CN109448854A - 一种肺结核检测模型的构建方法及应用 - Google Patents

Abstract

本发明提供了一种肺结核检测模型的构建方法及应用，包括A、获取指定数量的标注有肺结核病灶区域标注框的胸部X光图像；B、对所述胸部X光图像进行图像预处理，以获取预处理后的图像数据；C、选择一基础卷积神经网络模型，将所述预处理后的图像数据输入至所述基础卷积神经网络模型中进行训练，以获取训练后的肺结核检测模型；其中，在所述基础卷积神经网络模型中，根据不同的锚盒anchor尺寸，采用不同形状的卷积核。由上，本申请通过上述模型能够准确地预测肺结核病灶区域，降低漏诊和误诊率。

Description

一种肺结核检测模型的构建方法及应用

技术领域

本发明涉及医学影像领域，特别是涉及一种肺结核检测模型的构建方法及应用。

背景技术

作为经济便捷的检测方法，X线胸片是肺结核筛查的主要手段，医生可以通过该X胸片来进行肺结核的诊断，诊断的效率和准确度都依赖于医生的经验水平。但由于缺乏大量专业的医学影像医生，很难保证诊断的效率和准确度。

并且肺结核病有各种X线表现，根据临床研究,多种症状经常一起出现。这些都给医生带来了巨大的挑战，使结核病的诊断成为一项艰巨而耗时的工作。

因此，目前亟需一种肺结核检测模型，能够更加准确地预测肺结核病灶区域位置，降低漏诊和误诊率。

发明内容

有鉴于此，本申请提供一种肺结核检测模型的构建方法及应用，能够准确地预测肺结核病灶区域位置，降低漏诊和误诊率。

本申请提供一种肺结核检测模型的构建方法，包括：

A、获取指定数量的标注有肺结核病灶区域标注框的胸部X光图像；

B、对所述胸部X光图像进行图像预处理，以获取预处理后的图像数据；

C、选择一基础卷积神经网络模型，将所述预处理后的图像数据输入至所述基础卷积神经网络模型中进行训练，以获取训练后的肺结核检测模型；

其中，在所述基础卷积神经网络模型中，根据不同的锚盒anchor尺寸，采用不同形状的卷积核。

由上，在现有技术中，模型的卷积核是简单将3×3个正方形卷积核堆叠。但是实际上，锚盒anchor具有不同的纵横比，这意味着大量噪声(非病灶区)将混合到长宽比不为1的锚盒anchor的预测中。因此本申请中，根据不同的anchor尺寸，使用不同形状的卷积核。有利于提高模型预测的准确度。以使得训练获取的模型能够更加准确地预测肺结核病灶区域，降低漏诊和误诊率。

优选地，所述步骤C还包括：

将所述基础卷积神经网络模型中所有的锚盒anchor的宽度和高度减半，以使每个正确的病灶区域groud truth至少匹配一个锚盒anchor。

由上，由于钙化和浸润共存使正确的病灶区域groudtruth的大小在几十到几百个像素的范围内。由于感染的区域没有固定的模式，因此根据正确的病灶区域groudtruth的内在关系来推测边缘信息也很困难。因此，感受野内的噪声会影响肺结核定位的精确度。因此，我们将所有anchor的大小减半，以便检测钙化和浸润的其他微小目标，确保每个groudtruth至少可以匹配一个anchor。正确的病灶区域groud truth是由指专家标注的肺结核病灶区域标注框。

优选地，步骤C所述根据不同的锚盒anchor尺寸，采用不同形状的卷积核，具体为：

对于宽度小于高度的锚盒anchor，采用3×1卷积核；

对于高度小于宽度的锚盒anchor，采用1×3卷积核；

对于高度等于宽度的锚盒anchor，采用3×3卷积核。

由上，在现有技术中，模型的输出部分(回归头和分类器头)的卷积核是简单将3×3个正方形卷积核堆叠(忽略通道数)。但是实际上，anchor具有不同的纵横比，这意味着大量噪声(非病灶区域)将混合到长宽比不为1的anchor的预测中。因此本申请中，根据不同的anchor尺寸，使用不同形状的卷积核。有利于减少噪声(非病灶区域)被框到anchor中。

