[发明专利]一种胸部DR图像上异物自动检测的方法

权利要求书

1.一种胸部DR图像上异物自动检测的方法，其特征在于，该方法包括如下步骤：

步骤一：图像采集

选取受检者胸部DR图像；

步骤二：图像数据整理

对选取的胸部DR图像进行Faster RCNN训练、验证及测试，按3:1:1的比例随机将受检者胸部DR图像划分数据集为训练集、验证集和测试集；对训练集和验证集图像进行了数据增强操作，采用高斯滤波，直方图均衡化，旋转30度，裁剪四种方式，将训练集图像和验证集图像数据增大为原来的5倍；

步骤三：肺野分割模型训练

肺野分割采用Unet网络模型，该网络的输入和输出的图像大小均为512×512×3，采用Adam优化器进行模型训练；

步骤四：异物检测模型训练

异物检测模型采用Faster RCNN网络模型，该网络模型由4部分构成，即特征提取网络、候选区域框网络RPN、感兴趣区域池化ROI pooling和分类层；其中特征提取采用超分辨率测试序列VGG16，结构中有13个卷积层和3个全链接层，网络输入大小为600×600，首先，使用超分辨率测试序列VGG16提取图片特征，然后将图片特征喂入候选区域框网络RPN得到proposals；随后，将上两步的结果的图片特征和proposals喂入感兴趣区域池化ROIpooling得到综合的proposals特征；最后，在分类层根据综合的proposals特征预测物体的包围盒和物体的类别；

步骤五：模型评价

肺野分割模型的精确程度采用肺野预测模型度量函数IoU值表示；异物检测结果分为三类：图像无异物，图像有肺野内异物，图像有肺野外异物，将检测结果用三分类混淆矩阵表示，并计算三类图像的召回率、精确率及最终分类的准确率。

2.根据权利要求1所述的胸部DR图像上异物自动检测的方法，其特征在于，步骤三中所述的采用Adam优化器进行模型训练的过程中，初始化学习率设置为0.001，损失函数为diceloss与交叉熵，即cross-entry loss之和，batchsize设置为8，共迭代1000个epoch，输出部分包含三类，分别为左肺、右肺和背景。

3.根据权利要求1所述的胸部DR图像上异物自动检测的方法，其特征在于，步骤四中所述使用超分辨率测试序列VGG16提取图片特征的过程中，利用迁移学习的方法，将超分辨率测试序列VGG16在ImageNet上训练的模型提取其前13个卷积层和前2个全连接层的参数，其余新添层均随机初始化权重，采用Adam优化器，初始化学习率设置为0.001，包围盒坐标的回归采用Smooth_11损失函数，异物类别的分类采用交叉熵损失函数，网络共迭代训练600个epoch。

4.根据权利要求1所述的胸部DR图像上异物自动检测的方法，其特征在于，步骤五中所述模型评价过程中，还包括首先建立图像标注的金标准的过程，具体方法是：将步骤一中图像采集得到的所有图像，由两位初级技师采用开源分割工具ImageJ进行左右肺野及异物的标注，一位主管技师进行复测，以复测标注为准，左右肺野是区域标记，分为左肺和右肺；异物是包围框标记，异物共13类，包含患者携带异物8类及医疗异物5类，对输入的胸部DR数据进行肺野分割后再进行异物检测，未检测到异物，输出结果为图像无异物；检测到异物，根据肺野区域和异物的位置，判断为图像有肺野内异物或图像有肺野外异物。

5.根据权利要求4所述的胸部DR图像上异物自动检测的方法，其特征在于，步骤五中所述模型评价过程，肺野分割精确程度采用肺野预测模型度量函数IoU值表示，如下方公式(1)所示：

图像的召回率、精确率及最终分类的准确率，如下方公式(2)—(4)所示：

式(1)-(4)中，y表示实际值，表示预测值；TP代表真正例的数量，FP代表假正例的数量，TN代表真负例的数量，FN代表假负例的数量，其中y、TP、TN由图像标注的金标准得到，FP、FN由测试集分别在步骤三和步骤四中训练好的模型中运行得到。