[发明专利]一种胸部DR图像上异物自动检测的方法

说明书

本发明公开了一种胸部DR图像上异物自动检测的方法，该方法包括：选取受检者胸部DR图像，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使得图像数据增大为原来的5倍；然后采用Unet网络模型肺野分割模型训练；再采用Faster RCNN网络模型进行异物检测模型训练，然后进行模型评价。本发明的方法建立的模型实现了对胸部DR图像异物位置和类型的自动检测。提高了异物识别速度，有效减少了人为评估的阅片时间，达到即时反馈修正的目的，避免不同设备间及人为主观评价的干扰。

技术领域

本发明属于胸部数字X线(DR)图像异物位置和类型自动检测领域，具体涉及一种胸部DR图像上异物自动检测的方法。

背景技术

胸部数字X线摄影(digital radiology,DR)具有信息采集率高、动态范围大、输出灰阶高和人工后处理功能强等特点，是临床最常用的影像学检查手段之一。胸部DR具有低辐射剂量、组织宽容度大、数据保存便捷等优势，成为日常胸部疾病筛查中行之有效的影像检查方式。实际工作中，受操作技师个体水平差异，对于迅速识别异物的能力存在个体化差异，易导致漏诊误诊的发生。技师的拍摄质量对疾病的正确诊断具有重要意义，合格的胸片才能保障对疾病的正确诊疗。异物是目前DR图像质控中最常见的诊断干扰因素。目前国内外各放射学组织，均建立了较为健全的X线评价体系和质量标准，标准的制定来自于影像科医生及影像权威专家的建议和意见。影像质量的评价主要源于诊断医生的主观评价，此方法时效性不佳，且带有主观误差，采集设备的种类多样同样可导致医疗数据的质量存在较大差异。尤其在胸片异物的实时检测中，不能完全满足即时识别反馈，在一定程度上影响胸片甲级率。

近年来，人工智能(artificial intelligence,AI)新技术逐步在影像检查中应用，通过深度学习算法在一定程度上可以辅助实现异物区域的即时识别，达到影像诊断前的图像异物实时反馈，从而提高胸部DR的图像质量，减少异物导致的误诊、漏诊，对临床医生的精确诊疗意义重大。已有研究表明，基于快速区域卷积神经网络(faster regionconvolutional neural network,Faster RCNN)的AI诊断系统在疾病诊断中具有较高的价值。也有研究表明基于AI的正位DR胸片质量控制系统提取出的图像特征相对于传统图像处理算法更加准确、高效。然而，目前国内尚未见基于Faster RCNN的AI技术在胸部DR图像异物位置和类型自动检测中的应用研究。

发明内容

发明目的：针对上述存在的问题，本发明提出了一种胸部DR图像上异物自动检测的方法，通过Faster RCNN建立了异物检测模型，结合了以Unet网络为基础的肺野分割模型，实现了对胸部DR图像异物位置和类型的自动检测。提高了异物识别速度，有效减少了人为评估的阅片时间，达到即时反馈修正的目的，避免不同设备间及人为主观评价的干扰。

上述的目的通过以下技术方案实现：

一种胸部DR图像上异物自动检测的方法，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