[发明专利]基于深度学习的X光片智能诊断方法

说明书

本发明公开了基于深度学习的X光片智能诊断方法，包括如下步骤：获取预设存储器中存储的胸部X光片的影像数据；将所述胸部X光片的影像数据以预设方式进行增广；将增广后的影像数据进行预处理操作，以使数据特征符合标准；将预处理后的影像数据进行分类形成若干个分类模型，并分别对每一个分类模型设计模型训练以生成模型训练预测结果；获取最终的CNN特征图，并根据CNN特征图生成热力图；根据每一个分类模型的模型训练预测结果计算得到集成结果。本发明深度学习大量的胸部X光片中肺部疾病特征，实现对多种肺部疾病的精准预测，提供诊断依据，预测时间大大少于人工诊断时间，节省了医生的时间。

技术领域

本发明涉及医疗影像识别技术，尤其涉及基于深度学习的X光片智能诊断方法。

背景技术

胸部X光片检查是最常用的医疗影像检查工具，在对涵盖肺炎在内的疾病进行筛查诊断和管理的过程中占据着至关重要的地位，然而从胸部X光照片中监测肺部疾病对于放射科医师而言是一个困难的任务。因为肺部疾病在X光片上的表现经常难以识别，它可能与其他病症重叠，也可以与其他很多良性异常类似。这些原因导致放射科医师在诊断肺部疾病时表现差异很大。

发明内容

为了克服现有技术的不足，本发明的目的在于提供基于深度学习的X光片智能诊断方法，其能解决现有技术中人工识别X光片难以诊断肺部病症表现的问题。

本发明的目的采用以下技术方案实现：

基于深度学习的X光片智能诊断方法，包括如下步骤：

获取步骤：获取预设存储器中存储的胸部X光片的影像数据；

增广步骤：将所述胸部X光片的影像数据以预设方式进行增广；

处理步骤：将增广后的影像数据进行预处理操作，以使数据特征符合标准；

分类步骤：将预处理后的影像数据进行分类形成若干个分类模型，并分别对每一个分类模型设计模型训练以生成模型训练预测结果；

生成步骤：获取最终的CNN特征图，并根据CNN特征图生成热力图；

集成步骤：根据每一个分类模型的模型训练预测结果计算得到集成结果。

优选的，还包括部署步骤：将进行模型训练后的分类模型部署至服务器端，并构建REST API服务器。

优选的，增广步骤中的预设方式包括将影像数据随机水平反转、随机左右平移、随机上下平移、随机缩放。

优选的，处理步骤具体包括如下子步骤：

获取增广后的影像数据；

将所述影像数据进行归一化处理；

统一所述影像数据的图像形状；

将所述影像数据进行标准化处理；

随机打乱所述影像数据。

优选的，所述分类模型至少包括DenseNet121模型、DenseNet169模型、DenseNet201模型、ResNet50模型、InceptinV3模型、InceptinResNetV2模型、NASNetMobile模型。

优选的，在分类步骤中，“分别对每一个分类模型设计模型训练”具体包括如下步骤：

输入任意一个预处理后的影像数据；

分别对每一个分类模型对应调节参数，使每一个分类模型均使用Focal Loss损失函数，所述参数至少包括批尺寸、学习率；

设计每一个分类模型的Adam优化器；

设计每一个分类模型的学习速率定时器回调函数；