(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210171528.X (22)申请日 2022.02.24 (71)申请人 中国计量大 学 地址 310018 浙江省杭州市学源街25 6号 (72)发明人 王小飞　陆慧娟　 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/56(2022.01) G06V 10/50(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 7/00(2017.01) G06T 5/40(2006.01) (54)发明名称 基于胸部X光图像肺部疾病识别和分类方法 (57)摘要 本发明公开了一种基于胸部X光图像肺部疾 病识别和分类方法， 包括如下步骤： 1)医学影像 预处理： 将原始X光图像的灰度值将原始X光图像 的灰度值范围 由0～255变为0～1， 均衡化令概率 密度为1， 根据亮度值， 平局值和曝光阈值进行直 方图细分， 进行裁剪， 基于亚直方图对下亚直方 图进行进一步细分； 2)建立胸部X光图像肺部疾 病识别和分类模型： a、 在DPN网络 的backbone网 络中加入FCAnet多频谱 通道注意力机制； b、 提出 一种基于DPN网络结构的多频谱通道注意力机制 卷积网络层， 用于解决图像空间中分类物的信息 丢失情况； c、 设计 卷积神经网络通过与FCAnet多 频谱通道注意力机制的Backbone网络进行结合， 可以得到对分类目标比较有效的特征提取网络。 本发明实现胸部X光图像远程分类识别， 通过改 进的直方图均衡技术和多频谱通道注意机制 网 络提升效率， 从而提高准确度。 权利要求书1页 说明书8页 附图3页 CN 115147636 A 2022.10.04 CN 115147636 A 1.一种基于胸部X光图像肺部疾病识别和分类方法， 其特 征在于： 包括如下步骤： 1） 医学图像预处理： 在数据预处理中， 我们使用了裁剪、 旋转、 翻转和归一化等技术。 首 先， 我们将图像大小修改为(224 ×224)， 对随机选择的图像进行旋转， 水平翻转这些图像， 并进行归一 化处理， 使数据中的每 个维度的值都在相同的范围内。 2） 建立胸部X光图像肺部疾病识别和分类模型： a、 在ResNet ‑101的backbone网络中加入ESCA （高效的空间通道注意机制） ， 使用ESCA模 块对特征图进行侧重提取， 提取出重要的特征， 通过ESCA后的特征图获得了特征通道内大 量有用的频率和位置分量信息， 有利于后期的小样本肺炎图像分类； b、 提出一种基于高效的空间通道注意力 机制的迁移学习网络结构， 用于解决深度 学习 在医学图像中因缺少标注信息而造成的小样本问题， 我们使用在不同领域的数据集上预先 训练的模型来实现使用注意机制的迁移学习。 然后， 我们将从每个预先训练的模型 ‑ ResNet152、 DenseNet121和ResNet18 ‑中提取的特征向量连接到相同的维向量。 然后， 将从 每个模型中提取的特征向量组合并连接成相同的维向量。 我们可以利用每种模型的优点作 为特征提取器； 然后， 运用ESCA注意机制 模块。 注意操作的输出向量被传递到分类器(最后 一个完全连接的层)。 c、 通过将空间通道注意力机制与ECAnet网络进行融合， 提出了一种新颖的网络注意力 机制， 将其称为 “ESCA‑Net:Efficient  Spatial  Channel  Attention  for Deep  Convolutional Neural Networks” d、 并且我们的网络结构设计LOS S损失函数， 大 大的提高了我们的网络的分类精度。 2.根据权利要求1所述的基于胸部X光图像肺部疾病识别和分类方法， 其特征在于： 基 于胸部X光图像肺部疾病识别和分类平台， 所述胸部X光图像肺部疾病识别和分类平台包括 云端服务器、 若干边缘服务器和X光仪器， 所述云端服务器连接每台边缘服务器， 所述边缘 服务器与各地区的终端X光仪器相连接 。 3.