[发明专利]一种基于深度学习的异常胸片智能识别方法及系统

说明书

技术领域

本发明涉及图像识别技术，具体涉及胸片异常的识别技术。

背景技术

胸片即胸部的X光片，临床上都叫胸片。胸片在临床上应用广泛，百姓的认识越来越深。正位胸片能显示出心脏大血管的大小、形态、位置和轮廓，能观察心脏与毗邻器官的关系和肺内血管的变化，可用于心脏及其径线的测量。左前斜位片显示主动脉的全貌和左右心室及右心房增大的情况。右前斜位片有助于观察左心房增大、肺动脉段突出和右心室漏斗部增大的变化。左侧位片能观察心、胸的前后径和胸廓畸形等情况，对主动脉瘤与纵隔肿物的鉴别及定位尤为重要。

由此可见，对于胸片中出现的异常特征进行有效识别非常的重要。然而现有胸片的识别，基本都是依靠纯人工阅片，主要依靠放射科医生进行人工阅片和诊断。这不仅成本高、效率低、耗时长；而且在人工识别阅片时，极大的依赖于医生的个人经验和工作时间，存在漏诊的现象。

发明内容

针对现有胸片识别技术所存在的问题，需要一种高效且高精度的胸片异常识别方案。

为此，本发明所要解决的技术问题是提供一种基于深度学习的异常胸片智能识别方法及系统。

为了解决上述技术问题，本发明提供的基于深度学习的异常胸片智能识别方法，通过大量人工标注的样本来训练一个深度神经网络，所述深度神经网通过自主学习胸片异常影像特征，并以此来识别胸片中异常的影像特征。

进一步的，所述样本包括包含异常胸片的正样本和其他人胸片样本，在标注时首先从历史样本数据中筛选出候选样本，再对候选样本进行审核。

进一步的，采用随机梯度下降模型训练形成深度神经网络，并利用GPU加速训练。

进一步的所述深度神经网络包括5个交替出现的卷积层，ReLU层和池化层，以及2个全连接层。

进一步的，所述深度神经网络通过误差反向传播模型进行自主学习异常胸片的影像特征。

进一步的，所述智能识别方法还根据胸片中异常影像特征的识别结果给出异常胸片的概率。

了解决上述技术问题，本发明提供的基于深度学习的异常胸片智能识别系统，包括：

样本库，所述样本库中存储大量人工标注的样本；

神经网络训练模块，所述神经网络训练模块从样本库中获取经过标注的样本，并进行训练形成深度神经网络，自主学习胸片异常影像特征；

识别模块，所述识别模块调用深度神经网络对胸片进行异常影像特征的识别。

进一步的，所述识别系统中还包括胸片获取模块，所述胸片获取模块与识别模块数据连接，将待识别的胸片传至识别模块。

进一步的，所述识别系统中还包括概率计算模块，所述概率计算模块与识别模块数据连接，根据识别模块识别异常影像特征的识别结果计算出胸片异常和/或正常的概率。

进一步的，所述识别系统中还包括一输出模块，所述输出模块与概率计算模块数据连接，输出概率计算模块的计算结果。

由此构成的异常胸片智能识别方案能够实现对胸片中的异常影像特征进行自动化识别，识别效率高，识别精度高，有效避免漏检未识别的现象，有效解决现有技术所存在的问题。

在此基础上，本方案通过训练形成深度神经网络，通过深度学习胸片中异常影像特征，能够精确识别出胸片中异常的影像特征，大大提高识别精度。

附图说明

以下结合附图和具体实施方式来进一步说明本发明。

图1为本发明实例中神经网络结构示意图；

图2为本发明实例中基于深度学习的异常胸片智能识别系统组成示意图；

图3为本发明实例中进行胸片异常识别的示意图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。

针对胸片中异常特征的识别，本实例方案进行自动识别，提高效率且有效避免漏检未识别的现象；在此基础上采用深度学习方法，自主学习胸片异常影像特征，以此实现精确识别，有效提高识别精度。

具体，本方案通过大量人工标注的样本来训练一个深度神经网络，使其能自主学习到胸片异常影像特征，由此来识别胸片中异常的影像特征。

这里使用的大量样本包含异常胸片的正样本和其他人胸片的样本，每个样本都标注了图像的类别。

本方案中在进行样本标注时，使用人机结合的方式，即首先从历史样本数据中筛选出候选胸片异常样本，再由医生对候选样本进行审核，以确认是否为胸片异常，从而大大提高标注的效率。