[发明专利]一种肺炎自动诊断系统

说明书

本发明提供了一种肺炎自动诊断系统，包括依次相连的图像采集模块、图像预处理模块、肺炎病灶识别模块和诊断结果显示模块。首先对肺部X光片图像进行边界强化和降噪处理，然后多任务深度卷积神经网络预测模型首先提取预处理后的肺部X光片的特征；再在图像特征上使用级联区域候选网络完成候选框推荐，并利用改进的非极大值抑制方法进行抑制筛选，筛选出一批候选框集合；接着针对候选框截取出对应特征区域进行池化并输入到全连接层；最后使用分类层和回归层进行目标分类和边框回归，识别出肺部X光片是否包含病灶以及识别病灶类型。本发明利对现有的基于候选区域的目标识别模型进行改进，提高了小尺度目标识别精度，进而提高肺炎诊断的准确率。

技术领域

本发明属于医疗影像识别技术领域，涉及一种肺炎自动诊断系统，尤其涉及一种基于肺部X光片的肺炎自动诊断系统。

背景技术

肺炎属于肺部疾病的一种，通常呈支气管肺炎影像学表现，如肺炎病灶有斑片影、纤维条索灶的高密度影，或者是斑片渗出影、结节影和肿瘤肿块的占位。对于这种有肺炎的高密度灶，要考虑肺部感染，同时要结合是否有相关肺部感染的临床症状，包括咳嗽、咳痰、咯血、发热、呼吸困难等相关的症状。当前，胸部X光片是最常用的的医疗影像检查工具，在对涵盖肺炎在内的肺部疾病进行筛查诊断和管理的过程中占据着至关重要的地位。然而，由于肺部疾病种类繁多，在胸部X光片上的病灶表现经常难以识别和鉴别，还可能与其他疾病重叠，甚至与其他很多良性异常类似，导致放射科医师对肺炎的诊断存在主观依赖性强、诊断准确率低的问题；此外，临床阅片医生由于长时间工作，难免会出现阅片质量下降等问题。因此从胸部X光片中诊断出肺炎疾病对于放射科医师而言是一个困难的任务。随着近年来深度学习技术在计算机视觉以及图像分类、分割、识别等领域的巨大发展，科研人员在胸部X光片的计算机诊断方面提出了很多辅助诊断方法。

现有技术公开了一种针对肺炎的诊断系统与方法，该技术通过建立深度卷积神经网络VGG预测模型，并通过数据增强迁移学习以及对网络结构进行改进等手段加快了模型训练的收敛速度，提高了肺炎识别的准确率以及模型的泛华能力。然而，X光片医学图像本身相较于常见的图像从形态上就比较难以辨析，也在一定程度上会夹杂相较于一般图像有更多的噪声，或者由于X射线曝光不当以及不同个体之间胸腔的厚度的不同，对比度就相较于正常图像更低，边缘的清晰程度等等都会受到一定程度上的影响，导致肺炎病灶与周围区域的区别不大，这就要求更高的小尺度目标识别精度。目前基于候选区域的目标识别模型已经取得很大的进步，但是小尺度目标识别精度仍然不高。

发明内容

针对上述现有技术存在的缺陷，本发明的目的在于提供一种肺炎自动诊断系统，对现有的基于候选区域的目标识别模型进行改进，提高小尺度目标识别精度，以提高肺炎诊断的精度。

为实现上述目的，本发明采用的技术方案如下：

一种肺炎自动诊断系统，包括依次相连的图像采集模块、图像预处理模块、特征提取模块、肺炎病灶识别模块和诊断结果显示模块；

所述图像采集模块，用于获取肺部X光片图像；

所述图像预处理模块，用于对所述X光片图像进行边界强化和降噪处理；

所述肺炎病灶识别模块，用于通过多任务深度卷积神经网络预测模型识别肺部X光片图像是否包含病灶以及识别病灶类型；

所述诊断结果显示模块，用于显示肺炎诊断结果。

进一步的，所述多任务深度卷积神经网络预测模型的卷积层为包括五条传递链路、五个卷积阶段和101层卷积层的残差网络；所述五条传递链路包括卷积神经网络的前馈计算、自顶向下的信息传递链路、自下而上的分辨率信息传递链路以及两条横向连接链路。

进一步的，所述多任务深度卷积神经网络预测模型的识别流程包括以下步骤：

(1)首先使用残差网络提取预处理后的肺部X光片图像的特征；