[发明专利]一种基于深度神经网络的X光影像分割与分类预测模型

说明书

本发明属于计算机技术领域，提出了一种基于深度神经网络的X光影像分割与分类预测模型。首先，对X光影像进行预处理；针对预处理后的图片，构建基于注意力机制的U‑Net图像分割模型，得到影像中包含的待检测病变区域；通过构建Inception‑ResNet v2卷积神经网络提取上述影像区域特征，预测X光片中对应组织器官发生变化的概率；将得到的预测概率和实际的结果进行对比，利用对比结果对模型中相关参数进行迭代更新，直至模型趋于收敛。本发明构建了一种行之有效的方法来利用深度神经网络完成器官变化预测，通过大量实验验证，本发明所达到的预测精度和速度优于现阶段的相关模型。

技术领域

本发明属于计算机技术领域，具体涉及一种基于深度神经网络的X光影像分割与分类预测模型。

背景技术

人工智能(ArtificialIntelligence，AI)在影像分析方面的应用主要有分类识别、定位检测和影像分割三大类。AI辅助分析能够有效地缓解误判问题，在某些影像分析任务上，经过充分训练的深度学习模型和资深的专家判别几无差别。利用深度神经网络对X光影像进行预测主要包含了两大类任务：分割和分类。

X光影像分割相关的主要方法有：基于阈值，基于区域，基于形变以及基于神经网络的方法。除了神经网络方法，其他的几种方法需要根据不同的数据格式和所分割实体的特点进行不同的算法设计，不具有普适性。而神经网络在同样的结构下，通过调整输入输出便可实现不同数据中不同的实体划分，相比于之前几种分割的策略，有更好的可迁移性。Long Jonathan等人在2015年提出全卷积网络(Fully Convolutional Networks,FCN)结构在影像分割领域取得了较好的效果。但是FCN对于像素之间的定位信息学习不是很准确。在FCN的基础上，U-Net网络结构被提出，通过skip-connect的方式将下采样和上采样的feature map进行了连接，融合了多个尺度的信息，其表现效果相较FCN也更优。基于U-Net神经网络，U-Net++，3D U-Net++相关的网络结构被提出，在不同的问题上取得了较好的效果。但是在分割的过程中，U-Net相关网络采取同样的特征提取方式，在局部，缺乏灵活性。针对于X光影像分割的问题，我们使用基于注意力的U-Net神经网络，相比于U-Net网络，它能够较好地实现对不同特征区域的自适应关注程度，在计算量相近的情况下，实现更好的性能。

X光影像的分类是深度学习在影像分析领域中较早的应用之一。目前，卷积神经网络(CNN)正逐渐成为X光影像筛查分类中的标准技术，其应用非常广泛。DenseNet网络解决了梯度弥散的问题，在一些基于X光影像的分类任务中表现出了较好的效果。此外，如：ResNet，Inception，SENet等特征提取相关的网络在不同的X光影像分类预测问题上均表现出了不同的效果，在具体的任务背景和不同的数据格式条件下，需要根据实际的情况，设计不同的神经网络。在本发明的X光影像预测问题上，现有的工作重点主要聚焦于图像分类部分，所采用的方法达到的预测效果准确度有限，所能提供的信息置信度有待提高。因此，本发明提供一种可靠的方法和流程完成X光影像的预测。

发明内容

针对现有技术存在的问题，本发明提供一种基于深度神经网络的X光影像分割与分类预测模型。针对于X光影像数据，设计深度神经网络和预测流程，通过分割和分类上下游任务组合的方式，学习X光影像资料的特征，利用学习到的影像特征完成X光影像预测。

为了达到上述目的，本发明技术方案如下：

一种基于深度神经网络的X光影像分割与分类预测模型，步骤如下：

步骤一，对X光影像进行预处理，包括数据归一化、加噪、随机旋转和上采样；

步骤二，构建基于注意力机制的U-Net影像分割模型；