[发明专利]一种少样本胸部X-Ray图像的辅助检测方法

说明书

本发明提供了一种少样本胸部X‑Ray图像的辅助检测方法。该方法包括：采集胸部的CXR图像，通过自适应的X‑Ray图像降噪模块对所述CXR图像进行图像预处理，利用预处理后的X‑Ray图像组成训练集和验证集；构造基于迁移学习的量子卷积神经网络，利用训练集和验证集对基于迁移学习的量子卷积神经网络和分类网络模型进行迭代优化处理，将迭代优化处理后的分类网络模型与量子卷积神经网络进行融合，得到辅助检测网络模型；利用辅助检测网络模型对待诊断的胸部的CXR图像进行诊断，输出待诊断的胸部的CXR图像的诊断结果。本发明通过融合基于迁移学习的分类网络模型与量子卷积神经网络得到辅助检测网络模型，结合了不同模型的优势，对检测准确率大大提升。

技术领域

本发明涉及X-Ray图像处理技术领域，尤其涉及一种少样本胸部X-Ray图 像的辅助检测方法。

背景技术

X射线(X-Ray)是一种波长极短、能量很大的电磁波。X射线具有穿透 性，但人体组织间有密度和厚度的差异，当X射线透过人体不同组织时，被吸 收的程度不同，经过显像处理后即可得到不同的影像。CXR(chest X-Ray) 为一种胸部X射线。

深度学习中的注意力机制从本质上讲和人类的选择性视觉注意力机制类 似，核心目标是从众多信息中选择出对当前任务目标更关键的信息。迁移学 习是一种机器学习方法，指的是一个预训练的模型被重新用在另一个任务 中。

量子计算是一种遵循量子力学规律调控量子信息单元进行计算的新型计 算模式，量子神经网络：是基于量子力学原理的神经网络模型。

模型融合是综合考虑不同模型的情况，通过不同的融合方式融合多个不 同模型的结果，可以从模型结果、模型本身以及样本集等出发来考虑。

由于不同的组织和器官密度以及厚度的不同，X射线穿过人体被吸收的程 度也不同，经过显像处理得到的不同的影像即为X光片(X-Ray)，它在当今 时代的医学诊断中发挥着非常重要的作用，由于不发达的地区可能没有足够 的CT扫描仪，同时拍摄X光片费用低廉，让偏远地区以及不大富裕的家庭都能 享受到先进的医疗条件，因而X-Ray图像成为放射科医生检测胸部病理的首 选。

在医学图像研究领域中，针对病毒性大流行的局面，想要照顾到更多的 人员，CXR的检测方式成为放射科医生的首选，同时兼顾费用、时效性与安全 性。为了进一步提高医务人员的效率和诊断精度，提升医疗服务质量以及节 省医疗专业人员的宝贵时间，如何开发一种快速的CXR图像辅助诊断检测系统 是一个亟待解决的问题。

随着机器学习和深度学习技术的迅猛发展，已经在各个领域都实现了非 常好的应用，在医学图像方面，也已经取得了重大的突破，同时也将很多深 度学习模型应用其中，这极大地促进了相关任务的研究工作。

由于医学图像复杂、非结构化数据占比大、专业性强等特殊性，对医疗 数据的标注需要熟悉诊疗过程的医学专业人员的指导，使得标注任务繁重且 周期较长，往往难以获得与其他领域相一致的数据样本。少样本CXR辅助检测 系统，解决数据不足直接训练容易导致过拟合问题的同时，也能大大提高模 型的训练速度。

目前，现有技术中的少样本CXR图像的辅助诊断方法主要包括三个方向： 第一个方向是通过数据生成技术扩大数据集，从而完成神经网络的训练，这 类方法存在的问题是生成的图像并不一定能很好反映出病理特征，缺失了医 学图像的严谨性；第二个方向是通过迁移学习的方式，对ImageNet数据集上 已有的知识迁移到医学领域当中，有利于实现对少样本数据集的训练，也是 目前很多研究学者愿意考虑的研究方向；第三个方向是构建全新的网络模 型，需要考虑到数据集样本的大小，为了避免模型的过拟合，设计深度与广 度更加合理的神经网络模型，从而实现目标任务的诊断。结合近几年飞速发 展的深度学习技术，以及越来越多的优秀学术人跨入了计算机视觉领域的大 门，还会有更多的方向进一步提高少样本CXR辅助诊断系统的性能。

上述现有技术中的少样本CXR图像的辅助诊断方法的缺点为：