优选地，步骤B所述对所述胸部X光图像进行图像预处理，具体为：

使用聚类算法从具有窗口宽度WW和窗口位置WP指导值的样本中生成WW和WP的标准值；并通过直方图均衡操作处理，以及利用双线性插值算法进行图像的缩放，将图像双线性插值到1024×1024分辨率。

由上，X线胸片的像素灰度通常在数十到数千之间，人眼不可能区分这种巨大的变化。此外，太大的像素尺度往往会导致诊断网络发散。因此原始像素值需要根据WW(窗口宽度)和WP(窗口位置)进行调整。因为并非所有图都给出了WW和WP的指导值，所以使用聚类算法从具有WW和WP指导值的样本中生成WW和WP的标准值。通过直方图均衡操作可以强调肺部的特征，而不会显着改变其他器官和背景中的灰度。原始射线照片的长度通常多达两千个像素，这对计算来说是一个巨大的负担。因此，利用双线性插值算法进行图像的缩放，但考虑到一些病灶区域可能非常小，输入图像被双线性插值到1024×1024。

优选地，所述肺结核检测模型的分类损失函数的解析式为：

Loss_cls＝0.5-(p_t-0.5)²-α_t(1-p_t)^γlog(p_t)

其中，p_t指的是所述肺结核检测的模型输出的检测框对应的分类置信度分数；α_t、γ指的是提高困难样本损失的权重因子；其中，α_t＝0.40，γ＝1.0。

由上，本申请的分类损失函数，当α_t＝0.40，γ＝1.0时，在肺结核定位任务中可以实现更平衡的状态。能够减少大量易学习样本对训练的影响，同时难学习样本不会被淹没在大量易学习样本中，从而提高训练结果的准确性。

优选地，所述肺结核检测模型的用于平衡分类损失函数和回归损失函数的解析式为：

Loss＝Loss_cls+λLoss_reg

其中，所述Loss_cls指的是分类损失函数，Loss_reg指的是回归损失函数，λ指的是分类和回归损失函数的平衡系数；其中，λ＝0.25。

由上，由于通常分类部分快速收敛，并且回归部分的损失收敛缓慢，因此在训练时将导致回归部分的损失更大并且分类部分的损失更小。在计算总损失时，通过改变两个损失的重量比。可以有效降低漏检的概率，且在λ＝0.25时的效果最好。

优选地，所述步骤C之后还包括：

D、设置一降假阳网络，其输入端与所述肺结核检测模型的输出端连接；其中，所述降假阳网络中的分类算法设置为二分类算法；

其中，所述降假阳网络用于将所述肺结核检测模型输出的检测框及其对应的分类置信度分数进行处理后输出处理后的检测框及其对应分类置信度分数；

E、将所述经过所述降假阳网络处理后输出的分类置信度分数高于一指定阈值的检测框作为有效的候选框输出显示。

由上，由于根据医生的反馈并考虑到安全性，我们的模型必须具有出色的召回率表现。作为代价，模型的假阳率会上升。为了补偿这个问题，我们添加了一个高性能的降假阳网络。所述降假阳网络为将分类算法设置为二分类算法的Inception-ResNet-v2网络。通过该降假阳网络上述步骤的处理可以实现降低假阳性，提高输出的病灶区候选框的准确性。

本申请还提供一种基于上述肺结核检测模型的肺结核检测方法，包括如下步骤：

M1、获取患者的胸部X光图像；

M2、将所述胸部X光图像进行预处理，以获取预处理后的图像数据；

M3、将所述预处理后的图像数据输入至训练好的肺结核检测模型进行肺结核的检测。

由上，本申请能够准确地预测肺结核病灶区域位置，降低漏诊和误诊率。

优选地，所述检测方法，还包括：

M4、将所述肺结核检测模型输出的检测框及其对应的分类置信度分数输入至所述降假阳网络中；

M5、获取经过所述降假阳网络处理后输出的检测框及其对应分类置信度分数；

M6、将所述经过所述降假阳网络处理后输出的分类置信度分数高于一指定阈值的检测框作为有效的候选框输出显示。

由上，本申请能够更加准确地预测肺结核病灶区域位置，降低预测病灶区域的假阳率，降低漏诊和误诊率。

综上所述，本申请根据不同的锚盒anchor尺寸，使用不同形状的卷积核训练的肺结核检测模型，可以实现更加准确地预测肺结核病灶区域，并且本申请还添加一降假阳那网络能够进一步的降低假阳率，综上，本申请可以实现更加准确地预测肺结核病灶区域，降低漏诊和误诊率。

