DR图像身体部位识别方法、装置、设备及可读存储介质制造方法及图纸

本申请涉及一种DR图像身体部位识别方法、装置、设备及可读存储介质，属于医学影像的技术领域，其方法包括：通过DenseNet网络构建神经网络模型；对所述神经网络模型进行训练，得到训练好的神经网络模型；获取待识别DR图像；对所述待识别DR图像进行预处理；将预处理后的待识别DR图像输入训练好的神经网络模型进行身体部位识别，输出识别结果。本申请能够提高DR图像身体部位识别的准确率。DR图像身体部位识别的准确率。DR图像身体部位识别的准确率。

【技术实现步骤摘要】
DR图像身体部位识别方法、装置、设备及可读存储介质


[0001]本申请涉及医学影像的
，尤其是涉及一种DR图像身体部位识别方法、装置、设备及可读存储介质。

技术介绍

[0002]随着现代医学技术的发展，数字X线摄影术(digital radiography，DR)应运而生。DR是在数字荧光摄影(digital fluorography，DF)基础上发展的，它以影像增强管为信息载体，接受透过人体的X线信息，经视频摄像机采集后转换为数字信号，直接将X线光子转换为数字化图像，能够快速地对疾病做出判断，已广泛的运用于现代临床医学之中。
[0003]目前，DR摄影一般具有预曝光和正式曝光两个阶段。在预曝光阶段，采用低剂量拍摄图像，对预曝光得到的图像的拍摄部位进行识别，并根据拍摄部位对曝光参数(例如KV、mA、mAs等)进行优化，然后根据优化后的曝光参数进行正式曝光，对正式曝光得到的图像的拍摄部位进行识别，选择对应的图像处理参数，对拍摄图像进行图像处理，以得到最终的DR图像。
[0004]然而，现有的识别方法并不能准确地识别拍摄部位，导致调取错误的曝光参数、图像处理参数，使呈现给临床医生的图像结果质量存在偏差，进而影响最终的诊断结果。

