[发明专利]可自适应调节感受野大小的肺炎图片检定装置与方法

说明书

本发明涉及医疗器械、深度学习卷积神经网络领域、目标检测与定位领域，为提高诊断胸部X光片效率，本发明，可自适应调节感受野大小的肺炎图片检定装置与方法，包括X光机和计算机，X光机拍摄的图片输入计算机，计算机包括特征提取网络处理模块、特征金字塔模块、分类子分支和回归子分支模块；ResNet50和ResNet101分别与选择性核卷积结合形成SK‑ResNet50和SK‑ResNet101作为特征提取网络；所提取的特征输入特征金字塔模块进行处理，特征金字塔输出特征图；分类子分支模块输出预测框的检测分数；回归子分支模块输出预测框的位置，预测框是预测出的肺炎病灶区域。本发明主要应用于设计制造场合。

技术领域

本发明涉及医疗器械、深度学习卷积神经网络领域、目标检测与定位领域，将动态选择单元与目标检测网络相结合进行改进，使神经元可以根据多尺度的输入信息即目标的尺寸自适应地调整感受野的大小，更准确地实现胸部X光图像中肺炎检测与定位任务。具体涉及可自适应调节感受野大小的肺炎检测装置与定位方法。

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。肺炎在胸部X光片中表现为不透明度增加的区域，目前，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X光片非常耗时费力，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。

近年来，随着深度学习(Deep Learning,DL)的发展，因其适用于解决各种临床成像问题而在放射学中引起了极大关注，在胸部X光图像领域，国内外学者纷纷展开了研究。Wu等设计出一种基于卷积神经网络的X光片肺炎结果预测装置，其中分类网络采用ResNet50,检测模型为更快的提出区域卷积神经网络(Faster R-CNN)，但所用检测模型为两阶段的检测模型，所以模型复杂度高，检测速度慢。Amit等首先将X光图像输入校准候选区域(ROI Align)分类器，然后用Faster R-CNN模型进行分割并预测出预测框，并在训练过程中调整阈值来提高结果，但结果精度并不高。所以，除放射科医师的诊断外，用复杂度较低的深度学习框架来准确检测肺炎对减少放射科医师工作量和对患者疾病的早期诊断都有重要作用。

发明内容

为克服现有技术的不足，本发明旨在提出胸部X光片诊断方法和设备，提高诊断胸部X光片效率。为此，本发明采取的技术方案是，可自适应调节感受野大小的肺炎图片检定装置，包括X光机和计算机，X光机拍摄的图片输入计算机，计算机包括特征提取网络处理模块、特征金字塔模块、分类子分支和回归子分支模块；ResNet50和ResNet101分别与选择性核卷积结合形成SK-ResNet50和SK-ResNet101作为特征提取网络，ResNet50是50层的残差网络，ResNet101是101层的残差网络；所提取的特征输入特征金字塔模块进行处理，特征金字塔输出特征图；分类子分支模块为全卷积神经网络FCN模块，连接在特征金字塔网络输出的每个特征图上，输出预测框的检测分数；回归子分支模块也是全卷积神经网络FCN模块，也连接在特征金字塔网络输出的每个特征图上，输出预测框的位置，预测框是预测出的肺炎病灶区域。

可自适应调节感受野大小的肺炎图片检定方法，建立选择性核卷积视网膜网络SK-RetinaNet，该网络包括三个部分：SK-ResNet、特征金字塔网络和子分支；其中SK-ResNet是在残差网络ResNet基础上残差块里加入自适应调整感受野大小的SK单元作为特征提取网络；特征金字塔网络的作用是利用SK-ResNet每层输出的特征图由上至下构建多尺度特征图集合；子分支由分类子分支和回归子分支构成，分类子分支是一个全卷积神经网络FCN，连接在特征金字塔网络输出的每个特征图上，回归子分支也连接在特征金字塔网络输出的每个特征图上，分类子分支和回归子分支实现在多个尺度上的检测与定位任务。