肺部纤维化智能判定方法与流程

1.本发明涉及医学影像分析技术领域，尤其涉及肺部纤维化智能判定方法。


背景技术：

2.常见的目标检测采用的策略首先是对一张整个图像移动窗口滑块生成独立的图像块，使用这些图像块选择目标候选区域，继而判别目标类别和位置，最后将目标识别区域进行整合。但是，这个策略存在两个问题，一是在对整个图像输入到特征提取模型中是需要利用滑动窗口来实现的，也即检测到的目标特征是在图像块中，对于整个图像来说，目标区域在图像块中未必是完整的，那么在图像块中就存在非目标区域和目标区域的两种样本，这样对后期的图像块整合就带来了难度，如果方法不得当，整合的目标区域就会出现冗余或者明显的缺失，即无法准确定位；二是基于滑动窗口的目标检测，会带来大量的计算开销，因为在目标图像中，存在目标区域的窗口毕竟是少数，这种检测的方法类似于穷举法，既浪费了训练和测试时间，又增加了实验设备的存储资源浪费。


技术实现要素：

3.为解决上述背景技术中的技术问题，本发明提供肺部纤维化智能判定方法。本发明采用以下技术方案实现：肺部纤维化智能判定方法，包括如下步骤：
4.s1、获取训练样本，所述训练样本包括多张ct影像胸片样本图像；所述ct影像胸片样本图像为具有不同大小尘肺纤维阴影像素的各个肺区图像；
5.s2、预先标定出每张ct影像胸片样本图像中各个肺区所包含的各个种类的尘肺纤维阴影像素，并将标定后的ct影像胸片样本图像作为样本标签；
6.s3、将训练样本输入至卷积神经网络模型；对于每一张ct影像胸片样本图像依序经过卷积神经网络模型的其中的几个卷积层卷积后，分别生成不同映射尺度的目标特征向量；
7.s4、基于生成不同映射尺度的目标特征向量和训练集中预先标定的样本标签，通过复合训练损失函数对所述卷积神经网络模型的模型参数进行调整，以训练出肺部纤维化智能判定模型；
8.s5、通过肺部纤维化智能判定模型对采集的ct影像胸片图像进行肺部纤维化的分类及定位。
9.作为上述方案的进一步改进，所述的步骤s3中，所述卷积神经网络模型包括依序相连的8个卷积层，各个卷积层均使用1
×
1的卷积核进行相应的特征提取；
10.当ct影像胸片样本图像经过卷积层conv4、conv5、conv6、conv8后，会分别生成多个用于与样本标签比较的目标特征向量。
11.作为上述方案的进一步改进，所述的步骤s3中，所述的卷积层conv1-3的图像像素均为512
×
515，卷积层conv4、卷积层conv5、卷积层conv6、卷积层conv7、卷积层conv8的图像像素依次分别为256
×
256、128
×
128、64
×
64、32
×
32、16
×
16。
12.作为上述方案的进一步改进，所述的步骤s3中，设置卷积神经网络模型的模型参数随机初始化，设置初始学习率为0.001，动量0.9，权重延迟0.0005，批处理尺寸32张，迭代次数10k次。
13.作为上述方案的进一步改进，所述的步骤s3中，通过如下复合训练损失函数对所述卷积神经网络模型的模型参数w进行调整的方法如下步骤：将目标分类误差函数定义为：
[0014][0015]
其中，w是卷积神经网络模型的模型参数，s＝{s1,s2,...,sn}是训练样本集合，n是卷积层的数量，αn是误差函数ln的权重，xi是标注好的样本图像块，yi＝(yi,bi)是标注好的样本标签，yi∈{0,1,...,k}是真实目标框坐标；(x，y，w，h)分别表示目标框的中心点坐标和宽长值；将坐标误差函数定义为：
[0016][0017]
其中，m是检测时的预测目标框所在卷积层的层数，i是检测的初始目标框坐标，j是真实目标框坐标，坐标误差函数采用smooth
l1
()求解预测目标框和真实目标框的坐标误差，则的计算方法为：
[0018][0019]
其中，表示预测目标框的中心、长宽坐标，表示真实目标框的中心、长宽坐标，表示预测目标框和真实目标框的坐标差值；
[0020]
将目标分类误差函数与坐标误差函数联合训练学习，融合每一个卷积层输出的目标特征向量，则误差函数表示为：
[0021][0022]
其中，p(x)＝(p0(x),...,pk(x))是目标分类概率值，λ是平衡参数且通过交叉验证设置为1，分类误差函数采用交叉熵函数计算，l
obj
(p(x),y)＝-logpy(x)。
[0023]
