【技术实现步骤摘要】
基于可变形多尺度卷积的肺部X光病灶检测系统与方法
[0001]本专利技术涉及一种基于可变形多尺度卷积的肺部X光病灶检测系统与方法,属于图像处理
技术介绍
[0002]肺部X光片病变区域与正常区域之间的视觉对比度低、组织重叠度高,导致X光片的病灶检测和识别存在很大困难。通过人工智能的手段自动检测和识别肺部疾病区域,可以提高诊断的精度,节省阅片时间,减少重复劳动。深度学习分类方法可以对肺部X光片进行分类,利用注意力热图估计病灶存在的位置,但无法准确定位病灶;深度学习目标检测方法可以识别一些病灶的位置,但感受野尺度单一,无法适应目标的尺度变化和边界变化,检测区域不全,使得病灶的自动识别平均精度较低,不能满足辅助临床诊断的标准。因此,寻找一种更为精确的肺部X光片病灶检测技术具有重要的应用价值。
[0003]Zhang等在基于ImageNet数据集预训练的Efficient Net模型基础上,通过将异常检测模块附加在原有的分类器模块上,设计了用于新冠肺炎检测的诊断模型[Zhang J,Xie Y,LiaoZ,et al.Viral Pneumonia Screening on Chest X
‑
ray Images Using Confidence
‑
Aware Anomaly Detection[J].IEEE transactions on medical imaging,2020.40(3):879
‑
890];Rajpurkar等在DenseNet ...
【技术保护点】
【技术特征摘要】
1.一种基于可变形多尺度卷积的肺部X光病灶检测系统,其特征在于:包括顺序连接的图像预处理模块、特征图提取网络模块、可变形多尺度特征融合模块、候选区域生成网络模块、分类与定位网络模块;图像预处理模块,用以对肺部X光片预处理,并实现X光片图像增强;特征图提取网络模块,用以根据增强处理后的图像,生成对应的特征图;可变形多尺度特征融合模块,用以将特征图处理转化为更准确的融合特征图;候选区域生成网络模块,用以对更准确地融合特征图中肺部影像可能病灶位置进行预测,并采用候选框进行标注;分类与定位网络模块,用以将肺部病灶的候选预测结果与专家标注的真实病灶区域进行比较,从而在候选框中筛选出病灶区域,并使用预测框进行标注,在计算出损失函数后进行反向传播,进行参数调整后继续训练自身的分类与定位网络。2.一种使用权利要求1所述基于可变形多尺度卷积的肺部X光病灶检测系统的基于可变形多尺度卷积的肺部X光病灶检测方法,其特征在于步骤如下:首先利用图像预处理模块预处理肺部X光片并进行图像增强;然后将增强处理后的图像输入到训练好的特征提取网络模块得到特征图,特征图经过可变形多尺度特征融合模块,得到更准确的融合特征图;之后,将融合特征图输入到候选区域生成网络模块,在融合特征图上生成多个可能存在病灶区域的候选框;将候选框输入到分类与定位网络模块,筛选出与专家标注的真实病灶框重合度最大的候选框为预测框,得到预测框的顶点坐标,使用分类与定位网络模块对预测框中的病灶进行分类,得到病灶类型,最终获得预测框的坐标信息和类别信息。3.根据权利要求2所述基于可变形多尺度卷积的肺部X光病灶检测方法,其特征在于对肺部X光片的图像增强的具体步骤为:S201:缩放X光片图像并进行长和宽的尺度变换;S202:对图像的边缘添加灰条,并翻转图像,边界框对应坐标也进行相应翻转。4.根据权利要求2所述基于可变形多尺度卷积的肺部X光病灶检测方法,其特征在于,特征图经过可变形多尺度特征融合模块得到更准确的融合特征图的具体步骤如下:S301:首先对输入特征图先进行偏移预测操作,利用二维卷积核构成的卷积层对输入特征图进行处理,对每个特征图上的方格采样点增加一个二维的偏移量得到偏移特征图;S302:根据偏移特征图的采样点偏移量,原有特征图每个采样点进行二维方向的偏移,得到新采样点的位置,采样点偏移过程的卷积操作为:其中,R是采样网格,p
n
是R中的第n个位置,x(p
n
)代表p
n
位置像素值,Δp是偏移量,Δp是由x、y组成的二维向量,w(p
n
)是p
n
的权重,y(p
n
)表示特征图;S303:采用1
×
1卷积核对偏移采样模块输出的新特征图进行降维,减少后续复杂度;S304:采用3
×
3、9
×
9、15
×
15卷积核分别对降维后的特征图进行采样,从而得到多尺度深...
【专利技术属性】
技术研发人员:郭一楠,于欣,巩敦卫,赵倩,于泽宽,
申请(专利权)人:中国矿业大学,
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。