[发明专利]一种肺炎自动诊断系统

权利要求书

1.一种肺炎自动诊断系统，其特征在于，包括依次相连的图像采集模块、图像预处理模块、肺炎病灶识别模块和诊断结果显示模块；

所述图像采集模块，用于获取肺部X光片图像；

所述图像预处理模块，用于对所述X光片图像进行边界强化和降噪处理；

所述肺炎病灶识别模块，用于通过多任务深度卷积神经网络预测模型识别肺部X光片图像是否包含病灶以及识别病灶类型；

所述诊断结果显示模块，用于显示肺炎诊断结果。

2.根据权利要求1所述的一种肺炎自动诊断系统，其特征在于，所述多任务深度卷积神经网络预测模型的卷积层为包括五条传递链路、五个卷积阶段和101层卷积层的残差网络；所述五条传递链路包括卷积神经网络的前馈计算、自顶向下的信息传递链路、自下而上的分辨率信息传递链路以及两条横向连接链路。

3.根据权利要求2所述的一种肺炎自动诊断系统，其特征在于，所述多任务深度卷积神经网络预测模型的识别流程包括以下步骤：

(1)首先使用残差网络提取预处理后的肺部X光片图像的特征；

(2)在图像特征上使用级联区域候选网络完成候选框推荐，并利用改进的非极大值抑制方法进行抑制筛选，筛选出一批候选框集合；

(3)然后针对候选框截取出对应特征区域，进行池化后成为7×7×512大小输入到全连接层；

(4)最后使用分类层和回归层进行目标分类和边框回归，识别出肺部X光片图像是否包含病灶以及识别病灶类型。

4.根据权利要求2所述的一种肺炎自动诊断系统，其特征在于，所述多任务深度卷积神经网络预测模型采取迁移训练和参数微调的方式进行模型训练。

5.根据权利要求1所述的一种肺炎自动诊断系统，其特征在于，所述边界强化采用下式进行处理：

式中，(x_i,y_i)^*表示边界强化处理后的像素点，N_R表示(x_i,y_i)的邻域像素集合，(x_R,y_R)表示邻域像素集合点，α表示区域内中心像素点的保留系数，β_R表示对应领域灰度值差异系数。

6.根据权利要求5所述的一种肺炎自动诊断系统，其特征在于，所述保留系数α的取值为0.4；当所述(x_R,y_R)为内层邻域像素集合点时，所述β_R取值为0.2；当所述(x_R,y_R)为外层邻域像素集合点时，所述β_R取值为-0.05。

7.根据权利要求1所述的一种肺炎自动诊断系统，其特征在于，所述降噪处理包括以下步骤：

(1)首先对噪声图像进行高斯预平滑；

(2)然后对髙斯预平滑后的图像使用改进的Sobel算子进行边缘检测，得到图像的边缘图像；

(3)利用边缘图像对权值函数进行改进，使用改进的权值函数进行加权平均，得到去噪后的图像。

8.根据权利要求7所述的一种肺炎自动诊断系统，其特征在于，在步骤(2)中，所述改进的Sobel算子通过以下步骤得到：

(1)将8个方向的模板分别与图像f(x，y)进行卷积运算，得到8个方向上的梯度矩阵；

(2)对于毎一个像素点取其运算结果最大值为该点的梯度值，取最大值所对应的模板方向作为该点的边缘方向，即得到f(x，y)的梯度幅值图像G(x，y)。

9.根据权利要求8所述的一种肺炎自动诊断系统，其特征在于，在步骤(1) 中，所述8个方向的模板分别是0°，4°，90°，135°，180°，225°，270°，315°。

10.根据权利要求7所述的一种肺炎自动诊断系统，其特征在于，在步骤(3)中，所述改进的权值函数如下式所示：

式中，ed(N_k)表示在边缘图像中k为中心的邻域，||ed(N_i)-ed(N_j)||表示i、j之间的边缘距离，并利用标准差为b的高斯核计算得到；Z_i为像素i的归一化常数，表示i在搜索窗口中的所有相似度总和；h是控制平巧程度的滤波参数，其大小应该与图像中的噪声强度成正比。