[发明专利]一种基于深度学习的气胸辅助诊断方法

说明书

本发明公开了一种基于深度学习的气胸X胸片辅助诊断方法，本发明先将图像格式转换，接着训练了两个小网络来完成数据集清洗任务，通过随机直方图均衡对X光胸片的数据集进行实时扩增；对扩增后的数据集进行上采样，然后用上采样后的数据进行训练；最后对采用上述方法训练好的网络进行可视化，并对可视化结果进行分析；本发明将深度学习与X光胸片识别相结合，提高气胸诊断的准确率，降低医生的工作量。

技术领域

本发明涉及人工智能领域，涉及一种基于深度学习的气胸辅助诊断方法。

背景技术

气胸是指无外伤或人为因素情况下，脏层胸膜破裂，气体进入胸膜腔导致胸腔积气而引起的病理生理状况.肺无明显病变由胸膜下气肿泡破裂形成者称特发性气胸；继发于慢性阻塞性肺气肿、肺结核、胸膜及肺疾病者称继发性气胸.按病理生理变化又分为闭合性(单纯性)、开放性(交通性)和张力性(高压性)三类。根据有无原发疾病，自发性气胸可分为原发性和继发性气胸两种类型。

X线表现为诊断气胸的首选检查方法。可显示肺压缩的程度，肺部情况，有无胸膜粘连、胸腔积液以及纵隔移位等。气胸的典型X线表现为:外凸弧形的细线条形阴影，线内为压缩的肺组织，线外见不到肺纹理，透亮度明显增加。气胸延及下部则肋膈角显示锐利。少量气体往往局限于肺尖部，常被骨骼掩盖。嘱患者深呼气时，使萎缩的肺更为缩小，密度增高，与外带积气透光区呈更鲜明对比，从而显示气胸带。局限性气胸在后前位X线检查时易遗漏，需在X 线透视下转动体位方能见到气胸。大量气胸时，则见肺被压缩聚集在肺门区呈圆球形阴影。若肺内有病变或胸膜粘连时，则呈分叶状或不规则阴影。大量气胸或张力性气胸显示纵隔和心脏移向健侧。气胸合并胸腔积液时，则具液气面，透视下变动体位可见液面也随之移动。若围绕心缘旁有透光带，应考虑有纵隔气肿。

胸片是放射学中最常见的检查方法，对各种疾病的诊断是密不可分的。有经验的医生能根据胸片中显示的潜在特征信息进行诊断，其中许多是微妙的，且与高死亡率相关联的信息。如常见的肺科疾病：自发性气胸。当气胸伴有血胸，张力性气胸及发病在医疗不便的地方或诊治失当时，也会造成很大危害。

医学X光胸片是疾病诊断中常用技术，可以借此诊断大部分的胸腔疾病，而且价格相对其他检测手段低廉。体检使得人们能够及时知悉自己的身体状况，及时的诊断出身体疾病，保障我们的健康安全，而且现在公司都会要求公司员工每年至少进行一次体检。X光胸片是体检的一个必查项目。在这样的背景下出现了大量的体检公司。无论是医院还是体检公司每年都会产生大量的X 光胸片。

中国医生和患者比例严重失衡，造成现阶段放射科医生超负荷工作，每天都要诊断大量的X光胸片。长时间的超负荷工作让医生不能集中精力，影响医生的判断准确率。在当前中国存在的另一个问题是医疗资源分布不均衡。高质量的医疗资源主要集中在一线城市，二三线城市或者农村乡镇的医疗条件存在着巨大的差距。

计算机辅助诊断能够缓解上述问题。最新的研究成果显示在气胸疾病上的 AUC为0.8887，不足以在临床中使用。

发明内容

为解决现有技术中的缺点和不足，本发明提出一种基于深度学习的气胸辅助诊断方法，将深度学习与X光胸片识别相结合，提高气胸诊断的准确率，降低医生的工作量。

本发明的技术方案是这样实现的：

一种基于深度学习的气胸辅助诊断方法，该方法包含以下技术步骤：

步骤1、图像格式转换，将X光片的dicom格式转换为png图像，对图像进行灰度压缩，根据X光胸片的窗宽窗位将不同位深的灰度图像转化为8位的灰度图像，对缺失值进行填补，将图像缩放到512*512；

步骤2、训练了两个清洗网络来完成数据集清洗任务；

第一个网络是2分类模型，用来剔除侧位数据，第二个网络分类不同朝向数据；将所有数据依次经过这两个网络完成数据集清洗；两个网络都是采用的 NIN；