一种基于神经网络的肺炎识别装置制造方法及图纸

本发明专利技术涉及一种基于神经网络的肺炎识别装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如下的方法步骤：第一步：构建带有标注和标签的胸部X光图像数据集；第二步：构建卷积神经网络，肺炎识别装置网络总体结构包括胸部X光图像特征提取网络、候选区域提取网络、感兴趣池化层和分类回归子网络；第三步：使用端对端的训练方法对神经网络进行训练，当训练到网络损失值收敛时，停止训练，保存训练权重模型；将训练好的权重模型加载到神经网络中，输入胸部X光图像，识别装置能够识别出肺炎所在的位置信息。

A pneumonia recognition device based on Neural Network

【技术实现步骤摘要】
一种基于神经网络的肺炎识别装置
本专利技术属于图像中目标检测领域，涉及一种利用深度卷积神经网络的检测胸部X光图像中肺炎的装置。
技术介绍
肺炎是一种常见的肺部疾病，肺炎常常有发热等比较严重的症状发生，可引起肺组织坏死而导致肺脓肿。肺炎会直接危害人体的健康，损坏人体肺部组织。因此，肺炎的检测一直都是人们高度关注的问题之一。通常肺炎的检测都是通过胸部X光图像进行检查，肺炎的诊断需要专门受过训练的医生或者放射科专家对胸部X光图像进行观察与对比，最终得出结果。每天都会有许多病人患者到医院去检查身体和进行诊断治疗，医生或者专家们每天都需要对大量的胸部X光图像进行对比与检查，需要耗费大量的时间和人力。另一方面，每天面对大量的胸部X光图像，不断对比与检查，医生或者专家们容易产生视觉疲劳和工作工作效率下降。当上述情况发生时，可能在对患者或病人的胸部X光图像进行检查和诊断过程中发生漏诊和误诊的情况，造成了无法设想的后果。基于图像的深度学习目标检测技术是一种端对端的检测技术，这种技术采用卷积神经网络技术作为拟合模型，利用大量相关含有目标的图像输入到神经网络中进行训练，使得神经网络具有识别目标的能力，快速准确找到图像中目标的类别以及所在的位置。输入的图像经过卷积神经网络进行特征提取，将简单的二维平面特征通过卷积核的计算，转换成高维度的空间特征。卷积神经网络通过对大量的训练图像进行学习，学习出待识别的目标在高维空间中的特征分布。使用卷积神经网络的主要技术优势体现在：一方面自动抽取图像中的特征数据，完全不需要人为干预或者指定特征；另一方面，多层次的卷积神经网络能够从不同语意层次对图像进行特征提取，构建多种语意层次的特征数据有利于多尺度目标检测。
技术实现思路
本专利技术针对胸部X光图像中肺炎检测困难的问题，提供一种基于神经网络的肺炎识别装置。本专利技术通过卷积神经网络对胸部X光图像进行特征提取，可快速判断出图像中肺炎病灶所在的具体位置。本专利技术技术方案如下：1.一种基于神经网络的肺炎识别装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如下的方法步骤：第一步：构建带有标注和标签的胸部X光图像数据集，其中数据集中包含患有肺炎疾病的患者的胸部X光图像，使用数据转换技术将医学图像格式文件转换成图像格式数据，再使用数据扩充技术，扩充数据集的数据量；第二步：构建卷积神经网络，肺炎识别装置网络总体结构包括胸部X光图像特征提取网络、候选区域提取网络、感兴趣池化层和分类回归子网络，方法如下：(1)深度残差卷积神经网络ResNet作为胸部X光图像特征提取网络，保留ResNet50网络的前4个阶段，前4个阶段作为初步特征提取网络层，其中下采样因子为16，在第4阶段后接上两个阶段特征提取，后面两个阶段与前面四个阶段不同的是加入了空洞卷积进行特征提取；(2)使用3*3的卷积核对特征图像进行滑动卷积计算，然后输入到两条分支网络中，其中第一个分支网络对滑动卷积输出使用1*1的卷积核进行特征计算，输出候选区域中含有肺炎病灶信息的概率；第二个分支网络对滑动卷积输出使用1*1的卷积核进行卷积计算，输出各个候选框的位置偏移量，最后通过提取层对每个候选框的偏移量以及含有肺炎信息的概率进行整合；(3)将通过空间尺寸变换将原图中的候选框映射为特征图像上的特征候选框，然后将特征候选框分成若干个子区域，使用最大池化卷积核对每一个小区域提取最大值，最后生成固定尺寸的特征候选区域；(4)使用3层卷积层对固定尺寸的特征候选区域进行卷积计算，输出候选区域含有肺炎病灶的概率以及相应的位置调整距离。第三步：使用端对端的训练方法对神经网络进行训练，当训练到网络损失值收敛时，停止训练，保存训练权重模型；将训练好的权重模型加载到神经网络中，输入胸部X光图像，识别装置能够识别出肺炎所在的位置信息。本专利技术提供一种基于卷积神经网络的肺炎病灶检测装置。该装置以胸部X光图像为研究对象，通过使用胸部X光图像对卷积神经网络进行不断训练，卷积神经网络中的神经元不断学习肺炎病灶区域在胸部X光图像中的具体表现。通过大量的胸部X光图像数据以及多轮训练之后，卷积神经网络中的神经元可表征肺炎病灶区域的特征。附图说明图1胸部X光图像数据扩充示意图(a)原图,(b)旋转90度，(c)旋转180度，(d)旋转270度，(e)旋转355度图2肺炎识别装置网络结构图图3特征提取网络结构图图4测试结果对比图具体实施方式为使本专利技术的技术方案更加清楚，下面结合附图对本专利技术做进一步阐述。本专利技术的基于神经网络的肺炎识别装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。本专利技术本质上是一种医学图像处理装置。通过计算机程序，实现如下的方法步骤。第一步：准备数据集(1)数据转换将从医院中获取的DICOM格式的医学图像文件，使用Python编程语言，调用Pydicom库，将DICOM医学文件转成数字数据，再通过调用OpenCV图像处理库函数，将数字数据保存成JPG格式图像数据。其中图像分辨率为1024*1024的胸部X光图像格式。(2)数据扩充考虑到医学图像数据收集价格昂贵的原因，使用图像数据扩充技术对收集到的胸部X光图像数据进行扩充，其中使用水平、上下翻转，旋转90度、180度、270度，水平平移，上下平移，方法缩小等方法对数据集进行扩充，同时对肺炎病灶区域同样做相应的位置调整和线性变换。胸部X光图像数据扩充示意如图1所示。第二步：构建卷积神经网络肺炎识别装置网络总体结构如图2所示，其中包括胸部X光图像特征提取网络、候选区域提取网络、感兴趣池化层和分类回归子网络。(1)胸部X光图像特征提取网络胸部X光图像特征提取网络结构图如图3所示。使用深度残差卷积神经网络ResNet作为胸部X光图像特征提取网络，深度残差卷积神经网络在图像分类领域中获得了广泛的应用。本专利技术对ResNet50网络进行修改，将分类网络编程一个检测网络的特征提取器。保留ResNet50网络的前4个阶段，前4个阶段作为初步特征提取网络层，其中下采样因子为16。然后在第4阶段后接上两个阶段特征提取，后面两个阶段与前面四个阶段不同的是加入了空洞卷积进行特征提取，这样的结构使得输出的特征图像具有较大的空间分辨率以及较大的空间感受野。(2)候选区域提取网络候选区域提取网络的作用是对深度残差卷积神经网络ResNet输出的特征图像进行滑动计算，输出一系列可能存在肺炎病灶信息的候选区域，通过候选区域提取网络使得后续网络专注于候选区域目标分类以及候选区域位置信息的进一步调整。具体地，首先使用3*3的卷积核对特征图像进行滑动卷积计算，然后输入到两条分支网络中，其中第一个分支网络对滑动卷积输出使用1*1的卷积核进行特征计算，输出候选区域中含有肺炎病灶信息的概率；第二个分支网络对滑动卷积输出使用1*1的卷积核进本文档来自技高网...

