[发明专利]一种肺炎检测装置

说明书

本发明涉及一种神经网络肺炎检测装置，包括限制对比度自适应直方图均衡化模块、特征提取模块、建立特征金字塔模块、先验框选取模块、分类子分支模块、回归子分支模块，其中，特征提取模块，用于从经限制对比度自适应直方图均衡化处理后的图像中提取特征信息；建立特征金字塔模块，输出五个不同不同尺度的特征图；先验框选取模块，用于在特征金字塔模块输出的五个不同尺度的特征图上选取先验框；分类子分支模块，用于预测先验框选取模块产生的某一个先验框是肺炎病灶区域的可能性，预测每个像素点上肺炎存在的可能性；回归子分支模块，用于精确肺炎病灶区域的位置。

技术领域

本发明涉及深度学习领域，具体来说是基于改进的RetinaNet神经网络肺炎检测装置。

背景技术

肺炎是一种严重的肺部疾病，是由细菌、病毒、真菌等引起的肺泡的炎症，不及时诊断医治会迅速恶化导致如心功能衰竭、脓胸、肺脓肿、心肌炎或中毒性脑炎等其他疾病。全球每年有4.5亿人感染肺炎，400万人死于肺炎。感染率和死亡率之间的数值差异表明早期诊断十分重要。

目前，诊断肺炎主要通过放射科医师观察胸部X光片来诊断肺炎。然而人工观察胸部X光片耗时费力，放射科医师对日渐增长的数据量不堪重负，且容易受主观因素影响导致误诊、漏诊。因此急需一种自动检测肺炎病灶区域的装置，不仅可以减轻医生的工作量，还可以使患者及时了解自己的病情。

发明内容

本发明的目的是基于医学图像处理，提供一种基于改进的RetinaNet神经网络肺炎检测装置，用以更精确地检测肺炎病灶。本发明通过如下技术方案进行实施：

一种肺炎检测装置，基于改进的RetinaNet神经网络实现，包括限制对比度自适应直方图均衡化模块、特征提取模块、建立特征金字塔模块、先验框选取模块、分类子分支模块、回归子分支模块，其中，

限制对比度自适应直方图均衡化模块，用于对胸部X光图像进行对比度增强；

特征提取模块，用于从经限制对比度自适应直方图均衡化处理后的图像中提取特征信息，使用DenseNet201作为特征提取网络，其中的每一层都与之前所有层相关联，通过特征在通道上的连接来实现特征重用。

建立特征金字塔模块，是在DenseNet121的block3,block4,block5输出的特征图C3,C4,C5上建立特征金字塔模块FPN，用于将DenseNet201中低层级的特征图和高层级的特征图结合起来，通过从上而下的路径和横向连接建立金字塔结构，高层级的特征经过上采样得以和低层级的特征图相加，输出五个不同不同尺度的特征图；

先验框选取模块，用于在特征金字塔模块输出的五个不同尺度的特征图上选取先验框，以特征图上每一个特征点为中心产生九种先验框，对应三种不同的宽高比和三种不同的尺寸变化{2^2/3,2^1/3,2⁰}，五个特征图上对应先验框面积分别为32、64、128、256、512，使用优化的k均值聚类算法，即k-means++算法产生适合自己的数据集的先验框宽高比；

分类子分支模块，用于预测先验框选取模块产生的某一个先验框是肺炎病灶区域的可能性，预测每个像素点上肺炎存在的可能性，是一个小的全连接神经网络FCN，连接在FPN输出的每个特征图上，这个子网络的参数是所有的金字塔层共享的，它的结构为，应用4个3×3的卷积层，每个卷积都有256个通道，而且每个都跟有ReLU激活函数；每个金字塔层经子分支输出为一个9维的线性输出，输出的是某点对应的九个先验框的分数，分数越高是病灶的可能性越大，得分较高的将会输入到下面的回归子分支模块进行定位；

回归子分支模块，用于精确肺炎病灶区域的位置，分类子分支模块中得分较高的先验框将会输入此回归子分支模块进行微调，目的是回归先验框和最近的目标框之间的差距，不断更新左上角点和右下角点四个坐标的值，最终产生4×9个数的一维线性输出。