一种基于深度学习的X射线图像检测方法及系统技术方案

本发明专利技术公开了一种基于深度学习的X射线图像检测方法及系统，将标注完成的X射线图像输入到基础网络中，通过基础网络对X射线图像进行若干卷积组件的操作，提取到图像五个尺度不同的特征图；通过RPN网络生成regionproposals，再经过softmax层判断anchors属于背景还是前景信息，再进行标定框的回归操作，修正anchors来获取精确的proposals；将五个尺度不同的特征图和一系列proposals输入进RoI Align层，得到尺寸相同的RoI；经过2个全连接层，分别实现proposals的分类和精确定位。本发明专利技术将多层网络信息进行融合，同时学习不同深度的图像特征，极大程度提高了检测的准确性。高了检测的准确性。高了检测的准确性。

【技术实现步骤摘要】
一种基于深度学习的X射线图像检测方法及系统


[0001]本专利技术属于图像处理
，具体涉及一种基于深度学习的X射线图像检测方法及系统。

技术介绍

[0002]现有的X射线图像检测方法，需要X射线图像具有非常高的分辨率和清晰度，很难在内容复杂、低质量的图像中进行检测，检测方法不具有很强的迁移性。
[0003]除此之外，现有的X射线图像检测方法大多依赖于后续的矫正，会带来沉重的计算代价，耗费很长的处理时间。传统的X射线图像检测方法，经常会出现不能正确区分前景和背景的问题，过于简单地使用形态学信息，难度大，泛化性能差，检测精度低。
[0004]综上，现有的X射线图像炎检测方法过于繁琐和低效，效率低，速度慢。

