一种胸片筛查分类预测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种胸片筛查分类预测方法、装置、电子设备及存储介质，该方法包括以下步骤：对获取的待筛查的胸片图像进行对比度增强处理，获得对比度增强图像；将所述对比度增强图像输入到预先训练好的分类模型中，确定所述胸片图像的类别及相应的分数、相应的可解释性模型激活示意图。通过该方式，可以快速的将胸片中的“有发现”与“无发现”分开，提高了医生的工作效率，减少误诊，漏诊发生。漏诊发生。漏诊发生。

【技术实现步骤摘要】
一种胸片筛查分类预测方法、装置、电子设备及存储介质


[0001]本专利技术一个或多个实施例涉及医学诊断
，尤其涉及一种胸片筛查分类预测方法、装置、电子设备及存储介质。

技术介绍

[0002]胸部X线片(Chest X
‑
ray，CXR)是诊断呼吸系统疾病的一线影像检查方法，在医学影像科日常工作任务中占很大比例。使用CXR进行检查的临床场景包括：门诊检查、术前常规检查、健康体检，以及急诊检查等。目前临床上，在前三种情况下，CXR结果多数为正常，影像检查或筛查的任务是检出少数的异常者，再做进一步处理。
[0003]但上述方法，在目前的临床工作中是由临床医师人工鉴别诊断的，但由于每个临床医师的经验不同，容易产生误诊和漏诊，且人工鉴别诊断的工作效率低。

