【技术实现步骤摘要】
基于深度学习的宠物X光片姿态分类方法及装置和设备
[0001]本专利技术属于人工智能医疗、医学影像诊断领域,具体涉及一种基于深度学习的宠物X光片姿态分类方法及装置和设备。
技术介绍
[0002]DR(Digital Radiography)系统(其拍摄原理如图6所示)是一种直接数字化X射线的摄影系统,在普通放射线投影原理基础上,采用数字化感光板采集数据,通过计算机综合分析整理后成像。DR拍摄的X线数字图像的空间分辨率更高,动态范围更大,图像质量更高,是许多大型医院常用的检测装置。
[0003]宠物在拍摄DR影像时有正位和侧位两类姿态。正位是指宠物正面或背面对着放射线探头,呈现出正面和背面重叠出来的二维平面影像;侧位是指宠物右侧或左侧对着放射线探头,放射线从身体一侧穿透到另一侧所呈现出来的影像。
[0004]在基于深度学习的医疗诊断领域,通常采用卷积神经网络提取图像特征,然后对特征进行分类,进而预测图像的状态。
[0005]目前,在人的CT医疗领域,可使用卷积神经网络训练分类模型,分类模型对人体左右手进行预测分类。
[0006]目前,在宠物医疗领域,X光片是宠物疾病诊断最常用的手段之一,通常使用X光摄影系统(DR)对宠物进行拍摄得到X光片,由于DR拍摄的宠物X光片存在分辨率高、宠物尺度大小不固定、画面密度差异较小、异物、图像标签缺失等问题,导致基于深度学习的宠物X光片姿态分类研究不多;因此,需要由宠物医生人工阅片进行正位图和侧位图的分类筛选,诊断疾病。
[0007]通常在拍摄宠物 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的宠物X光片姿态分类方法,其特征在于:其包括如下步骤:1)数据准备:收集临床中由DR设备拍摄的宠物X光图像,过滤掉不能用于姿态分类的图像,如无法分辨姿态、对象不是宠物的图像;2)数据标注:对收集到的宠物影像标注类别生成对应的标签文件,其中标签类别为正位和侧位;3)数据增广:将带标签的宠物图像数据以预设方式进行增广;4)姿态分类模型构建:按照预设方式设计深度卷积神经网络结构、网络参数、损失函数、优化器,然后将宠物图像作为样本送入网络训练分类模型,训练分类模型;5)宠物姿态预测:向分类模型输入宠物影像,将输出预测的宠物姿态。2.根据权利要求1所述的一种基于深度学习的宠物X光片姿态分类方法,其特征在于:步骤3)中预设数据增广方式包括:a.对原图顺时针旋转90度、180度、270度;b.对原图进行垂直方向镜像翻转;c.对翻转后的镜像顺时针旋转90度、180度、270度;d.对原图以图像中心为圆心随机旋转抖动,抖动幅度为上下10度以内;e.对经过a,b,c,d增广后图像数据进行归一化;f.随机打乱e步骤之后的图像数据。3.根据权利要求1所述的一种基于深度学习的宠物X光片姿态分类方法,其特征在于:步骤4)中预设姿态分类模型构建参数设置包括:a.卷积神经网络模型结构包括图像特征提取阶段和分类阶段,特征提取阶段使用预训练模型detnet59的前六个stage作为骨干网络提取宠物影像的图像特征,分类阶段包括detnet59的FC层加一层二分类全连接层用于正侧位分类;b.模型的训练参数包括设置训练轮数epoch=100、训练批次大小batch_size=16、学习率learning_rate=0.0001、优化器采用SGD算法、网络采用softmax+交叉熵损失函数CE再经过加权作为loss函数L(X,y);L(X,y)=
‑
W
p
y log(P(Y=1|X))
‑
W
n
(1
‑
y)log(P(Y=0|X))其中,y表示深度卷积网络对宠物姿势的预测结果,P(Y=1|X)表示网络预测宠物姿态为正位的概率,P(Y=0|X)表示网络预测宠物姿态为侧位的概率,W
p
和W
n
分别表示样本中正例(正位)和负例(侧位)所占比重。4.一种基于深度学习的宠物X光片姿态分类装置,应用于权利要求1
‑
3中任意一项所述的基于深度学习的宠物X光片姿态分类方法,其特征在于:其包括训练姿态分类模型的模块组件和预测宠物姿态的模块组件,其中训练姿态分类模型的模块组件包括样本获取模块、样本标注模块、样本预处理模块和分类模型训练模块;预测宠物姿态的模块组件包括宠物图像获取模块、宠物图像预处理模块、宠物图像识别模块和宠物图像预测模块。5.根据权利要求4所述的一种基于深度学习的宠物X光片姿态分类装置,其特征...
【专利技术属性】
技术研发人员:曹培智,叶仲广,杨志,
申请(专利权)人:谛宝诚上海医学影像科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。