[发明专利]一种基于神经网络的胸部X光片识别检测系统和方法

说明书

本发明提供了一种基于神经网络的胸部X光片识别检测系统和方法，通过对大数据的深度学习检测患者肺部的X光片识别肺炎病变，实现了快速准确检测肺炎病变的功能。本发明训练的深度学习模型(多层CNN模型)与通过flask构建的web系统相结合，实现了实时图像检测的功能，在线辅助医生提高了检测肺炎的效率，在短时间、大检测量的情况下具有高度的实用性。本发明为辅助医护人员检测肺炎提供了数据支撑，减少了误判、错判和漏判的情况，提高了检测结果的准确性。本发明采用包括密码登录与扫脸登录的登录方式，提高了登录的成功率和隐秘性。

技术领域

本发明属于医学图像处理技术领域，具体涉及一种基于神经网络的胸部X光片识别检测系统和方法。

背景技术

新冠疫情的到来使全球肺炎人数激增，在新冠疫情之前，全球每年增加的肺炎患者人数也有很多。目前胸部X光检查是诊断肺炎的最佳方法，在临床护理和流行病学研究中发挥着至关重要的作用。由于X射线穿过人体时受到不同程度的吸收，通过人体后的X射线量不同，在荧光屏或摄影胶片上显示出不同密度的阴影；根据阴影浓淡的对比，结合临床表现、化验结果和病理诊断，即可判断人体某一部分是否正常。然而通过X光片诊断肺炎严重依赖于放射科医师的专业能力和从业经验，不易于推广。

发明内容

本发明要解决的技术问题是：提供一种基于神经网络的胸部X光片识别检测系统和方法，用于实现快速准确检测肺炎病变的功能。

本发明为解决上述技术问题所采取的技术方案为：一种基于神经网络的胸部X光片识别检测系统，包括身份验证模块、患者信息管理模块、检测模块、数据库模块，身份验证模块、患者信息管理模块、检测模块分别与数据库模块连接；身份验证模块用于验证系统使用者的账户和密码，并开通与账户相应的权限；患者信息管理模块用于增加、删除、编辑患者的信息；检测模块用于搭建深度学习的神经网络模型，比较待测图像与数据库中的图像数据集，并判断待测图像是否为某种肺炎图像；数据库模块用于存储使用者的身份信息、患者信息、肺炎病变图像数据，分别供身份验证模块、患者信息管理模块、检测模块调用。

按上述方案，深度学习的神经网络模型包括用于训练数据的数据生成器和用于验证数据的数据生成器，用于将加载的图像数据转换为训练数据并训练目标；用于训练数据的数据生成器采用from keras.preprocessing定义；用于验证数据的数据生成器采用image import ImageDataGenerator定义。

按上述方案，神经网络模型为在VGG16模型中添加全连接层、在每个全连接层后进行批归一化得到的改进VGG16神经网络模型；神经网络模型依次包括Functional层、Dropout层、Flatten层、Batch层、Dense层、Batch层、Activation层、Dropout层、Dense层、Batch层、Activation层、Dropout层、Dense层；Functional层为VGG16模型；Dropout用于在训练时按一定概率随机丢弃神经元以提高训练速度、防止过拟合；Flatten在卷积层与全连接层之间，用于把卷积层输出的多维数据拍扁成一维数据并输入全连接层；batch_normalization层用于通过批归一化保持训练数据和测试数据的分布相同；Dense层为全连接层，其中每一个结点分别与上一层的所有结点相连，用于综合提取到的特征；Activation层采用激活函数Relu使归零神经元的输出，用于稀疏网络、减少参数的相互依存关系，缓解过拟合。

按上述方案，图像数据集包括训练集和测试集，每个数据集分别包含正常图像和病变图像；从训练集中随机抽取20％的数据构成验证集。

一种基于神经网络的胸部X光片识别检测方法，包括以下步骤：

S1：搭建一种基于神经网络的胸部X光片识别检测系统，包括身份验证模块、患者信息管理模块、检测模块、数据库模块；身份验证模块、患者信息管理模块、检测模块分别与数据库模块连接；

S2：使用者登录系统；