附图说明

图1为本申请实施例提供的肺结核检测模型的构建方法的流程示意图；

图2为本申请实施例提供的根据不同的anchor尺寸，采用不同形状的卷积核的示意图；

图3为本申请实施例提供的卷积神经网络Inception-ResNet-v2模型结构及适应性修改的示意图；

图4为本申请实施例提供的肺结核检测模型在数据集上的检测结果的示意图；

图5为本申请实施例提供的肺结核检测模型在数据集上的检测结果的示意图；

图6为本申请实施例提供的肺结核检测方法的流程示意图。

具体实施方式

下面将结合本申请实施例中的附图对本申请进行说明。

实施例一

如图1所示，本申请提供一种肺结核检测模型的构建方法，包括：

S101，获取指定数量的标注有肺结核病灶区域标注框的胸部X光图像。

具体地，所述胸部X光图像可以使用已有的大量的肺结核患者的胸部X光图像。例如，一现有来源的包含2443个胸部胸部X光图像(DICOM格式)数据集。在该数据集中，随机选择1974作为训练集，其余分为验证集和测试集。其中，所述胸部X光图像具有医生标注的肺结核病灶区域。

S102，对所述胸部X光图像进行图像预处理，以获取预处理后的图像数据。

具体地，使用聚类算法从具有窗口宽度WW和窗口位置WP指导值的样本中生成WW和WP的标准值；并通过直方图均衡操作处理，以及利用双线性插值算法进行图像的缩放，将图像双线性插值到1024×1024分辨率。

由于X线胸片的像素灰度通常在数十到数千之间，人眼不可能区分这种巨大的变化。此外，太大的像素尺度往往会导致诊断网络发散。因此，原始像素值需要根据WW(窗口宽度)和WP(窗口位置)进行调整。因为并非所有图都给出了WW和WP的指导值，所以使用聚类算法从具有WW和WP指导值的样本中生成WW和WP的标准值。通过直方图均衡操作可以强调肺部的特征，而不会显着改变其他器官和背景中的灰度。原始射线照片的长度通常多达两千个像素，这对计算来说是一个巨大的负担。因此，利用双线性插值算法进行图像的缩放，但考虑到一些病灶区域可能非常小，输入图像被双线性插值到1024×1024分辨率。

S103，选择一基础卷积神经网络模型，将所述预处理后的图像数据输入至所述基础卷积神经网络模型中进行训练，以获取训练后的用于肺结核检测的模型。

具体地，首先S1031，对于所述的基础卷积神经网络模型中的anchor的调整：

S1031.1，由于钙化和浸润共存使正确的病灶区域groudtruth的大小在几十到几百个像素的范围内。由于感染的区域没有固定的模式，因此根据groudtruth的内在关系来推测边缘信息也很困难。因此，感受野内的噪声会影响肺结核定位的精确度。因此，我们将所有锚盒anchor的宽度和高度减半，以便检测钙化和浸润的其他微小目标，确保每个正确的病灶区域groudtruth至少可以匹配一个anchor。

S1031.2，在现有技术中，模型的输出部分的卷积核是简单将3×3个正方形卷积核堆叠。但是实际上，anchor具有不同的纵横比，这意味着大量噪声将混合到长宽比不为1的anchor的预测中。因此本申请中，根据不同的anchor尺寸，使用不同形状的卷积核。有利于提高训练后的模型的预测病灶区域和肺结核类型的精确度。如图2所示，具体为：

对于宽度小于高度的锚盒anchor，采用3×1卷积核；

对于高度小于宽度的锚盒anchor，采用1×3卷积核；

对于高度等于宽度的锚盒anchor，采用3×3卷积核。

S1031.3，本申请的肺结核检测模型的分类损失函数的解析式为：

Loss_cls＝0.5-(p_t-0.5)²-α_t(1-p_t)^γlog(p_t)