【技术保护点】
1.一种基于神经网络的肺炎识别装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如下的方法步骤：/n第一步：构建带有标注和标签的胸部X光图像数据集，其中数据集中包含患有肺炎疾病的患者的胸部X光图像，使用数据转换技术将医学图像格式文件转换成图像格式数据，再使用数据扩充技术，扩充数据集的数据量；/n第二步：构建卷积神经网络，肺炎识别装置网络总体结构包括胸部X光图像特征提取网络、候选区域提取网络、感兴趣池化层和分类回归子网络，方法如下：/n(1)深度残差卷积神经网络ResNet作为胸部X光图像特征提取网络，保留ResNet50网络的前4个阶段，前4个阶段作为初步特征提取网络层，其中下采样因子为16，在第4阶段后接上两个阶段特征提取，后面两个阶段与前面四个阶段不同的是加入了空洞卷积进行特征提取；/n(2)使用3*3的卷积核对特征图像进行滑动卷积计算，然后输入到两条分支网络中，其中第一个分支网络对滑动卷积输出使用1*1的卷积核进行特征计算，输出候选区域中含有肺炎病灶信息的概率；第二个分支网络对滑动卷积输出使用1*1的卷积核进行卷积计算，输出各个候选框的位置偏移量，最后通过提取层对每个候选框的偏移量以及含有肺炎信息的概率进行整合；/n(3)将通过空间尺寸变换将原图中的候选框映射为特征图像上的特征候选框，然后将特征候选框分成若干个子区域，使用最大池化卷积核对每一个小区域提取最大值，最后生成固定尺寸的特征候选区域；/n(4)使用3层卷积层对固定尺寸的特征候选区域进行卷积计算，输出候选区域含有肺炎病灶的概率以及相应的位置调整距离。/n第三步：使用端对端的训练方法对神经网络进行训练，当训练到网络损失值收敛时，停止训练，保存训练权重模型；将训练好的权重模型加载到神经网络中，输入胸部X光图像，识别装置能够识别出肺炎所在的位置信息。/n...

【技术特征摘要】
1.一种基于神经网络的肺炎识别装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如下的方法步骤：
第一步：构建带有标注和标签的胸部X光图像数据集，其中数据集中包含患有肺炎疾病的患者的胸部X光图像，使用数据转换技术将医学图像格式文件转换成图像格式数据，再使用数据扩充技术，扩充数据集的数据量；
第二步：构建卷积神经网络，肺炎识别装置网络总体结构包括胸部X光图像特征提取网络、候选区域提取网络、感兴趣池化层和分类回归子网络，方法如下：
(1)深度残差卷积神经网络ResNet作为胸部X光图像特征提取网络，保留ResNet50网络的前4个阶段，前4个阶段作为初步特征提取网络层，其中下采样因子为16，在第4阶段后接上两个阶段特征提取，后面两个阶段与前面四个阶段不同的是加入了空洞卷积进行特征提取；
(2)使用3*3的卷积核对特征图...

【专利技术属性】
技术研发人员：张物华，李锵，关欣，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12