[發明專利]一種基于細粒度的醫學x射線肺部圖像檢測方法

在審

• 申請號: 202110751986.6
• 申請日: 2021-07-02
• 公開（公告）號: CN113610757A
• 公開（公告）日: 2021-11-05
• 發明（設計）人: 羅小平;仇麗茹;文龍;應艷琴;潘初;朱永凱
• 申請（專利權）人: 華中科技大學同濟醫學院附屬同濟醫院;中國地質大學（武漢）
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 萬文廣

本發明提供了一種基于細粒度的醫學x射線肺部圖像檢測方法，包括以下：構建檢測模型，包括：特征提取模塊、注意力引導數據增強模塊、BAP特征融合模塊；利用檢測模型實現肺部圖像檢測：獲取原始肺部圖像樣本數據，將原始數據輸入至特征提取模塊，得到圖像特征和注意力地圖；將注意力地圖輸入至注意力引導數據增強模塊進行數據增強；將增強數據和原始數據輸入至所述特征提取模塊中進行訓練，得到訓練后的注意力地圖和圖像特征；利用BAP特征融合模塊進行融合，得到融合特征；將融合特征輸入全連接層，得到最終的檢測結果。本發明大大提高了醫學x射線圖像檢測的精度和效率，避免了因為環境條件或是主觀判斷等因素影響檢測結果的準確性。

技術領域

本發明涉及醫學圖像處理領域，尤其涉及一種基于細粒度的醫學x射線肺部圖像檢測方法。

背景技術

細粒度圖像分類(Fine-grained Image Classification)是機器視覺領域一項重要研究內容。不同于一般的圖像分類任務，其目標對象屬于粗粒度類別，細粒度圖像分類是針對大類下的子類進行區分。由于細粒度分類的特性使得子類之間視覺表征十分相似，只存在微小的局部差異，因此細粒度圖像分類相較于普通圖像分類任務難度更大。

早期細粒度圖像分類方法都是基于人工特征的算法，由于人工特征表述能力有限，其分類效果有一定的局限性。近年來，隨著深度學習的發展，卷積神經網絡憑借其優異的自動特征提取能力在細粒度圖像分類領域得到大量的應用。基于深度學習的細粒度分類方法的流程主要有：找出具有明顯區域特征的局部區域；利用卷積神經網絡提取這些區域的特征；級聯這些特征訓練分類器實現分類與檢測。

全世界每天都產生大量的醫學影像信息，醫學圖像上異常部位的檢測是分析醫學圖像的關鍵步驟，提高診斷效率一直是醫學圖像檢測的重中之重，因此國內外都十分重視醫學影像處理。醫學圖像的異常部位檢測也是計算機視覺檢測的一個重要部分，其檢測的準確程度會直接影響最終的診斷結果，人工檢測的速度較慢、效率低下，而且在檢測的過程中容易出錯，從而導致了檢測結果的不精確，而利用機器視覺檢測很好地克服了這一點。

發明內容

本發明屬于基于計算機視覺技術的圖像檢測技術。利用計算機視覺模擬人類視覺的功能，從具體的實物進行圖象的采集處理、計算、最終進行實際檢測、控制和應用。本發明提出基于細粒度的醫學x射線肺部圖像檢測模型，并采用注意力機制可以很好的實現對醫學x射線肺部圖像上異常部位的檢測定位。

本發明提供的一種基于細粒度的醫學x射線肺部圖像檢測方法，包括以下步驟：

構建檢測模型，所述檢測模型包括：特征提取模塊、注意力引導數據增強模塊、BAP特征融合模塊；

利用檢測模型實現肺部圖像檢測，具體如下：

S1：獲取原始肺部圖像樣本數據，將原始肺部圖像樣本數據輸入至特征提取模塊，得到圖像特征和注意力地圖；

S2：將所述注意力地圖輸入至注意力引導數據增強模塊進行數據增強，得到增強數據；

S3：將所述增強數據和原始肺部圖像樣本數據輸入至所述特征提取模塊中進行訓練，得到訓練后的注意力地圖和圖像特征；

S4：將訓練后的注意力地圖和圖像特征輸入至BAP特征融合模塊進行融合，得到融合特征；

S5：將融合特征輸入分類層，得到最終的檢測結果。

進一步地，步驟S1具體為：采用自動數據增強方法對原始肺部圖像樣本數據進行數據增強；采用預訓練好的Inception V3網絡作為特征提取網絡，提取圖像特征F和注意力地圖A。

進一步地，圖像特征F∈R^H×W×N，其中H、W、N分別代表特征提取網絡特征層的高度、寬度與通道數；在圖像特征層增加1*1卷積運算，得到注意力地圖A∈R^H×W×M，具體如下式(1)：