[發(fā)明專利]一種基于SE-ResNet的肺結(jié)核識別方法

在審

• 申請?zhí)枺?/td>: 202110301567.2
• 申請日: 2021-03-22
• 公開（公告）號: CN113052227A
• 公開（公告）日: 2021-06-29
• 發(fā)明（設(shè)計）人: 潘曉光;焦璐璐;令狐彬;宋曉晨;韓丹
• 申請（專利權(quán)）人: 山西三友和智慧信息技術(shù)股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/42;G06N3/04;G06N3/08;G06T7/00
• 代理公司: 太原榮信德知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 14119
• 代理人: 楊凱;連慧敏

本發(fā)明提供了一種基于SE?ResNet的肺結(jié)核識別方法，包括：獲取真實肺結(jié)核圖像，采用DCGAN網(wǎng)絡(luò)生成肺結(jié)核圖像，并基于真實肺結(jié)核圖像和生成肺結(jié)核圖像構(gòu)建矩陣化的肺結(jié)核圖像數(shù)據(jù)集；對肺結(jié)核圖像數(shù)據(jù)集進(jìn)行預(yù)處理，預(yù)處理包括數(shù)據(jù)讀取和數(shù)據(jù)歸一化處理；將肺結(jié)核圖像數(shù)據(jù)集劃分為訓(xùn)練集與測試集；基于ResNet50網(wǎng)絡(luò)和SENet模塊構(gòu)建SE?ResNet網(wǎng)絡(luò)，使用ImageNet數(shù)據(jù)對該網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，對網(wǎng)絡(luò)參數(shù)進(jìn)行初始化，并采用訓(xùn)練集對該網(wǎng)絡(luò)進(jìn)行訓(xùn)練；采用訓(xùn)練完成的SE?ResNet網(wǎng)絡(luò)對待識別的肺結(jié)核圖像進(jìn)行分析識別，得到對應(yīng)的分析識別結(jié)果。該識別方法無需人工干預(yù)即可智能的識別肺結(jié)核X光胸片，識別速度快，精度高。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像信息檢測領(lǐng)域，具體涉及一種基于SE-ResNet的肺結(jié)核識別方法。

背景技術(shù)

目前，專業(yè)醫(yī)師的缺乏導(dǎo)致肺結(jié)核病人無法第一時間被確診并接受治療，而從原始醫(yī)學(xué)影像輸出中診斷病理往往是一個比非醫(yī)學(xué)影像分類所面臨的理想問題更復(fù)雜的問題，導(dǎo)致現(xiàn)有的肺結(jié)核智能診斷系統(tǒng)識別準(zhǔn)確率較低。

現(xiàn)有技術(shù)存在的問題或者缺陷：肺結(jié)核病人在診斷過程中常需要較長時間的等待，且在一些醫(yī)療條件不足的地區(qū)，病人會被誤識別為陰性，在自身無法得到治療的同時，造成肺結(jié)核的傳播；并且現(xiàn)有的肺結(jié)核檢測技術(shù)效率低、準(zhǔn)確率差。

發(fā)明內(nèi)容

針對上述現(xiàn)有的肺結(jié)核檢測技術(shù)效率低、準(zhǔn)確率差的技術(shù)問題，本發(fā)明提供了一種識別速度快、精度高、模型的收斂速度快的基于SE-ResNet的肺結(jié)核識別方法。

為了解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：

一種基于SE-ResNet的肺結(jié)核識別方法，包括以下步驟：

S1、獲取真實肺結(jié)核圖像，采用DCGAN網(wǎng)絡(luò)生成肺結(jié)核圖像，并基于真實肺結(jié)核圖像和生成肺結(jié)核圖像構(gòu)建矩陣化的肺結(jié)核圖像數(shù)據(jù)集；

S2、對肺結(jié)核圖像數(shù)據(jù)集進(jìn)行預(yù)處理，預(yù)處理包括數(shù)據(jù)讀取和數(shù)據(jù)歸一化處理；將肺結(jié)核圖像數(shù)據(jù)集劃分為訓(xùn)練集與測試集；

S3、基于ResNet50網(wǎng)絡(luò)和SENet模塊構(gòu)建SE-ResNet網(wǎng)絡(luò)，使用ImageNet數(shù)據(jù)對該網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，對網(wǎng)絡(luò)參數(shù)進(jìn)行初始化，并采用訓(xùn)練集對SE-ResNet網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并對SE-ResNet網(wǎng)絡(luò)的模型效果進(jìn)行評價；

S4、采用訓(xùn)練完成的SE-ResNet網(wǎng)絡(luò)對待識別的肺結(jié)核圖像進(jìn)行分析識別，得到對應(yīng)的分析識別結(jié)果。

所述S1中采用DCGAN網(wǎng)絡(luò)生成肺結(jié)核圖像的方法為：使用DCGAN網(wǎng)絡(luò)進(jìn)行肺結(jié)核陽性圖像與肺結(jié)核陰性圖像的生成，輸出生成圖像的分辨率設(shè)置為128x128，并從生成圖像中篩選符合預(yù)設(shè)要求的肺結(jié)核陽性圖像與肺結(jié)核陰性圖像；

所述S2中對肺結(jié)核圖像數(shù)據(jù)集進(jìn)行數(shù)據(jù)讀取的方法為：讀取圖片形式的肺結(jié)核數(shù)據(jù)與其對應(yīng)標(biāo)簽并保存為矩陣形式，用于所述SE-ResNet網(wǎng)絡(luò)的訓(xùn)練與識別；數(shù)據(jù)保存形式為(n,x,y)，其中，n為數(shù)據(jù)編號，x與y為其像素值；標(biāo)簽保存形式為(n,l)，其中，n為對應(yīng)數(shù)據(jù)編號，l＝1表示陽性，l＝0表示陰性。

所述S2中行數(shù)據(jù)歸一化處理的方法為：將肺結(jié)核圖像數(shù)據(jù)集中的灰度數(shù)據(jù)的所有像素點除以255，即X_i′＝X_i/255

其中，X_i代表第i條數(shù)據(jù)，X_i′代表歸一化后的第i條數(shù)據(jù)，將所有數(shù)據(jù)歸一化到[0,1]范圍內(nèi)。

所述S3中ResNet50網(wǎng)絡(luò)的表示方式為：

y_l＝h(x_l)+F(x_l,W_l)

x_l+1＝f(y_l)