[发明专利]基于双通道分离网络的胸部X光疾病检测装置及方法

说明书

一种基于双通道分离网络的胸部X光的疾病检测装置及方法，该装置包括处理器，所述处理器经配置执行如下操作：将胸部X光图像的训练数据集进行预处理，分为数据增强和归一正则化两部分；训练双通道分离深度网络，分通道提取各级特征并进行融合，在分类层进行损失函数最小化，进行网络的完整训练；利用训练好的网络对输入的胸部X光图像进行分类，得到图像中包含的病变种类和概率；利用训练好的网络对输入的胸部X光图像中的疾病进行定位。本发明在胸部疾病的识别任务中能够极大地提高胸部病变的识别准确率，同时在可视化任务中可以对疾病位置完成较为精准的定位。

技术领域

本发明涉及计算机视觉与医学图像处理领域，特别涉及一种基于双通道分离网络的胸部X光疾病检测装置及方法。

背景技术

医学X光图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。胸部X射线(Chest X-ray，CXR)成像是目前用于筛查和临床诊断的最广泛可用的放射学检查之一。然而，由于图像上不同类型的肺部病变的复杂病理，因此对CXR图像进行自动检测并理解已经成为目前在技术上具有挑战性的任务。因为胸部X光射线成像技术不仅快捷、简便，而且价格经济，所以人们在检查胸廓(包括肋骨，胸椎，软组织等)、胸腔、肺组织、纵隔、心脏等的胸部疾病时，通常都会选择X光。CXR目前是诊断肺炎等疾病的最佳检测项目，在临床诊断及护理和流行病理研究中发挥了关键作用。而治疗效果与发现的早晚密切相关，由于个体差异，这些症状在发病前并不一定明显。传统的医院放射诊断方法可能无法及时准确地发现相应的症状，为医生提供决策依据。导致患者无法及早得到治疗，错过了最佳治疗时间。据研究调查，仅在美国就有超过100万成年人因肺炎住院，每年约有50,000人因为患有该类疾病而死亡。所以，利用先进的计算机技术对胸部X光图像进行检测与分析，提高胸部疾病的确诊率是目前医学图像处理领域需要解决的一大问题。

计算机辅助诊断(Computer Aided Diagnosis,CAD)方法始于60年代但在那段时间没有取得很大成功。大规模的CAD使用在80年代到来，采用了不取代医学专业人员的新方法，但只能帮助他们进行诊断。最近计算能力的增长使得卷积神经网络应用在图像的识别和检测上得以扩展，特别是在2012年引入AlexNet之后。这种增长也适用于使用卷积神经网络对患者进行分类的CAD系统。过去十年以来，作为一项有前途的技术，医学人工智能(Medical Artificial Intelligence)在全球范围内引起了人们的兴趣。特别是在深度学习的出现和急速发展之后，计算机辅助诊断技术的革命正式开始并在许多生物医学应用中受到影响。

在临床实践中，基于CXR图像的分析和诊断在很大程度上取决于具有至少多年专业经验的放射科医师的专业知识。虽然现有的很多深度学习方法在胸部X光图像分类上已经取得了比较好的成果，但目前大部分方法在对图像进行特征提取时，均选择只采用单个网络及分类层的方法，不可避免地降低了网络对不同通道之间层次特征的提取及特征表示能力，同时也限制了网络的加深以及训练的效率。因此，目前利用计算机检测CXR图像上的胸部疾病仍然是机器智能的一项具有挑战性的任务，主要难点如下：

1)缺乏训练数据集以及图像的相关注释/标签，专业知识限制导致标注难度高。此外，就算有专家标注的数据，存在的标签噪声也会产生干扰。

2)从不同类型的胸部疾病样本中提取的视觉模式通常在外观、大小和位置上具有高度多样性，传统图像处理方法对嘈杂标签监督不力而无法学习有意义的表征。

3)图像类别不平衡，数据库中通常正常图像比异常图像多很多，导致临床特征容易被淹没。

4)CXR图像的空间尺寸通常为2000×3000像素。局部病理图像区域可以显示出不同的大小或范围，但是与全图像比例相比通常非常小，病变区域难以检测，在X射线图像上训练分类器比通用图像更难。

发明内容

本发明的主要目的在于克服上述技术缺陷中的至少一种，提供一种基于双通道分离网络的胸部X光疾病检测装置及方法。