作为上述方案的更进一步改进，所述利用平铺初始检测框方式训练学习特殊尺度的不同目标，假设使用m个卷积层来预测，则每层的初始目标检测框的尺寸比例表示为：
[0024][0025]
其中，s
min
就是最低层的尺度系数为，s
max
最高层的尺度系数为，k为初始目标框的
数量。
[0026]
作为上述方案的更进一步改进，所述初始目标框的宽和长计算公式分别表示为：
[0027]
则每个初始目标框的第i行和第j列的中心点设置为m是m
×
m特征映射图的尺寸。
[0028]
采用上述任意一种所述的肺部纤维化智能判定方法的肺部纤维化智能判定装置，包括：
[0029]
样本获取模块，其用于训练样本包括多张ct影像胸片样本图像；所述ct影像胸片样本图像为具有不同大小尘肺纤维阴影像素的各个肺区图像；
[0030]
样本标定模块，其用于预先标定出每张ct影像胸片样本图像中各个肺区所包含的各个种类的尘肺纤维阴影像素，并将标定后的ct影像胸片样本图像作为样本标签；
[0031]
样本训练模块，其用于将训练样本输入至卷积神经网络模型；对于每一张ct影像胸片样本图像依序经过卷积神经网络模型的其中的几个卷积层卷积后，分别生成不同映射尺度的目标特征向量；
[0032]
模型建立模块，其基于生成不同映射尺度的目标特征向量和训练集中预先标定的样本标签，用于通过复合训练损失函数对所述卷积神经网络模型的模型参数进行调整，以训练出肺部纤维化智能判定模型；
[0033]
判定模块，其用于利用肺部纤维化智能判定模型对采集的ct影像胸片图像进行肺部纤维化的分类判定及定位。
[0034]
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时，实现上述任意一种所述的肺部纤维化智能判定方法的步骤。
[0035]
本发明还提供一种计算机终端，其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任意一种所述的肺部纤维化智能判定方法的步骤。
[0036]
本发明的有益效果为：
[0037]
1.本发明的肺部纤维化智能判定方法中，输入的图像由训练用的图像块替换为整张ct影像胸片，特征学习模型设计为将最后三层全连接层替换为卷积层，这样设计的目的是为了实现输入图像和输出也是图像的端到端检测，同时可以直接检测出不同肺区的病灶区域；
[0038]
2.为了减少训练学习的时间和存储开销，检测的区域不是整张图像，而是均匀的在图像中不同位置进行密集取样，抽样采用不同的尺度和纵横比，针对卷积后的特征映射层进行分类和回归，采用非极大抑制算法(nms)来选取置信度最高的疑似纤维化区域框作为最终检测结果，整个检测区域是端到端且一步完成，简洁高效，极大的减少了计算量，大幅减少了训练时间。
[0039]
3.在学习特征的过程中，同时增加训练学习检测框位置的参数项，目的是既要判别对象属性，又实现精准定位。
附图说明
[0040]
图1为本发明实施例1提供的肺部纤维化智能判定方法流程示意图；
[0041]
图2为本发明实施例1提供的多尺度特征映射尘肺阴影检测模型的示意图。
具体实施方式
[0042]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0043]
实施例1
[0044]
请结合图1，肺部纤维化智能判定方法，包括如下步骤：
[0045]
s1、获取训练样本，所述训练样本包括多张ct影像胸片样本图像；所述ct影像胸片样本图像为具有不同大小尘肺纤维阴影像素的各个肺区图像；
[0046]
s2、预先标定出每张ct影像胸片样本图像中各个肺区所包含的各个种类的尘肺纤维阴影像素，并将标定后的ct影像胸片样本图像作为样本标签；
[0047]
s3、将训练样本输入至卷积神经网络模型；对于每一张ct影像胸片样本图像依序经过卷积神经网络模型的其中的几个卷积层卷积后，分别生成不同映射尺度的目标特征向量；
[0048]
s4、基于生成不同映射尺度的目标特征向量和训练集中预先标定的样本标签，通过复合训练损失函数对所述卷积神经网络模型的模型参数进行调整，以训练出肺部纤维化智能判定模型；
[0049]
s5、通过肺部纤维化智能判定模型对采集的ct影像胸片图像进行肺部纤维化的分类及定位。
[0050]
请结合图2，所述的步骤s3中，所述卷积神经网络模型包括依序相连的8个卷积层，各个卷积层均使用1
×
1的卷积核进行相应的特征提取；
