【技术实现步骤摘要】
本专利技术涉及嵌入式医学图像分割，特别涉及一种基于树莓派和不同位置特征的局部上下文以及不同池化层特征组合的胸片分割系统。
技术介绍
1、胸部x光片是最经典最常用的医学影像之一，被用来检查胸腔及腔内的各个组织器官，对相关疾病诊断、手术规划等具有重要意义。这些影像通常很难解读，尤其是当它们被用于肺炎诊断时，有很多情况，比如心力衰竭、瘢痕、肿块或结节等可能会混淆诊断。仅仅靠放射科医生进行人工阅片并得出医学诊断是一项依靠主观经验、劳动密集型的工作，容易出现误诊情况。
2、医学图像分割是一种从特定图像中提取关键信息，实现医学图像可视化关键步骤，分割后的图像被提供给医生用于组织体积的分析、诊断等不同任务，能够在一定程度上提高阅片效率与准确度。而胸部x光图像分割则需要将医学影像中的特定区域(肺部、心脏、锁骨、气胸、肋骨等)从其他无关区域分割出来。
3、随着深度学习的发展，使用卷积神经网络进行胸部x光图像的自动分割成为了主流。尽管卷积神经网络对于胸片的分割已经具有一定的准确率，但在卷积神经网络的胸片分割过程中，依然存在以下缺点：首先，在分割预测过程中，忽略了不同位置特征的局部上下文信息，分割精度依然有待提高；其次，运行深度学习模型需要大量的计算资源和昂贵的计算设备，不利于普及使用。
4、为此，如何提供一种充分考虑分割预测过程中不同位置特征的局部上下文信息，进一步提高分割精度，且缓解目前深度学习胸片分割技术需要大量的计算资源和昂贵的计算设备，造成落地困难的基于树莓派和不同位置特征的局部上下文以及不同池化层特征组
技术实现思路
1、有鉴于此，本专利技术提出了一种基于树莓派和不同位置特征的局部上下文以及不同池化层特征组合的胸片分割系统。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种基于树莓派和不同位置特征的局部上下文以及不同池化层特征组合的胸片分割系统，包括：树莓派、图像采集模块、显示模块、通讯模块、存储模块、云服务器；
4、树莓派控制图像采集模块进行胸片图像采集，并对胸片图像进行预处理，通过通讯模块发送至云服务器上的基于不同位置特征的局部上下文以及不同池化层特征组合的胸片分割模型进行胸片分割；云服务器将胸片分割结果发送至树莓派，并分别通过显示模块和存储模块进行分割结果显示和存储。
5、可选的，树莓派为raspberrypi5，包含4个usb接口、2个microhdmi接口、40个gpio引脚，并配置raspbian系统。
6、可选的，胸片图像还可通过将医学影像存档与通信系统pacs中目标患者胸片图像目标胸片的dicom数据格式转换成jpg图像格式，并进行脱敏处理得到。
7、可选的，预处理包括：裁剪、缩放以及归一化。
8、可选的，基于不同位置特征的局部上下文以及不同池化层特征组合的胸片分割模型为在云服务器上基于公共训练集nihchestx-rays14训练得到。
9、可选的，基于不同位置特征的局部上下文以及不同池化层特征组合的胸片分割模型为在云服务器上基于公共训练集chest x-rays8训练得到。
10、可选的，基于不同位置特征的局部上下文以及不同池化层特征组合的胸片分割模型，包括主干网络resnet-50、上下文注意力模块和上采样层；
11、胸片图像输入主干网络resnet-50，将res-1、res-2、res-3、res-4、res-5输出的不同尺度特征作为第一预测特征；
12、将res-5和res-4输出的特征组合作为深层特征，res-3和res-2输出的特征组合作为浅层特征，以深层特征和浅层特征的组合作为上下文注意力模块的输入特征；通过反卷积统一来自不同残差网络块的特征大小，让输入的w×h维特征具有d维通道，得到新特征图；对新特征图分两个路径进行池化，其中，两个池化层的内核大小分别为2×2和4×4，并对小尺寸特征进行上采样以获得与原始特征图相同的尺寸特征；将两个特征的连接特征与新特征图相加，得到空间大小为w×h×2d的输出特征，作为第二预测特征；
13、基于第一预测特征以及第二预测特征，进行胸片分割预测，经过上采样层得到胸片分割结果。
14、可选的，在进行胸片分割预测之前，还包括：改变上下文注意力模块的输出大小。
15、可选的，还包括，在树莓派上搭建深度学习框架，在树莓派上进行基于不同位置特征的局部上下文以及不同池化层特征组合的胸片分割模型的胸片分割。
16、可选的，还包括，在树莓派上基于公共训练集训练得到基于不同位置特征的局部上下文以及不同池化层特征组合的胸片分割模型，并在树莓派上搭建深度学习框架，在树莓派上进行基于不同位置特征的局部上下文以及不同池化层特征组合的胸片分割模型的胸片分割。
