[发明专利]一种基于深度学习的X光胸片病灶定位方法及系统

权利要求书

1.一种基于深度学习的X光胸片病灶定位方法，其特征在于，包括：

获取X光胸片图像，对X光胸片图像进行预处理后，生成X光胸片图像对应的数据标签；

将预处理后的X光胸片图像输入训练好的卷积神经网络，根据输出结果生成X光胸片图像的初始病灶语义分割图像；

对所述初始病灶语义分割图像进行二次处理后，过滤掉卷积神经网络在肺部区域外部的假阳性，生成目标病灶语义分割图像；

将目标病灶语义分割图像叠加渲染到原图，生成一个显示病灶高亮的热图，完成对X光胸片病灶定位；

X光胸片图像为医学DICOM文件，将图像格式为DICOM的X光胸片转换成PNG格式，转换过程中将肺部区域通过直方图均衡化调整到最清晰的显示状态，以RGB的形式保存图像；

将图像进行归一化处理，图像分成R，G，B三个颜色通道，每个通道的各个像素点的像素值分别减去这个通道对应的平均值，再除以标准差，然后再把所有的像素值从0到255归一化至0到1，最后把图像缩小至512*512的大小；

对数据进行随机平移，裁剪，旋转，亮度、对比度的调整，具体剪裁范围为原图随机等比例缩放0.8至1；旋转为原图随机旋转正负15度，亮度为原图随机调整0.9至1.1；对比度为原图随机调整0.9至1.1；

对数据进行标记，圈出病灶区域，生成数据标签，每张X光胸片图像对应一张标签，标签记录着需要神经网络进行特征提取的病灶区域；

将经过处理的X光胸片图像，利用卷积神经网络进行特征提取，用梯度下降来训练网络；将需要进行预测的图像，分成R，G，B三通道的矩阵，输入训练好的卷积神经网络中，得到输出为264144维的特征向量；

将此向量还原成512*512的矩阵，像素值范围还原成0到255，得到X光胸片的病灶语义分割结果；

得到的神经网络原始分割图需要进行进一步的图像处理，首先进行形态学处理，进行开运算处理，使轮廓变光滑，狭小连接区域断开，消除毛刺和噪声；

设置一个阈值，对图像进行二值化处理，大于阈值的像素值设为255，小于阈值的置0，得到二值化图像；

计算图像中单个病灶区域的置信分数0到1，表示神经网络认为这个区域是病灶的确定程度；

通过结合肺区分割的结果和置信分数，过滤掉神经网络的预测在肺区外部的假阳性；

把得到的处理后的语义分割结果叠加渲染到原图上，产生一个显示病灶高亮的热图；颜色越红表示病灶的置信分数越高；关于渲染，具体就是将语义分割得到的灰度图的每一个灰度像素值映射到一个色度图上；首先先选择色度图，具体是用OPENCV中的COLORMAP_JET方法，作为一个色度图，从左到右每种颜色分别对应0-255的一个像素值；然后把语义分割的灰度图转换成RGB，然后RGB每个通道的每一个像素值分别对应一个颜色，从而得到渲染图。

2.根据权利要求1所述的基于深度学习的X光胸片病灶定位方法，其特征在于，所述获取X光胸片图像，对X光胸片图像进行预处理后，生成X光胸片图像对应的数据标签，包括：

获取医学DICOM文件格式的X光胸片图像；

将医学DICOM文件转为PNG图像，并进行图像增强；

将进行图像增强后的PNG图像进行归一化处理；

将归一化的PNG图像进行数据增强；

对增强后的数据进行标记，标记出病灶区域，生成X光图像对应的数据标签。

3.根据权利要求1所述的基于深度学习的X光胸片病灶定位方法，其特征在于，所述将预处理后的X光胸片图像输入训练好的卷积神经网络，根据输出结果生成X光胸片图像的初始病灶语义分割图像，包括：

获取预处理后的X光胸片图像，利用卷积神经网络进行特征提取，用梯度下降来训练网络；

获取卷积神经网络的输出结果，将特征向量还原为矩阵，并对像素值范围进行还原后，生成X光胸片图像的初始病灶语义分割图像。