[发明专利]一种基于深度学习的胸片检测方法

权利要求书

1.一种基于深度学习的胸片检测方法，其特征在于：包括下列步骤：

S100、数据采集：对肺浑浊、骨折、气胸、胸腔积液与正常X光胸片五种图像进行收集，并由专业医师进行标注；

S200、数据预处理：对数据进行裁剪与缩放并进行归一化处理，将标签转换为One-Hot形式，构建可供深度学习网络进行训练与识别的标准数据集；

S300、数据集划分：使用K折交叉验证的方法将数据集划分为5个数据集；

S400、模型构建：构建X光胸片识别深度网络模型，模型由CNN层、X-D层、全卷积层与全连接层4部分构成，前三层网络对特征进行不同感受野与不同方式的特征提取，由全连接层输出分类结果；

S500、模型训练与评价：指定训练参数，使用K折交叉方法对模型进行训练，根据模型识别效果，选取最优参数模型，当模型损失值无下降则停止训练，保存模型并评价。

2.根据权利要求1所述的一种基于深度学习的胸片检测方法，其特征在于：所述S100数据采集中，从医疗机构获取病灶X光图像数据，由专业医师对数据进行标注，数据集共包含病灶X光图像共1600张，4类疾病X光图像各400张，600张正常胸部X光图像，肺浑浊、骨折、气胸、胸腔积液与正常X光图像的标签分别为1-5类。

3.根据权利要求2所述的一种基于深度学习的胸片检测方法，其特征在于：所述S200数据预处理中，将数据全部缩放为600*600大小的图像，归一化处理方式为对所有像素点除以255，将所有数据归一化到[0，1]的范围内，One-Hot标签分别为肺浑浊[1,0,0,0,0]、骨折[0,1,0,0,0]、气胸[0,0,1,0,0]、胸腔积液[0,0,0,1,0]、正常[0,0,0,0,1]。

4.根据权利要求3所述的一种基于深度学习的胸片检测方法，其特征在于：所述S300数据集划分中，对数据集采用K折交叉验证方式进行数据集的划分为训练集与验证集，取K＝5，将全部数据平均分为5个数据集，编号为数据集a/b/c/d/e。

5.根据权利要求4所述的一种基于深度学习的胸片检测方法，其特征在于：所述S400模型构建中，基于Xception构建模型，并对模型进行改进，模型由4部分构成，分别为CNN层、X-D层、全卷积层、全连接层，CNN层用于缩小feature map，并提升数据维度，挖掘数据特征；X-D层由具有膨胀卷积核的Xception网络构成，利用深度可分离卷积对数据特征进行学习，并利用膨胀卷积对不同感受野下的特征进行分析；全卷积层利用全卷积网络对特征进行降维分析；全连接层用于完成分类任务。

6.根据权利要求5所述的一种基于深度学习的胸片检测方法，其特征在于：所述S400模型构建中，CNN层、X-D层、全卷积层、全连接层，CNN层工作方式分别如下：

CNN层：进行三次卷积运算，每次卷积运算后进行一次最大池化并使用ReLU进行激活，第一次卷积的卷积核大小为5*5，步长为2，池化核大小为4*4，步长为2；第二次卷积的卷积核大小为.3*3，步长为2，池化核大小为3*3，步长为1；第三次卷积的卷积核大小为.3*3，步长为1，池化核大小为2*2，步长为1；每次池化完成后进行一次系数为0.3的dropout操作，防止过拟合，三次卷积完成后，对得到的feature map进行一次Batch Normalization对数据进行处理，防止梯度消失，3次卷积分别将数据维度提升到4维，8维，16维；

X-D层：CNN层输出特征提取结果后，X-D对输入的特征先进行1*1卷积，之后对每个channel分别进行3*3卷积操作，对3*3卷积的50％卷积核采用膨胀卷积方式，膨胀卷积尺度为1，卷积运算完成后，将所有的输出与CNN层的输出进行concate，得到高维特征，将concate得到的特征进行一次Batch Normalization；

全卷积层：对X-D层输出的feature map进行flatten，之后采用1*1卷积核对数据特征进行全卷积操作，对数据进行降维，经过3层的1*1卷积，将数据降维到1；

全连接层：将全卷积层输出的特征进行全连接运算，使用softmax对计算结果进行输出，得到最终分类结果。