[发明专利]基于神经网络模型的肺炎特征识别方法、装置及电子设备

说明书

本发明涉及深度学习技术领域，尤其涉及一种基于神经网络模型的肺炎特征识别方法、装置及电子设备，该方法包括以下步骤：获取待测胸片图像数据；输入待测胸片图像数据至神经网络模型中，神经网络模型为通过多组数据集训练得出的，多组数据训练集中的每组数据均包含具有肺炎特征的图像、特征位置标注信息和分类名称；运算神经网络模型，并复制待测胸片图像数据，将神经网络模型的识别结果标记在复制图像数据上，识别结果包括肺炎特征位置标记和分类名称标记；输出待测胸片的图像数据和标记了识别结果的复制图像数据。本发明通过同时输出待测胸片原片和标记识别结果的复制图像数据的形式，提高了识别效率的同时也避免了识别结果对原片的影响。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于神经网络模型的肺炎特征识别方法、装置及电子设备。

背景技术

肺炎影像又称为胸片或者肺部X光片，是根据人体不同组织对X线的吸收与透过率的不同，将测量所获取的数据通过电子计算机对数据进行处理后，获得的人体被检查部位的图像，医生通过观察图像得到发生病变的部位，再对该病变部位进行分析来对人体进行诊断，肺炎的诊治多需要依赖与医生对胸片的解读；然而由人工进行解读肺炎特征再去判定病情的效率太低，无法实现对疑似人员的快速识别；

相关技术中，为了提高对肺炎特征的识别效率，使用了医学图像处理技术，例如利用卷积神经网络，通过对带有肺炎特征的图像进行数据训练，自主学习肺炎特征的类型，然后通过数据模型的深度学习，实现对肺炎特征的类别以及位置的快速标注，为后续的诊断提供可靠的数据支撑；

然而现有的神经网络模型的缺陷在于一方面运算量大，运行速度相对较慢，另一方面，现有网络模型在输出结果时，直接将结果标记在原图上，标记遮挡了原图，影响诊治医生的对胸片的进一步观察。

公开于该背景技术部分的信息仅仅旨在加深对本发明总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。

发明内容

本发明所要解决的技术问题是：提供一种基于神经网络模型的肺炎特征识别方法、装置及电子设备，以降低胸片标记对医生观察的影响。

为了达到上述目的，本发明所采用的技术方案是：

第一方面，本发明提供了一种基于神经网络模型的肺炎特征识别方法，包括以下步骤：

获取待测胸片图像数据；

输入所述待测胸片图像数据至神经网络模型中，所述神经网络模型为通过多组数据集训练得出的，所述多组数据训练集中的每组数据均包含具有肺炎特征的图像和特征位置标注信息；

运算所述神经网络模型，并复制所述待测胸片图像数据，将所述神经网络模型的识别结果标记在复制图像数据上，所述识别结果包括肺炎特征位置标记；

输出待测胸片的图像数据和标记了识别结果的复制图像数据。

进一步地，所述神经网络模型包括主干特征提取网络、加强特征提取网络和预测网络；

其中，所述主干特征提取网络用于初步特征的提取，并获得三个有效特征层；

所述加强特征提取网络与所述主干特征提取网络连接，用于将三个所述有效特征层进行融合；

所述预测网络与所述加强特征提取网络连接，用于对融合后的有效特征层进行结果预测和输出。

进一步地，所述神经网络模型的构建方法包括以下步骤：

将YOLOv4的主干特征提取网络替换为Mobilenetv3的主干网络结构并进行特征提取，得到三个有效特征层；

将Mobilenetv3的主干网络结构与YOLOv4的加强特征提取网络和预测网络进行嫁接，实现三个所述有效特征层的融合和预测。

进一步地，在将Mobilenetv3的主干网络结构与YOLOv4的加强特征提取网络和预测网络进行嫁接时，保留YOLOv4的SPP和PANet结构，以提高特征提取能力。