其中，p_t指的是所述肺结核检测的模型输出的检测框对应的分类置信度分数；α_t、γ指的是提高困难样本损失的权重因子；其中，α_t＝0.40，γ＝1.0。

由此，本申请的分类损失函数，当α_t＝0.40，γ＝1.0时，在肺结核检测模型获取病灶区域的定位中可以实现更平衡的状态。能够减少大量易学习样本对训练的影响，同时难学习样本不会被淹没在大量易学习样本中，从而提高训练结果的准确性。

其中，由于通常分类部分快速收敛，并且回归部分的损失收敛缓慢，因此在训练时将导致回归部分的损失更大并且分类部分的损失更小。在计算总损失时，通过改变两个损失的重量比。可以有效降低漏检的概率，且在所述肺结核检测模型的用于平衡分类损失函数和回归损失函数的解析式为：

Loss＝Loss_cls+λLoss_reg

其中，所述Loss_cls指的是分类损失函数，Loss_reg指的是回归损失函数，λ指的是分类和回归损失函数的平衡系数；其中，λ＝0.25时的效果最好，可以有效降低漏检的概率。

S1032，设置一降假阳网络。

由于根据医生的反馈并考虑到安全性，我们的模型必须具有出色的召回率表现。作为代价，模型的假阳率会上升。为了补偿这个问题，我们添加了一个高性能的降假阳网络Inception-ResNet-v2。同时，为适应胸片的14类疾病的诊断，需对其进行适应性修改，即将图3中左边的虚线框所示模块修改为右边的虚线框所示模块，由于一个病人可能患有多种肺结核，所以不能采用Softmax激活函数的多分类(类别间互斥)，而应该为Sigmoid激活函数的多标签分类。即，将所述基础卷积神经网络模型的分类算法修改为激活函数为Sigmoid的二分类算法。通过该降假阳网络上述步骤的处理可以实现降低假阳性，提高输出的病灶区候选框的准确性。

具体地，设置一降假阳网络，其输入端与所述肺结核检测模型的输出端连接；其中，所述降假阳网络中的分类算法设置为二分类算法；

其中，所述降假阳网络用于：

将所述肺结核检测模型输出的检测框及其对应的分类置信度分数进行处理后输出处理后的检测框及其对应分类置信度分数；

将所述经过所述降假阳网络处理后输出的分类置信度分数高于一指定阈值的检测框作为有效的候选框输出显示。

S104，对S103中获取的训练后的肺结核检测模型进行测试。

测试数据集的有两个来源，测试集1来源如S101中所述，在此不再赘述。测试集2为另一现有来源的测试数据集，其由270个正面胸部X射线图像(DICOM格式)组成。

通过上述两个数据集输入至所述肺结核检测模型所获取的检测结果分别如图4和图5所示。可以看出，大部分预测的病变位置都是准确的。对于许多小病变区域，模型预测倾向于使用一个大的回归边界框预测病变区域，这也是一种合理的方法。

如图4所示，为第一个测试数据集输入至本申请的肺结核检测模型的检测结果，加粗线的框是Groundtruth(医生标注的正确的病灶区域)，细线框是本申请的肺结核检测模型的预测结果。

如图5所示，为第二个测试数据集输入至本申请的肺结核检测模型的检测结果，加粗线的框是Groundtruth(医生标注的正确的病灶区域)，细线框是网络的预测结果。

当Groundtruth与本申请的肺结核检测模型的预测病灶区域的重叠区域(intersection over union,IOU)大于0.3时，网络的预测定义为真阳性(true positive,TP)，因为用大框标记密集聚集的小目标是合理的(如图3(1)中的情况)。我们提出方法在第一和第二测试数据集上测试的最终AP(Average_precision，平均精度)分别达到0.9023和0.9332，比现有的模型Retinanet增加了约10％。

