[發明專利]一種基于深度學習的肺結核DR影像識別方法

在審

• 申請號: 202010922695.4
• 申請日: 2020-09-04
• 公開（公告）號: CN112037212A
• 公開（公告）日: 2020-12-04
• 發明（設計）人: 王歡;屠德華
• 申請（專利權）人: 北京掌引醫療科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00;G06K9/46;G06K9/62;G06N3/04;G16H30/00
• 代理公司: 北京智行陽光知識產權代理事務所(普通合伙) 11738
• 代理人: 黃錦陽

1.一種基于深度學習的肺結核DR影像識別方法，其特征在于，包括以下步驟：

步驟1：10萬張數字胸片收集后進行AI閱片及專家標注；專家標注后的胸片，進行AI訓練識別功能的實現，結合AI閱片得到數字胸片篩查結果；

步驟2：薄層液基菌涂片染色一體開發，進入自動掃描識別系統，得到痰涂片診斷結果后與步驟1中的數字胸片篩查結果一并送至步驟3；

步驟3：推送到醫院HIS系統，得到結核病診斷結果。

2.如權利要求1所述的肺結核DR影像識別方法，其特征在于，所述步驟1中進行AI訓練識別功能的實現具體包括以下步驟：

步驟101：建立神經網絡模型化以及特征構建：神經網絡，由一個前置的32通道的卷積層和多個網絡組件構成整個神經網絡，總共有6個網絡組件，每個組件由一個前置的卷積和一組循環的網絡結構構成，所述循環的網絡結構由卷積層，batch normalize層，激活函數，殘差網絡構成；所述6個網絡組件分別進行不同數量的重復，首尾相接；重復的數量分別為1,2,8,8,4,4；每個組件中，卷積數量為2個，前面卷積的通道數目2倍于后面一個卷積，每個卷積后面連接batch normalize層；前5個組件的前置卷積的strde為2，其余的卷積的stride為1，因此整個神經網絡的下采樣率為32(2**5)；在每個組件的兩個卷積層之間設計直連殘差網絡；最后一個卷積層的輸出為1024*16*16，網絡的訓練是的batch size設置為16，初始學習率為0.01，采用步進學習率遞減方式進行學習率的更新；訓練時對不同的目標檢測維度采用的不同的損失函數，對于檢測框的中心點x，y和寬高w，h采用MSE損失函數，對于分類采用交叉熵損失函數，對于置信度損失采用BCElosswithlogits損失函數；

步驟102：降低維度，進行歸一化和圖片增強；所述圖像增強，將RGB轉變為HSV格式，即為色度、飽和度、亮度，然后對飽和度和亮度進行數據增強；具體實現方式為：對飽和度和亮度乘以一個0.5到1.5倍隨機數，然后將HSV格式還原為RGB格式；所述歸一化為讓網絡在訓練時集中于圖像的相對檢測區域，圖像在進入網絡之前都會將尺寸歸一化到512*512像素；先將圖片按照原圖的比例縮放到高為512或寬為512像素，然后將尺寸較小的維度，圖像增強部分隨后對圖像進行旋轉、透視、錯切變換，旋轉的角度為-5和5之間的隨機數，透視因子為0.9到1.1的隨機數，錯切因子為-0.1到0.1的隨機數，變換之后，按照0.5的概率對圖像進行水平和垂直翻轉，最終對圖像會進行0到1的歸一化；

步驟103：特征構建；神經網絡之后是特征提取網絡，網絡采用多尺度空間檢測方式，能自適應不同大小的檢測區域；在6個網絡組件中，第3個，第4個和第6個三個組件的特征圖輸出作為檢測結果，第3個組件的輸出尺寸為256*64*64，第4個組件的輸出尺寸為512*32*32，第6個組件的輸出尺寸為1024*16*16；首先基于第6個組件提取網絡的第一個特征圖，通過7個卷積進行提取特征，每個卷積的特征圖尺寸相同，不同的是通道數目，前6個卷積的通道數目以1024,512循環的方式，最后一個卷積的通道數目為18，然后基于第4個，第6個組件提取網絡的第二個特征圖，將第4和第6這兩個不同深度的特征圖進行融合，具體方法為：在第一個特征圖的7個卷積提取中，取第6個卷積的輸出，該輸出尺寸為512*16*16，對該特征圖進行上采樣，輸出尺寸為512*32*32的特征圖，取第4個組件的輸出特征圖尺寸也為512*32*32，將該兩個特征圖在通道維度進行拼接，輸出一個特征圖，尺寸為1024*32*32，命名為特征圖B,特征圖B作為后面第3個特征圖的輸入，也作為本層特征圖的輸入，將其經過7個卷積進行特征提取，每個卷積的特征圖尺寸相同，不同的是通道數目，前6個卷積的通道數目以512,256循環的方式，最后一個卷積的通道數目為18；

步驟104：參數求導；具體的包括：肺部結核病AI判定，1為正常，2為異常，當0-1之間，分值越大，病灶位置相似度越大；

步驟105：數據庫對比，是DR影像質量AI判定，即判定DR影像為合格片或者是廢片；

步驟106：肺結核DR影像識別；肺部結核病AI判定，判定為正?；虍惓?；當判定的異常時結合分值以及病灶位置可以具體判定為：1.活動性結核-胸膜病變；2.活動性結核-肺部病變；3.非活動性結核-肺部鈣化；4.非活動性結核-肺部纖維硬結；5.非活動性結核-胸膜鈣化；6.非活動性結核-胸膜纖維硬結；7.考慮結核-需排除炎癥；8.考慮結核-需排除腫瘤；9.非結核。