[发明专利]一种基于深度学习的胸片检测方法

说明书

本发明属于图像处理技术领域，具体涉及一种基于深度学习的胸片检测方法，包括如下步骤：数据采集、数据预处理、数据集划分、模型构建、模型训练与评价，所述数据采集对肺浑浊、骨折、气胸、胸腔积液与正常X光胸片五种图像进行收集并进行标注；所述数据预处理对数据进行裁剪与缩放及归一化处理，将标签转换为One‑Hot形式；所述数据集划分使用K折交叉验证的方法将数据集划分为5个数据集；所述模型构建由CNN层、X‑D层、全卷积层与全连接层4部分构成X光胸片识别深度网络模型；所述模型训练与评价使用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。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于深度学习的胸片检测方法。

背景技术

目前X光胸片是占全世界所有X光诊断图像的40％，但由于拥有诊断资格的医疗人员的缺乏，X光胸片常出现积压状况，病人并且无法第一时间得到诊断，导致错过最佳治疗时间，对于X光胸片的诊断主要依赖医师人工诊断，由于人力有限，诊断时间通常较长，无法让病人得到最快的治疗。

存在问题或缺陷的原因：目前的X光胸片智能识别技术多依赖人工特征选择，而此类特征选取较为困难，由于算法设计人员对于医学图像了解有限，而专业医师对于计算机识别算法理解同样不足，导致人工特征工程常常无法包含所有有效特征，导致识别效果较差。

发明内容

针对上述胸片识别处理技术模型识别效果较差等问题，本发明提供了一种基于深度学习的胸片检测方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于深度学习的胸片检测方法，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。

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。

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]。

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。