基于深度学习的胸片多异常识别系统、装置及方法制造方法及图纸

本发明专利技术公开了一种基于深度学习的胸片多异常识别系统、装置及方法，包括胸片数据库，用于对采集的胸片影像中的多种异常征象进行定位标注，形成包含多异常定位的胸片数据集；以及胸片多异常识别模块，用于基于深度学习定位网络并利用所述胸片数据集对构建的胸片多异常识别模型进行训练及验证，以及基于训练后的胸片多异常识别模型对胸片影像上的多种异常征象进行识别，并对异常征象进行定位标注，输出异常征象的置信系数；与现有技术相比，本发明专利技术能够对同一胸片上的多种异常征象进行同步识别并定位，有利于医生快速找到异常的位置并得出综合诊断结果，能够较好的适用于临床，缓解放射科专业医生短缺的问题。解放射科专业医生短缺的问题。解放射科专业医生短缺的问题。

【技术实现步骤摘要】
基于深度学习的胸片多异常识别系统、装置及方法


[0001]本专利技术涉及医学影像处理
，特别是涉及一种基于深度学习的胸片多异常识别系统、装置及方法。

技术介绍

[0002]医学X光影像是一种根据不同组织对X射线的不同吸收程度来反映人体内部结构的成像方式，可以显示多种复杂的病理特征，而胸部X光胸片中包含人体多种组织和器官的影像，能够实现多种疾病的检查及诊断，占整个医学X光影像中的40～50％。目前，为提高X光胸片的识别效率，缩短疾病的诊断周期，为病人提供最佳治疗时间，通常利用胸片辅助识别工具来对胸片进行筛选识别或分类，以为医生的诊断提供参考。
[0003]目前，通常采用深度学习算法来对胸片影像进行识别，如基于深度学习的分类模型，但其仅能用来筛选正常胸片和异常胸片，并不能对异常胸片上的异常征象的种类及位置进行识别；虽然一些辅助识别工具虽然能够对异常征象进行识别，但这些辅助识别工具通常是基于单一病种开发，仅能实现单一病种的识别，而X光胸片中不止包含一种病种，使得无法满足临床需求；并且这些辅助识别工具仅能识别单一异常征象并且无法对该异常征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的胸片多异常识别系统，其特征在于，包括：胸片数据库，用于对采集的胸片影像中的多种异常征象进行定位标注，形成包含多异常定位的胸片数据集；以及胸片多异常识别模块，用于基于深度学习定位网络并利用所述胸片数据集对构建的胸片多异常识别模型进行训练及验证，以及基于训练后的胸片多异常识别模型对胸片影像上的多种异常征象进行识别，并对异常征象进行定位标注，输出异常征象的置信系数。2.根据权利要求1所述的基于深度学习的胸片多异常识别系统，其特征在于，所述胸片数据库包括：胸片采集子模块，用于采集具有多种异常征象的异常胸片影像及正常胸片影像；以及异常标注子模块，用于识别专业人员的标注动作，基于所述标注动作对异常胸片影像上的多种异常征象进行定位标注。3.根据权利要求2所述的基于深度学习的胸片多异常识别系统，其特征在于，所述异常征象至少包括肺不张、钙化、实变、积液、积气、纤维灶、骨折、肿块、结节、胸膜增厚、肺气肿、气胸、术后金属以及静脉置管。4.根据权利要求1所述的基于深度学习的胸片多异常识别系统，其特征在于，所述胸片多异常识别模块包括：胸片预处理子模块，用于对所述胸片数据集中的胸片影像进行标准化处理；模型构建子模块，用于构建识别并定位胸片影像中的多种异常征象的胸片多异常识别模型；模型训练子模块，用于设定训练参数并对构建的胸片多异常识别模型进行模型训练，优化训练参数；以及异常识别子模块，用于将待识别的胸片影像输入训练好的胸片多异常识别模型中，基于胸片多异常识别模型的正向传递，对胸片影像中的异常征象进行识别并标注异常征象的位置以及输出该异常征象的置信系数。5.根据权利要求1所述的基于深度学习的胸片识别系统，其特征在于，所述胸片多异常识别模型基于YOLOX深度学习定位算法实现；所述胸片多异常识别模型至少包括：特征提取主干网络，用于将输入的胸片影像进行取值、堆叠，获取胸片影像的卷积核特征，并提取所述卷积核特征中关于异常征象的多尺度特征信息；特征融合网络，用于对所述特征提取主干网络提取的多尺度特征信息进...

【专利技术属性】
技术研发人员：张冬，粘永建，范卫杰，杨毅，
申请(专利权)人：中国人民解放军陆军军医大学，
类型：发明
国别省市：