技术实现思路

[0004]为解决现有技术中存在的问题，本专利技术提供了一种胸片筛查分类预测方法、装置、电子设备及存储介质，基于深度学习算法利用常规胸片对门诊、急诊、术前常规和体检人群的CXR进行“无发现”和“有发现”的可解释性的分类，以提高临床医师的工作效率、减少漏诊、误诊，同时也为远程医疗或体检中心的质控提供了可能性。
[0005]为实现上述目的，本专利技术提供了以下技术方案：
[0006]第一方面，本专利技术提供了一种胸片筛查分类预测方法，该方法包括以下步骤：
[0007]获取待筛查的胸片图像，并对所述胸片图像进行对比度增强处理，获得对比度增强图像；
[0008]将所述对比度增强图像输入到预先训练好的分类模型中，确定所述胸片图像的类别及相应的分数、相应的可解释性模型激活示意图。
[0009]在一个可能的实施方式中，所述对所述胸片图像进行对比度增强处理，获得对比度增强图像，包括以下步骤：
[0010]估算所述胸片图像的直方图分布，并计算累积分布函数值；
[0011]根据所述累积分布函数值估算所述胸片图像对比度拉伸的边界值，并利用所述边界值对所述胸片图像进行对比度拉伸处理，确定对比度拉伸图像；
[0012]根据所述胸片图像的尺寸，确定圆盘形形态学结构单元的半径；
[0013]根据所述圆盘形形态学结构单元的半径，分别对所述对比度拉伸图像进行形态学top
‑
hat滤波处理和形态学bottom
‑
hat滤波处理，确定形态学top
‑
hat滤波图像和形态学bottom
‑
hat滤波图像；
[0014]基于所述对比度拉伸图像、所述形态学top
‑
hat滤波图像和所述形态学bottom
‑
hat滤波图像，确定对比度增强图像。
[0015]在一个可能的实施方式中，根据如下公式确定圆盘形形态学结构单元的半径：
[0016]R＝Max(sx，xy)*3％
[0017]其中，sx和sy分别表示所述胸片图像的长和宽，Max表示取长和宽中的最大值。
[0018]在一个可能的实施方式中，通过如下公式，基于所述对比度拉伸图像、所述形态学top
‑
hat滤波图像和所述形态学bottom
‑
hat滤波图像，确定对比度增强图像：
[0019]对比度增强胸片图像＝对比度拉伸图像+形态学top
‑
hat滤波图像
‑
形态学bottom
‑
hat滤波图像。
[0020]在一个可能的实施方式中，所述分类模型由图像特征提取模模块、激活图生成模块和分类模块构成，其中，
[0021]所述图像特征提取模块，用于提取输入的所述对比度增强图像的图像特征；
[0022]所述激活图生成模块，用于根据所述图像特征，生成可解释性模型激活示意图；
[0023]所述分类模块，用于根据所述图像特征，确定所述胸片图像的类别及相应的分数。
[0024]第二方面，本专利技术提供了一种胸片筛查分类装置，其特征在于，所述装置包括：
[0025]对比度强度处理模块，用于对获取的待筛查的胸片图像进行对比度增强处理，获得对比度增强图像；
[0026]筛查分类预测模块，用于将所述对比度增强图像输入到预先训练好的分类模型中，确定所述胸片图像的类别及相应的分数、相应的可解释性模型激活示意图。
[0027]在一个可能的实施方式中，对比度强度处理模块具体用于：
[0028]估算所述胸片图像的直方图分布，并计算累积分布函数值；
[0029]根据所述累积分布函数值估算所述胸片图像对比度拉伸的边界值，并利用所述边界值对所述胸片图像进行对比度拉伸处理，确定对比度拉伸图像；
[0030]根据所述胸片图像的尺寸，确定圆盘形形态学结构单元的半径；
[0031]根据所述圆盘形形态学结构单元的半径，分别对所述对比度拉伸图像进行形态学top
‑
hat滤波处理和形态学bottom
‑
hat滤波处理，确定形态学top
‑
hat滤波图像和形态学bottom
‑
hat滤波图像；
[0032]基于所述对比度拉伸图像、所述形态学top
‑
hat滤波图像和所述形态学bottom
‑
hat滤波图像，确定对比度增强图像。
[0033]在一个可能的实施方式中，所述分类模型由图像特征提取模模块、激活图生成模块和分类模块构成，其中，
[0034]所述图像特征提取模块，用于提取输入的所述对比度增强图像的图像特征；
[0035]所述激活图生成模块，用于根据所述图像特征，生成可解释性模型激活示意图；
[0036]所述分类模块，用于根据所述图像特征，确定所述胸片图像的类别及相应的分数。
[0037]第三方面，提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信，处理器包括图形处理器和中央处理器；
[0038]存储器，用于存放计算机程序；
[0039]处理器，用于执行存储器上所存放的程序时，实现第一方面任一项实施例的一种胸片筛查分类预测方法的步骤。
[0040]第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第一方面任一项实施例的一种胸片筛查分类预测方法的步骤。
[0041]本专利技术实施例提供的上述技术方案与现有技术相比具有如下优点：
[0042]本专利技术实施例提供的一种胸片筛查分类预测方法，对获取的待筛查的胸片图像进行对比度增强处理，获得对比度增强图像；将所述对比度增强图像输入到预先训练好的分类模型中，确定所述胸片图像的类别及相应的分数、相应的可解释性模型激活示意图。通过该方式，可以快速的将胸片中的“有发现”与“无发现”分开，提高了医生的工作效率，减少误诊，漏诊发生。
附图说明
[0043]图1为本专利技术实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种胸片筛查分类预测方法，其特征在于，所述方法包括以下步骤：对获取的待筛查的胸片图像进行对比度增强处理，获得对比度增强图像；将所述对比度增强图像输入到预先训练好的分类模型中，确定所述胸片图像的类别及相应的分数、相应的可解释性模型激活示意图。2.根据权利要求1所述的方法，其特征在于，所述对所述胸片图像进行对比度增强处理，获得对比度增强图像，包括以下步骤：估算所述胸片图像的直方图分布，并计算累积分布函数值；根据所述累积分布函数值估算所述胸片图像对比度拉伸的边界值，并利用所述边界值对所述胸片图像进行对比度拉伸处理，确定对比度拉伸图像；根据所述胸片图像的尺寸，确定圆盘形形态学结构单元的半径；根据所述圆盘形形态学结构单元的半径，分别对所述对比度拉伸图像进行形态学top
‑
hat滤波处理和形态学bottom
‑
hat滤波处理，确定形态学top
‑
hat滤波图像和形态学bottom
‑
hat滤波图像；基于所述对比度拉伸图像、所述形态学top
‑
hat滤波图像和所述形态学bottom
‑
hat滤波图像，确定对比度增强图像。3.根据权利要求2所述的方法，其特征在于，根据如下公式确定圆盘形形态学结构单元的半径：R＝Max(sx，xy)*3％其中，sx和sy分别表示所述胸片图像的长和宽，Max表示取长和宽中的最大值。4.根据权利要求2所述的方法，其中在于，通过如下公式，基于所述对比度拉伸图像、所述形态学top
‑
hat滤波图像和所述形态学bottom
‑
hat滤波图像，确定对比度增强图像：对比度增强胸片图像＝对比度拉伸图像+形态学top
‑
hat滤波图像
‑
形态学bottom
‑
hat滤波图像。5.根据权利要求1所述的方法，其特征在于，所述分类模型由图像特征提取模模块、激活图生成模块和分类模块构成，其中，所述图像特征提取模块，用于提取输入的所述对比度增强图像的图像特征；所述激活图生成模块，用于根据所述图像特征，生成可解释性模型激活示意...

【专利技术属性】
技术研发人员：张晓东，王霄英，孙兆男，任昕，周宇，周雯，李建辉，谢辉辉，刘婧，张虽虽，李津书，刘建新，
申请(专利权)人：北京大学第一医院，
类型：发明
国别省市：