技术实现思路

[0005]为了提高DR图像身体部位识别的准确率，本申请提供一种DR图像身体部位识别方法、装置、设备及可读存储介质。
[0006]第一方面，本申请提供一种DR图像身体部位识别方法，采用如下的技术方案：
[0007]一种DR图像身体部位识别方法，包括：
[0008]通过DenseNet网络构建神经网络模型；
[0009]对所述神经网络模型进行训练，得到训练好的神经网络模型；
[0010]获取待识别DR图像；
[0011]对所述待识别DR图像进行预处理；
[0012]将预处理后的待识别DR图像输入训练好的神经网络模型进行身体部位识别，输出识别结果。
[0013]可选的，所述对所述待识别DR图像进行预处理，包括：
[0014]获取所述待识别DR图像的待识别区域；
[0015]对所述待识别区域进行归一化处理；
[0016]对归一化处理后的待识别区域进行数据增强处理，输出所述预处理后的待识别DR图像。
[0017]可选的，所述获取所述待识别DR图像的待识别区域，包括：
[0018]获取所述待识别DR图像的感兴趣区域；
[0019]对所述感兴趣区域进行N等分，得到N个等分区域；
[0020]分别对每个等分区域取最大灰度值和最小灰度值；
[0021]对所有最大灰度值求取平均值E，并对所有最小灰度值求取平均值F；
[0022]将区间[F,E]作为窗宽，并将(E+F)/2作为窗位，对所述感兴趣区域进行窗宽窗位变换，得到第一图像；
[0023]将所述第一图像输入unet网络进行特征提取，输出第二图像，并将所述第二图像作为所述待识别区域。
[0024]可选的，所述神经网络模型中当前网络层的输出的计算公式为：
[0025]h
θ
(x)＝θ0+θ1x1+θ2x2+
…
+θ
n
x
n
；
[0026]激活函数的公式为：
[0027]f(x)＝max(0,x)。
[0028]可选的，所述对所述神经网络模型进行训练，得到训练好的神经网络模型，包括：
[0029]获取训练集；
[0030]将所述训练集输入所述神经网络模型；
[0031]构建损失函数；
[0032]利用梯度下降算法对所述神经网络模型的网络节点参数进行优化，使所述损失函数的值最小，得到最优的网络节点参数；
[0033]利用所述最优的网络节点参数更新所述神经网络模型，得到所述训练好的神经网络模型。
[0034]可选的，所述损失函数的公式为：
[0035][0036]式中，m为训练集中数据个数，h
θ
(x)为预测输出，y为实际输出。
[0037]可选的，在所述将预处理后的待识别DR图像输入训练好的神经网络模型进行身体部位识别，输出识别结果之后，还包括：
[0038]若所述识别结果与预设部位不同，则生成告警信息。
[0039]第二方面，本申请提供一种DR图像身体部位识别装置，采用如下的技术方案：
[0040]一种DR图像身体部位识别装置，包括：
[0041]模型构建模块，用于通过DenseNet网络构建神经网络模型；
[0042]模型训练模块，用于对所述神经网络模型进行训练，得到训练好的神经网络模型；
[0043]图像获取模块，用于获取待识别DR图像；
[0044]预处理模块，用于对所述待识别DR图像进行预处理；
[0045]识别模块，用于将预处理后的待识别DR图像输入训练好的神经网络模型进行身体部位识别，输出识别结果。
[0046]第三方面，本申请提供一种电子设备，采用如下的技术方案：
[0047]一种电子设备，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行上述任一种DR图像身体部位识别方法的计算机程序。
[0048]第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
[0049]一种计算机可读存储介质，存储有能够被处理器加载并执行上述任一种DR图像身体部位识别方法的计算机程序。
[0050]通过采用上述技术方案，基于DenseNet网络构建神经网络模型，不需要学习冗余特征，可以改善整个网络中的information flow和梯度，使得训练更为容易，密集连接具有正则化效果，能降低训练集size较小的任务的过拟合现象，能够应用于DR系统的预曝光和正式曝光阶段，可以快速、准确地识别当前拍摄的身体部位，有助于提高最终的DR图像成像质量。
附图说明
[0051]图1是本申请实施例提供的DR图像身体部位识别方法的流程示意图。
[0052]图2是本申请实施例的步骤S200中各子步骤的流程示意图。
[0053]图3是本申请实施例的步骤S400中各子步骤的流程示意图。
[0054]图4是本申请实施例的步骤S410中各子步骤的流程示意图。
[0055]图5是本申请实施例中对感兴趣区域进行四等分的示意图。
[0056]图6是本申请实施例提供的DR图像身体部位识别装置的结构框图。
[0057]图7是本申请实施例提供的电子设备的结构框图。
具体实施方式
[0058]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
[0059]图1为本实施例提供的一种DR图像身体部位识别方法的流程示意图。如图1所示，该方法的主要流程描述如下(步骤S100～S500)：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种DR图像身体部位识别方法，其特征在于，包括：通过DenseNet网络构建神经网络模型；对所述神经网络模型进行训练，得到训练好的神经网络模型；获取待识别DR图像；对所述待识别DR图像进行预处理；将预处理后的待识别DR图像输入训练好的神经网络模型进行身体部位识别，输出识别结果。2.根据权利要求1所述的方法，其特征在于，所述对所述待识别DR图像进行预处理，包括：获取所述待识别DR图像的待识别区域；对所述待识别区域进行归一化处理；对归一化处理后的待识别区域进行数据增强处理，输出所述预处理后的待识别DR图像。3.根据权利要求2所述的方法，其特征在于，所述获取所述待识别DR图像的待识别区域，包括：获取所述待识别DR图像的感兴趣区域；对所述感兴趣区域进行N等分，得到N个等分区域；分别对每个等分区域取最大灰度值和最小灰度值；对所有最大灰度值求取平均值E，并对所有最小灰度值求取平均值F；将区间[F,E]作为窗宽，并将(E+F)/2作为窗位，对所述感兴趣区域进行窗宽窗位变换，得到第一图像；将所述第一图像输入unet网络进行特征提取，输出第二图像，并将所述第二图像作为所述待识别区域。4.根据权利要求1所述的方法，其特征在于，所述神经网络模型中当前网络层的输出的计算公式为：h
θ
(x)＝θ0+θ1x1+θ2x2+
…
+θ
n
x
n
；激活函数的公式为：f(x)＝max(0,x)。5.根据权利要求4所述的方法...

【专利技术属性】
技术研发人员：黄家祥，罗飞，任大伟，瞿超，
申请(专利权)人：万里云医疗信息科技北京有限公司，
类型：发明
国别省市：