胸部CT图像识别方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种胸部CT图像识别方法、装置、计算机设备和存储介质。所述方法针对CT图像特点，设计轻量级的胸部CT图像识别网络更快速准确地识别出胸部CT图像。引入X

【技术实现步骤摘要】
胸部CT图像识别方法、装置、计算机设备和存储介质


[0001]本申请涉及图像识别
，特别是涉及一种胸部CT图像识别方法、装置、计算机设备和存储介质。

技术介绍

[0002]目前诊断新型冠状病毒感染的肺炎的主要医学手段有胸部计算机断层扫描(胸部CT)、胸部X射线图像检测、磁共振成像(MRI)等。但是对于放射科医生来说，通过人工阅片来检阅肺部CT图像中的病灶信息是一项极具挑战性的工作。该工作需要耗费医生大量的时间，而且可能由于视觉疲劳等原因导致误诊、漏诊的情况。因此，计算机辅助诊断(CAD)系统应运而生，并且被广泛应用于医学图像处理领域，能够解决医学图像领域中复杂的计算机视觉问题。
[0003]基于深度学习技术识别胸部CT图像的技术已经有较多的研究，也取得了一定的研究成果。但是现有的识别方法网络结构复杂、参数量较大、计算量较大、准确率不高。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种胸部CT图像识别方法、装置、计算机设备和存储介质。
[0005]一种胸部CT图像识别方法，所述方法包括：获取胸部CT图像，并对所述胸部CT图像进行标注，得到训练样本。
[0006]构建胸部CT图像识别网络；所述胸部CT图像识别网络包括输入网络、特征提取网络以及分类网络；所述输入网络用于通过空洞卷积方式提取所述训练样本的空洞卷积特征；所述特征提取网络包括X
‑
DMFF模块、DMS模块以及自适应池化层；所述特征提取网络用于采用X
‑
DMFF模块提取空洞卷积特征中包含精准坐标信息、纹理信息的局部特征，并将局部特征经过DMS模块得到多尺度的空间特征；所述X
‑
DMFF模块是通道数可调的卷积模块，用于将输入的特征切分为通道相同的两路并对切分结果进行卷积，将得到的卷积结果进行通道拼接和通道混洗，得到局部信息特征；所述DMS模块包括两条分别以自注意力模块、卷积模块为主干的支路，用于将输入的特征切分为通道相同的两路，并将两路特征分别输入到两条支路中进行特征提取后进行通道拼接和通道混洗操作，得到多尺度的空间特征；所述分类网络用于根据所述多尺度的空间特征对训练样本进行分类，得到样本预测分类结果。
[0007]根据所述训练样本的标注和将所述训练样本输入到所述胸部CT图像识别网络得到的样本预测分类结果，对所述胸部CT图像识别网络进行训练，得到训练好的胸部CT图像识别网络。
[0008]获取待测胸部CT图像，并将所述待测胸部CT图像输入到训练好的胸部CT图像识别网络中，得到胸部CT图像的类别。
[0009]一种胸部CT图像识别装置，所述装置包括：训练样本获取模块，用于获取胸部CT图像，并对所述胸部CT图像进行标注，得到训
练样本。
[0010]胸部CT图像识别网络构建模块，用于构建胸部CT图像识别网络；所述胸部CT图像识别网络包括输入网络、特征提取网络以及分类网络；所述输入网络用于通过空洞卷积方式提取所述训练样本的空洞卷积特征；所述特征提取网络包括X
‑
DMFF模块、DMS模块以及自适应池化层；所述特征提取网络用于采用X
‑
DMFF模块提取空洞卷积特征中包含精准坐标信息、纹理信息的局部特征，并将局部特征经过DMS模块得到多尺度的空间特征；所述X
‑
DMFF模块是通道数可调的卷积模块，用于将输入的特征切分为通道相同的两路并对切分结果进行卷积，将得到的卷积结果进行通道拼接和通道混洗，得到局部信息特征；所述DMS模块包括两条分别以自注意力模块、卷积模块为主干的支路，用于将输入的特征切分为通道相同的两路，并将两路特征分别输入到两条支路中进行特征提取后进行通道拼接和通道混洗操作，得到多尺度的空间特征；所述分类网络用于根据所述多尺度的空间特征对训练样本进行分类，得到样本预测分类结果。
