【技术实现步骤摘要】
一种基于红外热成像的浅表病变检测系统
[0001]本专利技术涉及浅表病变检测，具体涉及一种基于红外热成像的浅表病变检测系统。
技术介绍
[0002]超声医学在浅表异常组织的诊断中有着广泛应用，特别是在乳腺癌的早期诊断、颈动脉血管斑块诊断等方向，属于医院目前最常用的诊断手段之一。超声医学视觉领域与普通现实视觉领域(如人脸检测)最大的不同之处在于，超声医学视觉领域不能仅仅根据图像的纹理、形状、大小等来定位和检测病灶，而是需要把超声灰度图像在医生人脑中还原为具有空间立体特性的器官解剖结构后，再进行病灶的定位与检测。因此，超声诊断对医生的专业水平有很高的要求，对于缺乏高水平专业知识的基层医院，诊断准确率相对较低。
[0003]热成像的特点是温度场空间分布不同，当一个区域的温度明显高或低时，该区域可能存在代谢异常，即可能发生病变，这种现象在人体内浅表区域较为明显，因此可以利用红外热成像对浅表病变进行有效检测。
[0004]然而，在利用红外热成像对浅表病变进行检测时，需要对病变区域图像进行准确提取，并对病变区域图像边缘进行自然处理，一旦病变区域图像边缘过渡不自然，或者色相差跨度较大，将会影响后续病变类型的准确识别。
技术实现思路
[0005](一)解决的技术问题
[0006]针对现有技术所存在的上述缺点，本专利技术提供了一种基于红外热成像的浅表病变检测系统，能够有效克服现有技术所存在的不能对病变区域图像进行准确提取，病变类型识别准确率较低的缺陷。
[0007](二)技术方案>[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0009]一种基于红外热成像的浅表病变检测系统，包括服务器以及红外图像获取模块，所述服务器通过红外图像预处理模块对红外图像获取模块获取的近红外病灶图像进行预处理，所述服务器通过病变区域识别模型构建模块构建病变区域识别模型，并利用病变区域识别模型训练模块对病变区域识别模型进行模型训练；
[0010]所述服务器通过病变区域提取模块结合病变区域识别模型从预处理的近红外病灶图像中提取病变区域图像，并利用目标区域判定模块从病变区域图像中获取目标病变图像，所述服务器通过目标图像淡化模块对目标病变图像进行淡化，得到目标病变淡化图像；
[0011]所述服务器通过病变类型识别模型构建模块构建病变类型识别模型，并利用病变类型输出模块基于病变类型识别模型对目标病变淡化图像的识别结果输出近红外病灶图像对应的病变类型。
[0012]优选地，所述病变区域提取模块结合病变区域识别模型从预处理的近红外病灶图像中提取病变区域图像，包括：
[0013]将预处理的近红外病灶图像输入训练好的病变区域识别模型中，得到第一病变区域图像；
[0014]基于预处理的近红外病灶图像的初始目标区域及初始保护区域，得到第二病变区域图像；
[0015]结合第一病变区域图像、第二病变区域图像获取预处理的近红外病灶图像中的病变区域图像。
[0016]优选地，所述将预处理的近红外病灶图像输入训练好的病变区域识别模型中，得到第一病变区域图像，包括：
[0017]利用病变区域识别模型中基于残差网络的卷积神经网络，以及特征金字塔网络，提取图像中的多尺度特征；
[0018]基于提取的多尺度特征，结合病变区域识别模型中的区域生成网络获取图像中所有可能存在病变区域的提取框；
[0019]利用非最大抑制法对提取框进行筛选，并利用检测目标区域的卷积神经网络对筛选的提取框区域进行分类，得到第一病变区域图像。
[0020]优选地，所述检测目标区域的卷积神经网络的损失函数为：
[0021]L＝L1+L2+L3[0022]其中，L1为提取框的分类损失值，L2为回归框的分类损失值，L3为病变区域的损失值。
[0023]优选地，所述基于预处理的近红外病灶图像的初始目标区域及初始保护区域，得到第二病变区域图像，包括：
[0024]确定预处理的近红外病灶图像中需要淡化的初始目标区域，以及需要保护的初始保护区域，并将初始保护区域还原为与初始目标区域的重叠部位，得到初始还原图像；
[0025]利用初始还原图像对初始保护区域及初始保护区域图像进行调整，得到保护区域及保护区域图像；
[0026]利用保护区域对初始目标区域进行调整，得到病变区域，并利用保护区域图像覆盖初始保护区域图像，得到第二病变区域图像。
[0027]优选地，所述目标区域判定模块从病变区域图像中获取目标病变图像，包括：
[0028]确定病变区域图像中四个角点处的坐标，并利用四个角点处的坐标生成病变区域图像的最大外接矩形框，最大外接矩形框中的图像即为目标病变图像。
[0029]优选地，所述目标图像淡化模块对目标病变图像进行淡化，得到目标病变淡化图像，包括：
