[发明专利]一种基于深度学习的肺部疾病检测方法

说明书

本发明提供一种基于深度学习的肺部疾病检测方法，该方法简化了提取特征的过程，利用的网络结构具有普适性；与现有的深度学习方法相比，本发明加快了模型的训练速度，在较少迭代次数的情况下可以得到较高的准确率。

技术领域

本发明涉及计算机视觉和医学图像分析相关领域，更具体地，涉及一种基于深度学习的肺部疾病检测方法。

背景技术

胸部X射线是最常用的放射学检查之一，主要用于筛选和诊断多种肺部疾病。但是在胸部X射线中检测肺部疾病是一项具有挑战性的任务，这依赖于在放射科具有丰富经验的医生。

近年来，随着计算机技术和深度学习的发展，计算机辅助诊断系统在医学图像分析领域愈发重要。作为深度学习的重要网络结构之一的卷积神经网络首先在计算机视觉领域取得突破，已经被证明是可用于许多计算机视觉任务的有力工具。医学图像分析领域和计算机视觉领域具有一定的相关性，都是基于图像进行研究。因此，计算机视觉领域中的卷积神经网络也可以用于医学图像分析领域进行相关研究。

发明内容

本发明提供一种基于深度学习的肺部疾病检测方法，该方法加快了模型的训练速度，在较少迭代次数的情况下可以得到较高的准确率。

为了达到上述技术效果，本发明的技术方案如下：

一种基于深度学习的肺部疾病检测方法，包括以下步骤：

S1：获取ChestX-ray14数据集并对数据集进行划分；

S2：对ChestX-ray14数据集进行预处理；

S3：将图像数据输入卷积神经网络提取特征；

S4：利用PyTorch训练模型和测试模型；

S5：将一张胸部X射线图像输入训练好的模型，输出该图像中肺部常见疾病的概率；

其中，ChestX-ray14是由NIH研究院提供的目前规模最大的胸部X射线图像数据集，该数据集包含14种常见的肺部疾病。

进一步地，所述步骤S1的具体过程是：

使用ChestX-ray 14数据集作为实验数据集，将ChestX-ray 14数据集划分为3个部分：第1部分占70％，作为训练集train set；第2部分占10％，作为验证集validationset；第3部分占20％，作为测试集test set，所划分的3个部分的数据集互不重叠。

进一步地，所述步骤S2的具体过程是：

S21：为了使图像的分辨率和所设计的卷积神经网络的输入层相匹配，对ChestX-ray 14数据集裁剪成331x331像素；

S22：为了增加训练数据提高模型的泛化能力，使用数据增强技术对ChestX-ray14数据集划分出的训练集和验证集进行随机水平翻转；

S23：为了加快模型的收敛速度和提高精度，对数据进行均值归一化处理。

进一步地，所述步骤S3的具体过程是：

S31：将上一步预处理后的图像输入到卷积神经网络提取特征，利用基于深度学习的NASNet网络提取特征，主要包括一个3x3的卷积层，两种Convolution Cell，分别是Normal Cell和Reduction Cell，其中Normal Cell是不改变输入特征图大小的卷积操作，Reduction Cell是将输入特征图的长宽各减少为原来一般的卷积操作；

S32：胸部X射线图像经过NASNet卷积神经网络提取特征之后转化为一个特征向量，然后连接一个全连接层和最后的一个预测层，用于检测肺部常见的疾病。

进一步地，所述步骤S4的具体过程是：