CN107730484A - 一种基于深度学习的异常胸片智能识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于深度学习的异常胸片智能识别方法及系统，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，该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。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。

Description

一种基于深度学习的异常胸片智能识别方法及系统

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。

如此标注的样本采用随机梯度下降模型(SGD)来训练形成一个深度神经网络，同时在训练过程中还利用GPU加速训练过程。

参见图1，其所示为本实例中深度神经网络的结构示意图。

由图可知，本实例中深度神经网络组成超过7层，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。

其中，卷积层是对图像(不同的数据窗口数据)和滤波矩阵(一组固定的权重：由于每个神经元的权重固定，从而可以作为一个恒定的滤波器filter)做内积(逐个元素相乘再求和)的操作，不同的滤波器filter会得到不同的输出数据，比如边缘和轮廓。

ReLU层用于对卷积层的处理结果进行取绝对值的操作，使其具有网络非线性的特征。

池化层，用于对ReLU层的处理结果取区域平均或最大。

由此构成的分层结构的深度神经网络，其每一层通过训练都能形成对相应图像特征的识别功能，且越靠后的层越能形成更为抽象和全局的特征识别功能。即较浅的层能够学习简单和局部的图像特征(如各种方向的边缘)，越深的层则能学到更为抽象和全局的特征。

本实例中的深度神经网络具体基于误差反向传播(BP)算法来自主学习异常胸片的影像特征。

该深度神经网络进行自主学习训练时，其计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。

通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。

此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。

据此，本实例中的深度神经网络采用高性能的多线程服务来识别异常胸片的影像特征。

在此基础上，为了能够更加直观的显示识别结果，本方案还进一步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，即给出胸片异常或正常的概率。

针对上述的基于深度学习的异常胸片智能识别方案，本实例还进一步提供可实现该基于深度学习的异常胸片智能识别方案的异常胸片智能识别系统。

参见图2，该基于深度学习的异常胸片智能识别系统100主要包括样本库110、神经网络训练模块120、识别模块130、概率计算模块140、胸片获取模块150以及输出模块160。

其中，样本库110，用于存储存储大量人工标注的样本，以供神经网络训练模块120训练使用。根据需要，样本库100中的样本可根据实际情况下进行调整。

神经网络训练模块120，其与样本库110数据连接，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，该深度神经网络能够自主学习胸片异常影像特征。

识别模块130，其分别与神经网络训练模块120，概率计算模块140以及胸片获取模块150数据连接。该识别模块130接收胸片获取模块150中发送的待识别胸片，调用深度神经网络对待识别胸片进行异常影像特征识别，并将识别结果传至概率计算模块140。

概率计算模块140，其分别与识别模块130和输出模块160数据连接，其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。

胸片获取模块150，其与识别模块和胸片拍摄系统数据连接，从胸片拍摄系统中获取待识别的胸片，并将其传至识别模块。

输出模块160，其与概率计算模块数据连接，用于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系统100在运行前，由神经网络训练模块120从样本库100获取经过标注的样本，并进行训练形成能够自主学习胸片异常影像特征的深度神经网络模型。

系统运行时，通过胸片获取模块150获取到待识别的胸片，并将其传至识别模块130；

识别模块130在获取到的待识别的胸片后，将调用深度神经网络对胸片进行异常影像特征识别识别，深度神经网络基于自主学习的异常影像特征识别，对待识别的胸片进行异常影像特征识别，并将识别结果传至概率计算模块140；

概率计算模块140在获取到识别模块130发送的识别结果后，对其进行计算确定待识别胸片异常或正常的概率，并将概率结果传至输出模块160。

输出模块160在获得概率计算结果后将对外输出，如图片实现、文字显示、声音播报等等。

由此构成的基于深度学习的异常胸片智能识别系统100，在具体应用时，通过大量人工标注的样本来训练一个深度神经网络，使其能学习到胸片异常的影像特征，从而对输入的胸片进行异常筛查，并给出可疑程度的概率。

在实际应用时，本系统可嵌入PACS系统中，当被调用时，系统可返回输入图像出现胸片异常的概率；当概率超过某个阈值时，可对医生进行提醒，以进行进一步的检查。

参见图3，其所示为本异常胸片智能识别系统的一个应用实例。该应用实例中，运行本系统的设备，其GPU通过0.525秒即可完成对输入胸片异常的筛查，并给出可疑程度的概率，效率非常的高。

另外，本系统在实际应用时能够帮助医生有效避免漏诊的情况，并有效提高工作。

例如，本系统用于对人工阅片结果的校核，以避免漏诊，实现流程如下。

放射科医生获取胸片进行人工阅片、写报告；报告进入系统，报告中未提到胸片异常；若本系统针对该胸片识别出异常影像特征，则提示医生重新阅片；最后，医生如发现确有异常，则修改报告；由此可有效避免漏诊的情况。

再者，本系统直接进行胸片识别，保证识别精度和效率，实现流程如下。

系统获取并识别胸片，若识别出异常影像特征，则在胸片对应的图像位置上进行提示，并自动填写部分报告；医生阅片时看到系统给出的提示，可迅速找到病灶；最后由医生对自动生成的报告进行修改或审核。

最后需要指出的上述方案，为纯软件架构，可以透过程序代码布设于实体媒体，如硬盘、软盘、光盘片、或是任何机器可读取(如智能型手机、计算机可读取)储存媒体，当机器加载程序代码且执行，如智能型手机加载且执行，机器成为用以实行本方案的装置。

再者，上述方案亦可以程序代码型态透过一些传送媒体，如电缆、光纤、或是任何传输型态进行传送，当程序代码被机器，如智能型手机接收、加载且执行，机器成为用以实行上述方案的装置。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于深度学习的异常胸片智能识别方法，其特征在于，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。

2.根据权利要求1所述的异常胸片智能识别方法，其特征在于，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。

3.根据权利要求1所述的异常胸片智能识别方法，其特征在于，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。

4.根据权利要求1所述的异常胸片智能识别方法，其特征在于，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。

5.根据权利要求1所述的异常胸片智能识别方法，其特征在于，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。

6.根据权利要求1所述的异常胸片智能识别方法，其特征在于，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。

7.一种基于深度学习的异常胸片智能识别系统，其特征在于，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。

8.根据权利要求7所述的异常胸片智能识别系统，其特征在于，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。

9.根据权利要求7所述的异常胸片智能识别系统，其特征在于，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。

10.根据权利要求9所述的异常胸片智能识别系统，其特征在于，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。