[0011]胸部CT图像识别网络训练模块，用于根据所述训练样本的标注和将所述训练样本输入到所述胸部CT图像识别网络得到的样本预测分类结果，对所述胸部CT图像识别网络进行训练，得到训练好的胸部CT图像识别网络。
[0012]胸部CT图像的类别确定模块，用于获取待测胸部CT图像，并将所述待测胸部CT图像输入到训练好的胸部CT图像识别网络中，得到胸部CT图像的类别。
[0013]上述胸部CT图像识别方法、装置、计算机设备和存储介质，针对CT图像特点，设计轻量级的胸部CT图像识别网络更快速准确地识别出胸部CT图像。引入X
‑
DMFF模块，提升模型性能且降低计算成本。在DMS模块中引入Swin
‑
Transformer与残差学习，提取更多尺度的空间特征信息并对特征信息不断重用，提升模型分类效果。
附图说明
[0014]图1为一个实施例中胸部CT图像识别方法的流程示意图；图2为一个实施例中胸部CT图像识别网络的结构示意图；图3为一个实施例中DMFF模块的结构示意图；图4为另一个实施例中X
‑
DMFF模块的结构示意图；图5为另一个实施例中DMS模块的结构示意图；图6为另一个实施例中Swin
‑
Transformer模块的内部结构图，其中（a）为一个Swin
‑
Transformer模块，（b）为两个连续的Swin
‑
Transformer模块；图7为另一个实施例中K
‑
DMFF模块的结构示意图；图8为另一个实施例中KD
‑
DMFF模块的结构示意图；图9为一个实施例中胸部CT图像识别装置的结构框图；图10为一个实施例中计算机设备的内部结构图；图11为一个实施例中实验数据集的部分示例，其中（a）为COVID
‑
19胸部CT图像，（b）为普通肺炎CT图像，（c）为正常胸部CT图像。
具体实施方式
[0015]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对
本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0016]DS
‑
CTNet网络为胸部CT图像识别网络。
[0017]在一个实施例中，如图1所示，提供了一种胸部CT图像识别方法，该方法包括以下步骤：步骤100：获取胸部CT图像，并对胸部CT图像进行标注，得到训练样本；步骤102：构建胸部CT图像识别网络。
[0018]胸部CT图像识别网络包括输入网络、特征提取网络以及分类网络。
[0019]输入网络用于通过空洞卷积方式提取训练样本的空洞卷积特征。
[0020]特征提取网络包括X
‑
DMFF模块、DMS模块以及自适应池化层；特征提取网络用于采用X
‑
DMFF模块提取空洞卷积特征中包含精准坐标信息、纹理信息的局部特征，并将局部特征经过DMS模块得到多尺度的空间特征。
[0021]分类网络用于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种胸部CT图像识别方法，其特征在于，所述方法包括：获取胸部CT图像，并对所述胸部CT图像进行标注，得到训练样本；构建胸部CT图像识别网络；所述胸部CT图像识别网络包括输入网络、特征提取网络和分类网络；所述输入网络用于通过空洞卷积方式提取所述训练样本的空洞卷积特征；所述特征提取网络包括X
‑
DMFF模块、DMS模块和自适应池化层；所述特征提取网络用于采用X
‑
DMFF模块提取空洞卷积特征中包含精准坐标信息、纹理信息的局部特征，并将局部特征经过DMS模块得到多尺度的空间特征；所述X
‑
DMFF模块是通道数可调的卷积模块，用于将输入的特征切分为通道相同的两路并对切分结果进行卷积，将得到的卷积结果进行通道拼接和通道混洗，得到局部信息特征；所述DMS模块包括两条分别以自注意力模块、卷积模块为主干的支路，用于将输入的特征切分为通道相同的两路，并将两路特征分别输入到两条支路中进行特征提取后进行通道拼接和通道混洗，得到多尺度的空间特征；所述分类网络用于根据所述多尺度的空间特征对训练样本进行分类，得到样本预测分类结果；根据所述训练样本的标注和将所述训练样本输入到所述胸部CT图像识别网络得到的样本预测分类结果，对所述胸部CT图像识别网络进行训练，得到训练好的胸部CT图像识别网络；获取待测胸部CT图像，并将所述待测胸部CT图像输入到训练好的胸部CT图像识别网络中，得到胸部CT图像的类别。2.根据权利要求1所述的方法，其特征在于，所述输入网络包括1层空洞卷积层；所述特征提取网络由2个X
