[發明專利]一種基于深度特征對稱融合的胸片肺炎檢測方法及系統

在審

• 申請號: 202110034700.2
• 申請日: 2021-01-12
• 公開（公告）號: CN112669312A
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 武紅立;陸慧娟
• 申請（專利權）人: 中國計量大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供了一種基于深度特征對稱融合的胸片肺炎檢測方法及系統，屬于圖像處理和模式識別技術領域。該方法為：從胸片中提取深度特征；將深度特征復制一份并逐通道水平翻轉；使用卷積核和線性整流函數激活函數將翻轉前后的特征融合到一起得到包含對稱特征的深度特征；將融合后的深度特征送入檢測網絡得到肺炎區域檢測結果。本發明利用人體左右近似對稱的特征，并將其融合到深度特征中，提出了深度特征對稱融合方法，能在保留胸片深度特征的同時融入對稱特征，得到的特征對健康肺部區域和肺炎區域具有更強的分辨能力，能夠提高肺炎檢測的精度。

技術領域

本發明涉及一種基于深度特征對稱融合的胸片肺炎檢測方法，屬于圖像處理和模式識別技術領域。

背景技術

肺炎是一種由細菌、病毒或真菌引起的肺部感染。由于感染和身體的免疫反應，肺泡中充滿液體。之后由于人體的呼吸，積液在肺的正常氣道內擴散。胸片即胸部X光 圖像，其原理是利用不同物質對X射線的吸收程度不同進行成像。X射線從人體后方發 射，穿透人體之后在人體前方的檢測器上成像。在穿透人體的過程中，正常肺部因為充 滿不吸收X射線的空氣所以在X光圖像中呈現黑色，感染肺炎的肺部因為含有吸收X射 線的積液所以在X光圖像中呈模糊玻璃狀陰影。在肺部無疾病的胸部X光圖像中，兩葉 肺呈現相同的黑色和近似的紋理。在患有肺炎的胸部X光圖像中，由于感染程度不同， 兩葉肺呈現不同位置和深度的模糊玻璃狀陰影。

深度學習是機器學習研究中的一個領域，通過對數據的低層特征進行組合和再次提取，形成更加抽象的深層特征和語義特征，進而得到更高的分類和檢測準確率。卷積神經網絡（Convolutional Neural Networks，CNN）是利用含有可學習參數的卷積核來對圖像進行特征提取。CNN在進行特征提取時，使用相同的卷積核對圖像不同部位進行卷積，因此卷積后的特征在位置上和原始圖像具有對應關系。

深度特征融合即使用一定的方法將CNN提取到的深度特征進行融合，通過對不同深度或不同位置的特征進行融合，提高融合后特征的抽象性和準確性，進而提升分類和檢測的準確率。

人的肺部是一個近似左右對稱的結構，通過對左右肺葉的對比可以初步判斷肺部是否正常，為肺部疾病的診斷提供幫助。在現有基于深度學習的胸片肺炎檢測方法中，未有考慮肺部對稱性的方法。

發明內容

針對以上問題和改進需求，本發明提供一種基于深度特征對稱融合的胸片肺炎檢測方法及系統，利用肺部對稱的原理，使用卷積進行對稱特征融合，該方法能有效利用 圖像中的對稱特征，提高肺炎檢測效率。

一種基于深度特征對稱融合的胸片肺炎檢測方法，包括訓練部分和識別部分；

所述訓練部分包括以下步驟：

（S1）使用卷積神經網絡從胸片中提取深度特征；

（S2）將深度特征復制一份并逐通道水平翻轉；

（S3）將翻轉后的深度特征和原始特征堆疊到一起，其中翻轉后的深度特征在下，原始深度特征在上；

（S4）訓練卷積核對堆疊深度特征進行特征提取，將特征層數壓縮一半；

（S5）使用線性整流函數（Rectified Linear Unit，ReLU）對壓縮后的特征進行激活；

（S6）將融合對稱特征的深度特征和對應的肺炎區域標注作為輸入，訓練得到肺炎檢測器；

所述識別部分包括以下步驟：

（T1）從待檢測的胸片庫中取出胸片；

（T2）從待檢測的胸片中提取待識別的深度特征；

（T3）將待識別的深度特征復制一份并逐通道水平翻轉；

（T4）將水平翻轉后的深度特征和待識別特征堆疊到一起，其中翻轉后的深度特征在下，待識別深度特征在上；

（T5）使用訓練好的卷積核對堆疊深度特征進行特征提取，將特征層數壓縮一半；