图像，通过自适应的X
‑
Ray图像降噪模块提取所述X
‑
Ray图像中的噪声信息，对所述噪声信息进行膨胀操作，利用膨胀图像对胸部X
‑
Ray图像进行修复，去掉胸部X
‑
Ray图像中影响分类特征的无用信息，得到修复后的X
‑
Ray图像，针对修复后的X
‑
Ray图像，使用翻转、左右旋转和左右平移数据增强方法扩充X
‑
Ray图像数据集，将X
‑
Ray图像数据集划分为训练集、验证集和测试集。3.根据权利要求1所述的方法，其特征在于，所述的构造基于迁移学习的量子卷积神经网络，包括：由N个量子卷积层组成量子卷积块，所述量子卷积层由编码模块、随机量子电路模块和解码模块组成，通过迁移学习对神经网络特征进行提取，得到基于迁移学习的量子卷积神经网络，将基于迁移学习的量子卷积神经网络与量子卷积块相结合得到基于迁移学习的量子卷积神经网络，所述基于迁移学习的量子卷积神经网络包括分类网络的特征提取部分和量子卷积模块的分类器。4.根据权利要求1所述的方法，其特征在于，所述的利用所述训练集和验证集对基于迁移学习的分类网络模型进行迭代优化处理，包括：步骤4
‑
1：加载所述训练集中的X
‑
Ray图像，利用所述训练集中的X
‑
Ray图像预训练多个分类网络模型，所述分类网络模型包括resnet模型、densenet模型、alexnet模型和vgg模型；步骤4
‑
2：基于损失进行反向传播，使用交叉熵损失函数自动计算模型中参数的梯度值；步骤4
‑
3：利用所述模型中参数的梯度值，使用SGD随机梯度下降优化器对模型算法的可学习参数值进行更新操作，对SGD优化器做出改进，将特征提取部分与分类器部分分别设置不同的参数：LR＝0.001，卷积层lr＝LR*0.1，分类层lr＝LR；步骤4
‑
4：在模型达到超参数设定的轮数之前重复上述所有执行步骤。其中，epoch设定为30，batch size设定为16；步骤4
‑
5：使用验证集验证模型性能，进一步优化参数从而重复上面步骤，在达到设定的验证轮数后停止模型的训练过程，得到迭代优化处理后的基于迁移...

【专利技术属性】
技术研发人员：金一，杨皓，高雅君，梁腾飞，李浥东，冯松鹤，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：