技术实现思路

[0005]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于深度学习的X射线图像检测方法及系统，能够快速、准确地区分出X射线图像，简化了识别流程。
[0006]本专利技术采用以下技术方案：
[0007]一种基于深度学习的X射线图像检测方法，包括以下步骤：
[0008]S1、在X射线图像中选取标注区域Ground Truth进行标注，将标注完成的X射线图像经过预处理成尺寸为M*N的图像，将尺寸为M*N的图像输入卷积残差网络中，输出得到五个尺寸的特征图；
[0009]S2、将步骤S1得到的五个尺寸特征图输入RPN网络中，生成若干anchors，将属于前景的anchors作为proposals输出，同时输出proposals的坐标；
[0010]S3、将步骤S2生成的若干proposals输入用于池化的RoI Align层，整合成相同尺寸的proposals；
[0011]S4、将步骤S1得到的五个尺寸的特征图和步骤S3得到的相同尺寸的proposals同步输入检测网络的两个全连接层，一个全连接层输出每个proposal的位置坐标，将得到的坐标定义的框作为检测对象的位置，另一个全连接层通过一个softmax层对proposal进行判断，将每个proposal输出的若干检测类别概率分数最高的类别作为proposal所属的类别，得到检测对象的位置和类别，实现X射线图像检测。
[0012]具体的，步骤S1中，将尺寸为M*N的图像输入卷积残差网络中，输出得到五个尺寸的特征图具体为：
[0013]S101、将尺寸为M*N的图像输入7*7*64的卷积层，然后经过最大池化层输入至stage1、stage2、stage3、stage4、stage5层，分别得到特征图C1、C2、C3、C4、C5；
[0014]S102、将特征图C5经过1*1*256的卷积层得到特征图P5，将特征图C4经过1*1*256的卷积层和P5经过上采样得到的特征图相加得到特征图P4，将特征图C3经过1*1*256的卷积层和P4经过上采样得到的特征图相加得到特征图P3，将特征图C2经过1*1*256的卷积层
和P3经过下采样得到的特征图相加得到特征图P2；
[0015]S103、将得到的特征图P2、P3、P4和P5分别通过3*3*256的卷积层到得P2
’
、P3
’
、P4
’
、P5
’
，P5
’
经过下采样得到P6
’
，将P2
’
、P3
’
、P4
’
、P5
’
和P6
’
作为经过残差网络得到的五个尺寸的特征图。
[0016]具体的，步骤S2具体为：
[0017]S201、在特征图上使用窗口进行滑动，每个位置最大的proposals个数为9个，三个不同的尺寸分别为128*128、256*256和512*512，以及1:2，1:1和2:1三个不同的比例作为anchors；
[0018]S202、将生成的anchors输入RPN网络的两个1*1的卷积层，一个1*1的卷积层输出anchors属于前景和属于背景的分数，另一个1*1的卷积层输出anchors框的位置坐标；
[0019]S203、将anchors进行坐标回归操作，实现位置修正，提取前N个经位置修正的代表前景的anchors映射回anchors所属的feature maps，实现边框回归操作，判断anchors的位置是否超过图像范围；再利用前景的分数对没有超出范围的anchors进行非极大值抑制，提取剩余前2000个anchors及其对应的坐标作为proposals的输出。
[0020]进一步的，步骤S201中，在特征图上用3*3的窗口进行滑动。
[0021]进一步的，步骤S202中，RPN网络的损失函数L(p
i
,t
i
)为：
[0022][0023]其中，N
cls
是mini
‑
batch的标准化，L
cls
是log损失函数，L
reg
是smoothL1损失函数，i代表一个anchor在mini
‑
batch中的索引值，p
i
代表预测的分数，为Ground Truth的标签，λ为用于加权的平衡参数，t
i
代表预测边框的坐标向量，代表anchor是positive时，Ground Truth的坐标，L
reg
只对positive的anchor有效，N
reg
是anchor的数量的标准化。
[0024]进一步的，步骤S203中，当anchors的位置超过图像的边界，剔除超出边界的anchors。
[0025]进一步的，步骤S203中，定义边框回归如下：
[0026][0027][0028][0029][0030]其中，x,y是框中心点的坐标，w,h代表框的宽和高度，x,y,x
a
,y
a
,x
*
,y
*
分别代表预测框、anchor和Ground Truth的中心点坐标，w,h,w
a
,h
a
,w
*
,h
*
分别代表预测框、anchor和Ground Truth的框的宽和高度。
[0031]具体的，步骤S3中，将RoI进行2*2的划分，得到4个框，每个框有四个采样点，利用
双线性插值算法从特征图的像素点上计算采样点的值，并通过最大值或者平均值法聚合结果，将聚合的结果作为框的像素值。
[0032]具体的，步骤S4中，定义目标分类和定位的损失函数L(p,u,t
u
,v)如下：
[0033]L(p,u,t
u
,v)＝L
cls
(p,u)+λ[u≥1]L
loc
(t
u
,v)
[0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X射线图像检测方法，其特征在于，包括以下步骤：S1、在X射线图像中选取标注区域Ground Truth进行标注，将标注完成的X射线图像经过预处理成尺寸为M*N的图像，将尺寸为M*N的图像输入卷积残差网络中，输出得到五个尺寸的特征图；S2、将步骤S1得到的五个尺寸特征图输入RPN网络中，生成若干anchors，将属于前景的anchors作为proposals输出，同时输出proposals的坐标；S3、将步骤S2生成的若干proposals输入用于池化的RoIAlign层，整合成相同尺寸的proposals；S4、将步骤S1得到的五个尺寸的特征图和步骤S3得到的相同尺寸的proposals同步输入检测网络的两个全连接层，一个全连接层输出每个proposal的位置坐标，将得到的坐标定义的框作为检测对象的位置，另一个全连接层通过一个softmax层对proposal进行判断，将每个proposal输出的若干检测类别概率分数最高的类别作为proposal所属的类别，得到检测对象的位置和类别，实现X射线图像检测。2.根据权利要求1所述的基于深度学习的X射线图像检测方法，其特征在于，步骤S1中，将尺寸为M*N的图像输入卷积残差网络中，输出得到五个尺寸的特征图具体为：S101、将尺寸为M*N的图像输入7*7*64的卷积层，然后经过最大池化层输入至stage1、stage2、stage3、stage4、stage5层，分别得到特征图C1、C2、C3、C4、C5；S102、将特征图C5经过1*1*256的卷积层得到特征图P5，将特征图C4经过1*1*256的卷积层和P5经过上采样得到的特征图相加得到特征图P4，将特征图C3经过1*1*256的卷积层和P4经过上采样得到的特征图相加得到特征图P3，将特征图C2经过1*1*256的卷积层和P3经过下采样得到的特征图相加得到特征图P2；S103、将得到的特征图P2、P3、P4和P5分别通过3*3*256的卷积层到得P2
’
、P3
’
、P4
’
、P5
’
，P5
’
经过下采样得到P6
’
，将P2
’
、P3
’
、P4
’
、P5
’
和P6
’
作为经过残差网络得到的五个尺寸的特征图。3.根据权利要求1所述的基于深度学习的X射线图像检测方法，其特征在于，步骤S2具体为：S201、在特征图上使用窗口进行滑动，每个位置最大的proposals个数为9个，三个不同的尺寸分别为128*128、256*256和512*512，以及1:2，1:1和2:1三个不同的比例作为anchors；S202、将生成的anchors输入RPN网络的两个1*1的卷积层，一个1*1的卷积层输出anchors属于前景和属于背景的分数，另一个1*1的卷积层输出anchors框的位置坐标；S203、将anchors进行坐标回归操作，实现位置修正，提取前N个经位置修正的代表前景的anchors映射回anchors所属的feature maps，实现边框回归操作，判断anchors的位置是否超过图像范围；再利用前景的分数对没有超出范围的anchors进行非极大值抑制，提取剩余前2000个anchors及其对应的坐标作为proposals的输出。4.根据权利要求3所述的基于深度学习的X射线图像检测方法，其特征在于，步骤S201中，在特征图上用3*3的窗口进行滑动。5.根据权利要求3所述的基于深度学习的X射线图像检测方法，其特征在于，步骤S202中，RPN网络的损失函数L(p
i
,t
i
)为：
其中，N
cls
...

【专利技术属性】
技术研发人员：辛景民，马楠，武佳懿，郑南宁，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：