[0030]确定以目标病变图像中目标像素点为中心的预设正方形区域，根据预设正方形区域中各像素点与目标像素点之间的位置关系，设置各像素点对应的权重；
[0031]对各像素点的色相值及对应的权重进行加权求和，得到加权色相值，将目标像素点的色相值替换为加权色相值，对目标病变图像进行淡化，得到目标病变淡化图像。
[0032]优选地，所述病变类型输出模块基于病变类型识别模型对目标病变淡化图像的识别结果输出近红外病灶图像对应的病变类型，包括：
[0033]将目标病变淡化图像输入双流卷积神经网络中的一路卷积神经网络，得到局部特征图；
[0034]将目标病变淡化图像对应的预处理的近红外病灶图像输入双流卷积神经网络中的另一路卷积神经网络，得到全局特征图；
[0035]连接局部特征图与全局特征图，并作为最终特征输入至双流卷积神经网络的全连接层，输出近红外病灶图像对应的病变类型。
[0036]优选地，所述红外图像预处理模块对红外图像获取模块获取的近红外病灶图像进行预处理，包括：
[0037]使用低通滤波器滤除近红外病灶图像中的噪声，通过插值对近红外病灶图像进行尺寸标准化；
[0038]获取尺寸标准化后的近红外病灶图像对应的灰度图像，并对灰度图像进行归一化处理。
[0039]优选地，所述对灰度图像进行归一化处理，包括：
[0040]采用下式对灰度图像进行归一化处理：
[0041][0042]其中，y为输出像素值，x为输入像素值，p
max
为灰度图像中的最大像素值，p
min
为灰度图像中的最小像素值。
[0043](三)有益效果
[0044]与现有技术相比，本专利技术所提供的一种基于红外热成像的浅表病变检测系统，具有以下有益效果：
[0045]1)红外图像预处理模块对红外图像获取模块获取的近红外病灶图像进行预处理，病变区域识别模型构建模块构建病变区域识别模型，病变区域提取模块结合病变区域识别模型从预处理的近红外病灶图像中提取病变区域图像，从而能够结合病变区域识别模型的识别结果，以及本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于红外热成像的浅表病变检测系统，其特征在于：包括服务器以及红外图像获取模块，所述服务器通过红外图像预处理模块对红外图像获取模块获取的近红外病灶图像进行预处理，所述服务器通过病变区域识别模型构建模块构建病变区域识别模型，并利用病变区域识别模型训练模块对病变区域识别模型进行模型训练；所述服务器通过病变区域提取模块结合病变区域识别模型从预处理的近红外病灶图像中提取病变区域图像，并利用目标区域判定模块从病变区域图像中获取目标病变图像，所述服务器通过目标图像淡化模块对目标病变图像进行淡化，得到目标病变淡化图像；所述服务器通过病变类型识别模型构建模块构建病变类型识别模型，并利用病变类型输出模块基于病变类型识别模型对目标病变淡化图像的识别结果输出近红外病灶图像对应的病变类型。2.根据权利要求1所述的基于红外热成像的浅表病变检测系统，其特征在于：所述病变区域提取模块结合病变区域识别模型从预处理的近红外病灶图像中提取病变区域图像，包括：将预处理的近红外病灶图像输入训练好的病变区域识别模型中，得到第一病变区域图像；基于预处理的近红外病灶图像的初始目标区域及初始保护区域，得到第二病变区域图像；结合第一病变区域图像、第二病变区域图像获取预处理的近红外病灶图像中的病变区域图像。3.根据权利要求2所述的基于红外热成像的浅表病变检测系统，其特征在于：所述将预处理的近红外病灶图像输入训练好的病变区域识别模型中，得到第一病变区域图像，包括：利用病变区域识别模型中基于残差网络的卷积神经网络，以及特征金字塔网络，提取图像中的多尺度特征；基于提取的多尺度特征，结合病变区域识别模型中的区域生成网络获取图像中所有可能存在病变区域的提取框；利用非最大抑制法对提取框进行筛选，并利用检测目标区域的卷积神经网络对筛选的提取框区域进行分类，得到第一病变区域图像。4.根据权利要求3所述的基于红外热成像的浅表病变检测系统，其特征在于：所述检测目标区域的卷积神经网络的损失函数为：L＝L1+L2+L3其中，L1为提取框的分类损失值，L2为回归框的分类损失值，L3为病变区域的损失值。5.根据权利要求2所述的基于红外热成像的浅表病变检测系统，其特征在于：所述基于预处理的近红外病灶图像的初始目标区域及初始保护区域，得到第二病变区域图像，包括：确定预处理的近红外病灶图像中需要淡化的初始目标区域，以及需要保护的初始保护区域，并将初始保护区域还原为与初始目标区域的重叠部位，...
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。