[0051]
当ct影像胸片样本图像经过卷积层conv4、conv5、conv6、conv8后，会分别生成多个用于与样本标签比较的目标特征向量。
[0052]
所述的步骤s3中，所述的卷积层conv1-3的图像像素均为512
×
515，卷积层conv4、卷积层conv5、卷积层conv6、卷积层conv7、卷积层conv8的图像像素依次分别为256
×
256、128
×
128、64
×
64、32
×
32、16
×
16。
[0053]
所述的步骤s3中，设置卷积神经网络模型的模型参数随机初始化，设置初始学习率为0.001，动量0.9，权重延迟0.0005，批处理尺寸32张，迭代次数10k次。
[0054]
所述的步骤s3中，通过如下复合训练损失函数对所述卷积神经网络模型的模型参数w进行调整的方法如下步骤：
[0055]
将目标分类误差函数定义为：
[0056]
其中，w是卷积神经网络模型的模型参数，s＝{s1,s2,...,sn}是训练样本集合，n是卷积层的数量，αn是误差函数ln的权重，xi是标注好的样本图像块，yi＝(yi,bi)是标注好的样本标签，yi∈{0,1,...,k}是真实目标框坐标，(x，y，w，h)分别表示目标框的中心点坐标和宽长值；
[0057]
将坐标误差函数定义为：
[0058]
其中，m是检测时的预测目标框所在卷积层的层数，i是检测的初始目标框坐标，j是真实目标框坐标，坐标误差函数采用smooth
l1
()求解预测目标框和真实目标框的坐标误差，则的计算方法为：
[0059][0060]
其中，表示预测目标框的中心、长宽坐标，表示真实目标框的中心、长宽坐标，表示预测目标框和真实目标框的坐标差值；
[0061]
将目标分类误差函数与坐标误差函数联合训练学习，融合每一个卷积层输出的目标特征向量，则误差函数表示为：
[0062][0063]
其中，p(x)＝(p0(x),...,pk(x))是目标分类概率值，λ是平衡参数且通过交叉验证设置为1，分类误差函数采用交叉熵函数计算，l
obj
(p(x),y)＝-logpy(x)。
[0064]
利用平铺初始检测框方式训练学习特殊尺度的不同目标，假设使用m个卷积层来预测，则每层的初始目标检测框的尺寸比例表示为：
[0065]
其中，s
min
就是最低层的尺度系数为，s
max
最高层的尺度系数为，k为初始目标框的数量；
[0066]
所述初始目标框的宽和长计算公式分别表示为：
[0067]
则每个初始目标框的第i行和第j列的中心点设置为m是m
×
m特征映射图的尺寸。
[0068]
实施例2
[0069]
本实施例提供了一种采用实施例1的肺部纤维化智能判定方法的肺部纤维化智能判定装置，包括：
[0070]
样本获取模块，其用于训练样本包括多张ct影像胸片样本图像；所述ct影像胸片样本图像为具有不同大小尘肺纤维阴影像素的各个肺区图像；
[0071]
样本标定模块，其用于预先标定出每张ct影像胸片样本图像中各个肺区所包含的各个种类的尘肺纤维阴影像素，并将标定后的ct影像胸片样本图像作为样本标签；
[0072]
样本训练模块，其用于将训练样本输入至卷积神经网络模型；对于每一张ct影像胸片样本图像依序经过卷积神经网络模型的其中的几个卷积层卷积后，分别生成不同映射尺度的目标特征向量；
[0073]
模型建立模块，其基于生成不同映射尺度的目标特征向量和训练集中预先标定的样本标签，用于通过复合训练损失函数对所述卷积神经网络模型的模型参数进行调整，以训练出肺部纤维化智能判定模型；
[0074]
判定模块，其用于利用肺部纤维化智能判定模型对采集的ct影像胸片图像进行肺部纤维化的分类判定及定位。
[0075]
实施例3
[0076]
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时，实现上述实施例1的肺部纤维化智能判定方法的步骤。
[0077]
实施例4
[0078]
本实施例提供了一种计算机终端，其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例1的肺部纤维化智能判定方法的步骤。
[0079]
以上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、等同替换和改进等，均应包含在本发明的保护范围之内。