‑
DMFF模块、3个连续的DMS模块、1层自适应池化层组成；3个连续的DMS模块连接关系是前一个DMS模块的输出作为下一个DMS模块的输入；根据所述训练样本的标注和将所述训练样本输入到所述胸部CT图像识别网络得到的样本预测分类结果，对所述胸部CT图像识别网络进行训练，得到训练好的胸部CT图像识别网络，包括：将所述训练样本输入到所述输入网络的空洞卷积层中，得到空洞卷积特征；将所述空洞卷积特征输入到所述特征提取网络的第一个X
‑
DMFF模块中，得到第一局部信息特征；将所述第一局部信息特征输入到所述特征提取网络的第二个X
‑
DMFF模块中，得到局部信息特征；将所述局部信息特征输入到3个连续的DMS模块中，得到多尺度的空间特征；将所述多尺度的空间特征输入到所述分类网络中，得到样本分类预测结果，并根据所述样本分类预测结果和所述训练样本的标注进行反向训练，得到训练好的胸部CT图像识别网络。3.根据权利要求2所述的方法，其特征在于，所述X
‑
DMFF模块包括：两条支路，第一条支路由1层点卷积层、1层深度空洞卷积层和1层点卷积层组成；第二条支路由1层点卷积层、1层深度卷积层和1层点卷积层组成；两条支路中的卷积层的通道数可调；所述点卷积层包括卷积核个数为c/2+x、步长为1的点卷积；深度空洞卷积层包括卷积核个数为c/2+x、卷积核为3
×
3、步长为1、空洞率为2的空洞深度卷积；深度卷积层包括卷积核个数为c/2+x、卷积核为3
×
3、步长为1的深度卷积；其中c为特征通道数，x为可调整的通道数，x为大于1的整数；将所述空洞卷积特征输入到所述特征提取网络的第一个X
‑
DMFF模块中，得到第一局部
信息特征，包括：将所述空洞卷积特征切分为通道相同的两路特征；将第一路特征输入到第一个X
‑
DMFF模块的第一条支路中，先后通过点卷积层、空洞深度卷积层以及点卷积层进行特征提取，得到空洞卷积特征；将第二路特征输入到第一个X
‑
DMFF模块的第二条支路中，先后通过点卷积层、深度卷积层以及点卷积层进行特征提取，得到深度卷积特征；将所述空洞卷积特征和深度卷积特征进行通道拼接，将得到的拼接特征进行通道混洗操作，得到第一局部信息特征。4.根据权利要求2所述的方法，其特征在于，所述DMS模块中以自注意力模块为主干的支路包括：若干个连续的Swin
‑
Transformer模块、1个点卷积层、1层平均池化层；所述DMS模块中以卷积模块为主干的支路包括：两个连续的K
‑
DMFF模块、1个KD
‑
DMFF模块；将所述局部信息特征输入到3个连续的DMS模块中，得到多尺度的空间特征，包括：将所述局部信息特征输入到第一个DMS模块中，对所述局部信息特征在通道域上按一定比例进行切分，得到两组通道数不同、空间维度相同的切分局部信息特征；将第一组切分局部信息特征输入到第一个DMS模块的第一条支路中，经过若干个连续的Swin
‑
Transformer模块，利用Swin
‑
Transformer模块中的自注意力机制进行特征提取，并将提取得到的特征经过一个点卷积层，对所学习到的特征进行调整，并将得到的特征经过一个平均池化层，得到注意力特征；将第二组切分局部信息特征输入到第一个DMS模块的第二条支路的第一个K
‑
DMFF模块中，得到第一卷积特征；将第二组切分局部信息特征于所述第一卷积特征相加，得到第一融合特征；将所述第一融合特征输入到第一个DMS模块的第二条支路的第二个K
‑
DMFF模块中，得到第二卷积特征；将所述第二卷积特征与所述第一融合特征相加，并将得到的融合特征输入到第一个DMS模块的第二条支路的KD
‑
DMFF模块中，得到卷积特征；将所述注意力特征和所述卷积特征进行通道拼接，并将拼接结果进行通道混洗操作，得到第一多尺度的空间特征；将所述第一多尺度的空间特征输入到第二个DMS模块中，并将得到的第二多尺度的...

【专利技术属性】
技术研发人员：王威，黄文迪，王新，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：