[发明专利]一种基于深度学习的胸部DR图像识别方法

说明书

本发明提供了一种基于深度学习的胸部DR图像识别方法，主要包括：DICOM图像数据矫正处理以及异物检测。其中DICOM图像数据矫正处理以适应不同机型、不同拍摄参数和图像质量的DR影像；异物检测环节设计了适用于不同大小异物检出的目标检测网络，对矫正处理后的DICOM图像进行计算，以得到异物所在的区域及类别。本发明采用深度神经网络，自动从图像中提取多尺度的特征用于异物的检测，避免了手动从图像中提取特定的特征，从而使本算法不依赖待检测异物的图形学特征，极大的增加了本算法的适应性，而图像矫正处理阶段有效的降低了不同设备生成的不同质量的DR影像对检测结果的影像，增大了本算法的适用范围。

技术领域

本发明涉及图像识别领域，具体涉及一种基于深度学习的胸部DR图像识别方法及装置等。

背景技术

胸部X线检查是诊断肺部和心脏疾病的的关键技术，是体检筛查肺部疾病的主要手段，如肺炎、肿块结节、气胸、肋骨骨折、心影增大等等。数字化X线摄影DR(DigitalRadiography)是在X线成像系统的基础上，利用计算机数字化处理，使模拟视频信号经过采样、模/数转换后直接进入计算机中进行存储、分析和保存。DR影像具有较高的分辨率，图像锐利度好，细节显示清楚。但是，在拍摄DR影像的过程中，由于种种原因，一些异物如纽扣、拉链、项链等也被拍摄到DR影像中。这些异物通常会对医生的阅片造成干扰——大的异物可能会遮挡住病灶，从而增加漏诊的概率；小的异物如小纽扣等会被误认为是肿块结节等，从而增加误诊的概率。因此，在胸部DR影像上，异物的检测定位能提醒阅片医生，降低甚至避免异物对阅片的干扰。

目前胸部DR影像上的异物检测算法可以分为两大类：(1)传统的图形学处理方法。这类方法采用图形学中的边缘检测算法对DR影像进行处理，提取图像中物体的边缘，然后采用霍夫变换(Hough Transform)来检测识别图像中出现的各种几何形状，如圆形和椭圆等等。这类异物检测方法十分依赖待检测异物的形状特征，如纽扣的圆形特征等，对于其他不规则形状异物的检测效果往往不尽人意。(2)经典的机器学习方法。这类方法先采用传统方法手动从图像中逐像素的提取特征，然后再使用机器学习学习中的分类算法如邻近算法kNN、支持向量机SVM等对每个像素点处的特征进行分类，来决定该像素点是否属于异物物体。这类异物检测方法往往十分依赖传统特征提取方法的选取以及异物的图形学特征，对于各式各样的异物不具有普适性。

发明内容

针对以上问题，本发明提出了一种基于深度学习的胸部DR图像识别方法及装置，来更好的定位DR影像中的异物。

本发明提供了一种基于深度学习的胸部DR图像识别方法，包括：

1)DICOM图像数据矫正处理，所述矫正处理为将DR图像的灰度值统一化；

2)异物检测，搭建适用于不同大小异物检出的目标检测网络，对矫正后的DICOM图像进行计算，以得到异物所在的区域及类别。

在一些实施方式中，所述灰度值统一化方法为：将DR影像的灰度值截断在以窗位为中心，以窗宽为长度的区间里，线性的将窗口区间映射到目标区间；

在一些具体的实施方式中，所述目标区间为[0，255]。

在一些实施方式中，对于缺失窗宽或窗位信息的DICOM，直接对其图像的灰度值进行线性映射，将灰度值的最小和最大值分别映射到目标区间的最小和最大值。

在一些实施方式中，所述DICOM图像数据矫正处理还包括对DR影像进行尺寸标准化处理。

在一些实施方式中，所述标准化预处理为将图像保持宽高比按较小边缩放到600-800(优选800)，如果其较大边超过1333，保持宽高比按较大边缩放到1333。

在一些实施方式中，所述目标检测网络为Faster-RCNN目标检测网络。