17、经由上述的技术方案可知，与现有技术相比，本专利技术提出了一种基于树莓派和不同位置特征的局部上下文以及不同池化层特征组合的胸片分割系统。通过构建基于不同位置特征的局部上下文以及不同池化层特征组合的胸片分割模型，利用上下文注意力模块使用不同位置特征的局部上下文来增强输入特征图的每个空间位置，并利用不同池化层特征的组合不仅扩大了感受野，而且还更好地利用了多尺度上下文信息，基于此，进一步提高了胸片分割精度。通过基于云服务器以及在树莓派上部署深度学习框架，基于树莓派，利用公共数据集nihchestx-rays14或chestx-rays8进行模型训练与识别，实现了深度学习分割模型在云服务器以及树莓派上的运行，缓解了目前深度学习胸片分割技术需要大量的计算资源和昂贵的计算设备的困境。
本文档来自技高网...【技术保护点】
1.一种基于树莓派和不同位置特征的局部上下文以及不同池化层特征组合的胸片分割系统，其特征在于，包括：树莓派(1)、图像采集模块(2)、显示模块(3)、通讯模块(4)、存储模块(5)、云服务器(6)；
2.根据权利要求1所述的一种基于树莓派和不同位置特征的局部上下文以及不同池化层特征组合的胸片分割系统，其特征在于，所述树莓派(1)为Raspberry Pi 5，包含4个USB接口、2个micro HDMI接口、40个GPIO引脚，并配置raspbian系统。
3.根据权利要求1所述的一种基于树莓派和不同位置特征的局部上下文以及不同池化层特征组合的胸片分割系统，其特征在于，所述胸片图像(7)还可通过将医学影像存档与通信系统PACS中目标患者胸片图像目标胸片的DICOM数据格式转换成JPG图像格式，并进行脱敏处理得到。
4.根据权利要求1所述的一种基于树莓派和不同位置特征的局部上下文以及不同池化层特征组合的胸片分割系统，其特征在于，所述预处理包括：裁剪、缩放以及归一化。
5.根据权利要求1所述的一种基于树莓派和不同位置特征的局部上下文以及
6.根据权利要求1所述的一种基于树莓派和不同位置特征的局部上下文以及不同池化层特征组合的胸片分割系统，其特征在于，所述基于不同位置特征的局部上下文以及不同池化层特征组合的胸片分割模型为在所述云服务器(6)上基于公共训练集Chest X-rays8训练得到。
7.根据权利要求1所述的一种基于树莓派和深度学习的胸片分割系统，其特征在于，所述基于不同位置特征的局部上下文以及不同池化层特征组合的胸片分割模型，包括主干网络ResNet-50、上下文注意力模块和上采样层；
8.根据权利要求7所述的一种基于树莓派和深度学习的胸片分割系统，其特征在于，在进行胸片分割预测之前，还包括：改变所述上下文注意力模块的输出大小。
9.根据权利要求1所述的一种基于树莓派和深度学习的胸片分割系统，其特征在于，还包括，在所述树莓派(1)上搭建深度学习框架，在所述树莓派(1)上进行基于不同位置特征的局部上下文以及不同池化层特征组合的胸片分割模型的胸片分割。
10.根据权利要求1所述的一种基于树莓派和深度学习的胸片分割系统，其特征在于，还包括，在所述树莓派(1)上基于公共训练集训练得到基于不同位置特征的局部上下文以及不同池化层特征组合的胸片分割模型，并在所述树莓派(1)上搭建深度学习框架，在所述树莓派(1)上进行基于不同位置特征的局部上下文以及不同池化层特征组合的胸片分割模型的胸片分割。
...【技术特征摘要】
1.一种基于树莓派和不同位置特征的局部上下文以及不同池化层特征组合的胸片分割系统，其特征在于，包括：树莓派(1)、图像采集模块(2)、显示模块(3)、通讯模块(4)、存储模块(5)、云服务器(6)；
2.根据权利要求1所述的一种基于树莓派和不同位置特征的局部上下文以及不同池化层特征组合的胸片分割系统，其特征在于，所述树莓派(1)为raspberry pi 5，包含4个usb接口、2个micro hdmi接口、40个gpio引脚，并配置raspbian系统。
3.根据权利要求1所述的一种基于树莓派和不同位置特征的局部上下文以及不同池化层特征组合的胸片分割系统，其特征在于，所述胸片图像(7)还可通过将医学影像存档与通信系统pacs中目标患者胸片图像目标胸片的dicom数据格式转换成jpg图像格式，并进行脱敏处理得到。
4.根据权利要求1所述的一种基于树莓派和不同位置特征的局部上下文以及不同池化层特征组合的胸片分割系统，其特征在于，所述预处理包括：裁剪、缩放以及归一化。
5.根据权利要求1所述的一种基于树莓派和不同位置特征的局部上下文以及不同池化层特征组合的胸片分割系统，其特征在于，所述基于不同位置特征的局部上下文以及不同池化层特征组合的胸片分割模型为在所述云服务器(6)上基于公共训练集nih chest x-rays14训练得到。
6.根...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。