[发明专利]一种基于频率注意网络的胸肺部疾病诊断方法

说明书

本发明公开了一种基于频率注意网络的胸肺部疾病诊断方法，包括，利用离散余弦变换将胸部X光片由空间域转换到频率域，将相同频率的离散余弦变换系数组合为矩阵，获得所述胸部X光片的不同频率标记；去除所述胸部X光片中的高频离散余弦变换系数矩阵以减少噪声对诊断结果的影响；将三个经过选择的不同频率的所述离散余弦变换系数矩阵分别输入设计了注意力模块的分支；融合每个频率提取出的特征后得出胸部疾病的诊断结果。本发明使用DCT变换获得胸部X片在不同频率的表示，以获取多尺度的特征，借助注意力模块可以有效地提取胸肺部疾病特征，并有效提升胸肺部疾病的诊断性能。

技术领域

本发明涉及胸肺部疾病诊断的技术领域，尤其涉及一种基于频率注意网络的胸肺部疾病诊断方法。

背景技术

在临床实践中，胸部X光射线(CXR)因其价格低廉且易于获取而成为诊断心脏肥大、肺炎和结节等心胸疾病最常用的放射学检查之一。然而，使用CXR图像诊断疾病需要具有专业知识的放射科医生花费大量时间观察并手动标记它们。由于不同病变的细微纹理变化以及病理之间的复杂关联，即使对于经过长期临床训练的医生来说，准确诊断所有疾病也是一个挑战。为了缓解医疗资源的紧张，提高胸部疾病诊断的准确性，有必要开发高性能的计算机辅助诊断系统。

随着深度学习技术的发展和大规模CXR数据集的普及，许多研究尝试应用深度学习技术来自动分析CXR图像。大多数现有工作是从空间域的角度处理输入到网络中的CXR图像。通常有两种方法：(1)只考虑全局图像作为输入；(2)将疑似病灶区域的全局图像和局部图像进行特征融合以诊断相关疾病。许多方法直接将全局CXR图像输入到经典的CNN模型及其变体中以提取相关特征。Yao等人将全局图像输入到密集连接网络(DenseNet)作为编码器，长短期记忆网络(LSTM)作为解码器，利用目标标签之间的依赖性来诊断14种胸部疾病。Wang等人使用在ImageNet数据集中预训练过残差网络(Resnet)的提取特征，只训练过渡层和分类器，使用类激活图定位病变区域。Ma等人在骨干网络中添加了一个挤压激励模块(squeeze-and-excitation,SE)来掌握通道之间的依赖关系，并配备了一个空间注意力模块来关注疑似病变区域。Guan等人使用分类残差注意力机制通过分配较小的权重来抑制不相关的特征，同时分配较大的权重来增强相关特征。Chen等人使用分割网络从全局CXR图像中分割肺部区域，并将全局图像和肺部图像输入网络以提取特征。

现有的工作大多在空间域中切出疑似病变区域或肺区域以降低噪声，但难以准确定位病变区域，而肺区域的分割需要一个子网络来训练和处理CXR图像。由于不同胸部疾病的临床诊断依据通常有较大差异，有时同一CXR图像中存在多种疾病。例如，肺结节的诊断通常需要在小范围内检测病变，而心脏肥大的诊断需要模型在更广泛的区域内掌握肺部的轮廓和心脏以建模获得患者的心胸比。通常，图像的低频部分包含更丰富的细节信息，在高频时物体的轮廓更明显。因此本发明使用CXR图像的多个选定频率作为输入，是模型更容易地学习更多特征并提高模型的性能。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于频率注意网络的胸肺部疾病诊断方法，能够解决现有的算法特征提取不充分、诊断精度低、训练推理时间长的问题。

为解决上述技术问题，本发明提供如下技术方案：包括，利用离散余弦变换将胸部X光片由空间域转换到频率域，将相同频率的离散余弦变换系数组合为矩阵，获得所述胸部X光片的不同频率标记；去除所述胸部X光片中的高频离散余弦变换系数矩阵以减少噪声对诊断结果的影响；将三个经过选择的不同频率的所述离散余弦变换系数矩阵分别输入设计了注意力模块的分支；融合每个频率提取出的特征后得出胸部疾病的诊断结果。