[发明专利]肺炎X光图像检测方法

说明书

本发明提供了一种肺炎X光图像检测方法，包括以下步骤：1)将原始肺炎X光数据集转换为训练可用格式，该格式为TXT：对于该格式文件的每一行，依次包括图像路径，病灶左上角坐标以及右下角坐标，包含病灶的概率，值为1；2)用目标检测模型RetinaNet对训练数据进行训练，最终得到预测值；所述预测值表征了感兴趣区的位置信息和分类信息；3)将得到的预测值中的位置信息与训练集中真实值相应的位置信息作差并通过损失函数处理，将预测的概率值直接输入损失函数中，并根据处理结果调整卷积操作的卷积核参数；4)输入待检测肺炎X光图像至训练好的目标检测模型，所述目标检测模型输出检测结果。本发明提高了模型训练精度，使得预测结果更准确。

技术领域

本发明属于图像信息技术领域，具体涉及一种肺炎X光图像检测方法。

背景技术

肺炎可以引起呼吸衰竭、败血症以及全身器官的衰竭，它的危害不容忽视。因此，对于肺炎的诊断和治疗是刻不容缓的。2020年初爆发的新型冠状病毒(2019-nCoV)就有可能导致肺炎。

目标检测是当前计算机视觉中的一个重要环节，算法输入一张肺炎X光图像，经过测试，该算法用一个矩形框定位肺炎病灶。由于肺炎X光图像的纹理信息较多，而语义信息较少，需要采用深度卷积网络提取语义特征。而且肺炎X光图像的通道数单一、病灶边界框模糊，定位问题难度上升。

目前应用在肺炎X光图像中的目标检测包括SSD、Mask RCNN、Faster RCNN、RetinaNet 等，以上模型都采用深度学习的技术，步骤大致分为两步，第一步提取图像的特征，第二步预测图像中存在目标的矩形框坐标以及它的类别。其中用到一种先验框的技术，称为锚框，每个锚框预测一个目标类别以及一组坐标。在RetinaNet中就用到了锚框技术，RetinaNet是一阶段目标检测模型，结合FPN50以及Focal Loss技术预测目标矩形框以及类别，但是其中仍然存在以下问题：

(1)由于肺炎X光图像边界框模糊，而模型损失函数中定位损失以及分类损失地位相同，易导致定位问题的训练失败。

(2)在RetinaNet模型提取特征时，用到的Relu激活函数在负输入时值为0，易导致负输入的神经元梯度为0导致失效。

(3)在RetinaNet模型提取特征时，卷积神经网路虽然加强了每个通道平面上像素间的联系，而通道与通道之间的信息没有联系。

发明内容

有鉴于此，为了解决上述现有技术问题，本发明提出了一种提高模型训练精度的肺炎X光图像检测方法，提高了检测准确度。

本发明的技术解决方案是，提供了一种肺炎X光图像检测方法，包括以下步骤：

1)将原始肺炎X光数据集转换为训练可用格式，该格式为TXT：对于该格式文件的每一行，依次包括图像路径，病灶左上角坐标以及右下角坐标，包含病灶的概率，值为1；

2)用目标检测模型RetinaNet对训练数据进行训练，所述目标检测模型RetinaNet包括特征提取网络和预测网络，所述特征提取网络包括第一特征网络ResNet50和第二特征网络FPN，所述第一特征网络ResNet50对训练数据集中的肺炎X光图像依次进行下采样和卷积操作，获得第一特征图C1、第二特征图C2、第三特征图C3、第四特征图C4和第五特征图C5，所述第二特征网络FPN对第五特征图C5依次进行下采样和卷积，获得第六特征图P6和第七特征图P7；

第五特征图C5作为输入预测网络的特征图P5，对第五特征图C5进行上采样，得到特征图A5，所述第四特征图经过全局池化得到的向量与C4相乘的结果特征图与特征图 A5叠加，得到特征图P4，对特征图P4进行上采样得到特征图A4，所述第三特征图经过全局池化得到的向量与C3相乘的结果特征图与特征图A4叠加得到特征图P3，