现有的模型RetinaNet和本申请的用于肺结核检测的模型的检测的AP的对比如表1所示。

表1

综上所述，本申请的肺结核检测模型，可以通过实现准确地预测肺结核病灶区域位置，降低漏诊和误诊率，且提高诊断地效率及精确度。

实施例二

本申请还提供一种基于上述的肺结核检测模型的肺结核检测方法，包括如下步骤：

S601，获取患者的胸部X光图像；

S602，将所述胸部X光图像进行预处理，以获取预处理后的图像数据；

S603，将所述预处理后的图像数据输入至训练好的肺结核检测模型进行肺结核的检测。

S604，将所述肺结核检测模型输出的检测框及其对应的分类置信度分数输入至所述降假阳网络中；

S605，获取经过所述降假阳网络处理后输出的检测框及其对应分类置信度分数；

S606，将所述经过所述降假阳网络处理后输出的分类置信度分数高于一指定阈值的检测框作为有效的候选框输出显示。

综上所述，本申请根据不同的锚盒anchor尺寸，使用不同形状的卷积核训练的肺结核检测模型，可以实现更加准确地预测肺结核病灶区域，并且本申请还添加一降假阳那网络以降低假阳率。综上，本申请可以实现更加准确地预测肺结核病灶区域，降低漏诊和误诊率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种肺结核检测模型的构建方法，其特征在于，包括：

A、获取指定数量的标注有肺结核病灶区域标注框的胸部X光图像；

B、对所述胸部X光图像进行图像预处理，以获取预处理后的图像数据；

C、选择一基础卷积神经网络模型，将所述预处理后的图像数据输入至所述基础卷积神经网络模型中进行训练，以获取训练后的肺结核检测模型；

其中，在所述基础卷积神经网络模型训练中，根据不同的锚盒anchor尺寸，采用不同形状的卷积核。

2.根据权利要求1所述的方法，其特征在于，所述步骤C还包括：

将所述基础卷积神经网络模型中所有的锚盒anchor的宽度和高度减半，以使每个正确的病灶区域groud truth至少匹配一个锚盒anchor。

3.根据权利要求2所述的方法，其特征在于，步骤C所述根据不同的锚盒anchor尺寸，采用不同形状的卷积核，具体为：

对于宽度小于高度的锚盒anchor，采用3×1卷积核；

对于高度小于宽度的锚盒anchor，采用1×3卷积核；

对于高度等于宽度的锚盒anchor，采用3×3卷积核。

4.根据权利要求1所述的方法，其特征在于，步骤B所述对所述胸部X光图像进行图像预处理，具体为：

使用聚类算法从具有窗口宽度WW和窗口位置WP指导值的样本中生成WW和WP的标准值；并通过直方图均衡操作处理，以及利用双线性插值算法进行图像的缩放，将图像双线性插值到1024×1024分辨率。

5.根据权利要求1所述的方法，其特征在于，所述肺结核检测模型的分类损失函数的解析式为：

Loss_cls＝0.5-(p_t-0.5)²-α_t(1-p_t)^γlog(p_t)

其中，p_t指的是所述肺结核检测的模型输出的检测框对应的分类置信度分数；α_t、γ指的是提高困难样本损失的权重因子；其中，α_t＝0.40，γ＝1.0。

6.根据权利要求5所述的方法，其特征在于，所述肺结核检测模型的用于平衡分类损失函数和回归损失函数的解析式为：

Loss＝Loss_cls+λLoss_reg

其中，所述Loss_cls指的是分类损失函数，Loss_reg指的是回归损失函数，λ指的是分类和回归损失函数的平衡系数；其中，λ＝0.25。

7.根据权利要求1所述的方法，其特征在于，所述步骤C之后还包括：

D、设置一降假阳网络，其输入端与所述肺结核检测模型的输出端连接；其中，所述降假阳网络中的分类算法设置为二分类算法；

其中，所述降假阳网络用于将所述肺结核检测模型输出的检测框及其对应的分类置信度分数进行处理后输出处理后的检测框及其对应分类置信度分数；

E、将所述经过所述降假阳网络处理后输出的分类置信度分数高于一指定阈值的检测框作为有效的候选框输出显示。

8.一种基于权利要求1-7任一项所述的构建方法构建获得的肺结核检测模型的肺结核检测方法，其特征在于，包括如下步骤：

M1、获取患者的胸部X光图像；

M2、将所述胸部X光图像进行预处理，以获取预处理后的图像数据；

M3、将所述预处理后的图像数据输入至训练好的肺结核检测模型进行肺结核的检测。

9.根据权利要求8所述的检测方法，其特征在于，还包括：

M4、将所述肺结核检测模型输出的检测框及其对应的分类置信度分数输入至所述降假阳网络中；

M5、获取经过所述降假阳网络处理后输出的检测框及其对应分类置信度分数；

M6、将所述经过所述降假阳网络处理后输出的分类置信度分数高于一指定阈值的检测框作为有效的候选框输出显示。