根据权利要求1或2所述的基于胸部X光图像肺部疾病识别和分类方法， 其特征在于： 给云端服务器输入待分类X光增强图像， 云端服务器通过本发明的模 型进行特征提取； 云端 服务器将提取 的特征与已有特征集进行比对； 若经比对判定其为异常病例， 则将异常特征 和异常位点传回边缘服务器， 云端服务器记录异常病例， 并对病例特征进 行分析， 依此对初 始特征集进行 更新， 以实现X光图像的识别精度提升 。 4.根据权利要求1所述的基于胸部X光图像肺部疾病识别和分类方法， 其特征在于： 在 步骤1） 中， 图像及其相关信息的标准文件格式， 这类文件除了包含X光图像以外， 还包括图 像分辨率、 患者的年龄和性别等许多原始数据信息。 为了让图像数据能更好的应用在之后 的步骤中， 本系统的图像预处理部分工作主要有以下： 在数据预处理中， 我们使用了裁剪、 旋转、 翻转和 归一化等技术。 首先， 我们将图像大小修改为(224 ×224)， 对随机选择的图像 进行旋转， 水平翻转这些图像， 并进 行归一化处理， 使 数据中的每个维度的值 都在相同的范 围内。 5.根据权利要求1所述的基于胸部X光图像肺部疾病识别和分类方法， 其特征在于： 在 步骤2） 中， 本研究工作设计的通过基于高效的空间通道注意力机制的迁移学习网络结构， 并且设计我们的LOS S损失函数， 在精度和小样本图像分类上都有着一定的提升 。权　利　要　求　书 1/1 页 2 CN 115147636 A 2基于胸部X光图像肺部疾病识别和分类方 法 技术领域 [0001]本发明属于医学 图像识别技术领域， 具体涉及一种基于胸部X光图像肺部疾病识 别和分类方法。 背景技术 [0002]肺炎是临床医学中最常见的感染性疾病之一， 其发病周期短、 成因复杂， 免疫力相 对低下的儿童和老年人更是易感人群。 肺炎主要 是由细菌、 真菌或病毒导致的肺部感染， 感 染后的肺部中肺泡会充满组织液， 导致病 人呼吸困难乃至死亡。 病毒性和细菌性肺炎具有 传染性， 尤其是病毒性肺炎容 易导致区域和全球性和大流行。 [0003]日益精细化的医学图像提供了大量的有用信息， 对辅助医生做出准确诊断发挥着 至关重要的作用。 然而， 人工阅片一方面耗时耗力， 加上病理学的广泛差异、 医生的潜在疲 劳以及不同医生主观意识上的偏差， 往往会造成漏检、 误判的情况出现。 而海量的影像数据 每天都被生产出来， 机器阅片帮助人工做病灶位置粗筛、 疾病辅助诊断已经成为潮流。 在人 工智能技术加持下， 机器阅片具有速度快、 准确率高、 高并发等优势。 因此， 利用计算机辅助 诊断(ComputerAidedDiagnosis,CAD)技术对肺结节进行定位能够更好的辅助医生对疾病 进行诊断， 提高患者的生存率， 改善生活质量。 [0004]由于利用胸部X光图像肺部疾病识别和 分类的研究具有重要的应用价值， 国内外 的学者对该问题进行了大量研究。 医学影像的肺部疾病分类作为计算机辅助诊断的一个重 要领域。 随着机器学习在生物信息学 的广泛应用， 将机器学习方法用于医学影像的肺部疾 病诊断是学者们一直致力研究的方向。 肺部疾病 是对人类健康的严重威胁， 如果患者在疾 病的关键时期得到及时的诊断和治疗， 它将大大提高生存率。 医学图像可以作为一种广泛 的诊断方法， 提供了大量有用的信息数据。 然而， 不断增加的图像数据也给手动阅读带来了 巨大挑战。 不同医生的主观意识与个人经验偏 差常常导致效率低下甚至误判。 因此， 近年来 医学图像的信息提取和处理分析已成为计算机辅助诊断领域的一个重要研究领域。 常见肺 部疾病的种类较多且病变情况复杂， 因此只对胸部X光图像进行单一病种的辅助诊断在 效 率上存在一定的局限性。 针对以上问题， 本发明设计了胸部X光图像肺部疾病识别和分类方 法， 具体内容 为： [0005]1、 该系统通过云端服务器进行图像预处理和肺部疾病预测。 在服务器端存有完整 的模型对输入图像进 行分类。 实际应用中， 基层医院在终端 上传需要 预测的图像， 服务器调 取模型对图片进行处 理、 预测。 [0006]2、 云服务器， 接收终端传来的文件， 将文件传输给数据库。 数据库接受图像信息并 存储， 预处理图像后 将图像放入 卷积神经网络模型中。 模型将对图像进 行预测， 预测结果打 包为数据流回传给终端。 [0007]3、 基于卷积神经网络 的肺部多病种诊断。 系统从数据库中提取图片， 通过预训练 的模型， 对图中的病灶进 行定位。 发现疑似目标后， 会将目标在原图上标出， 反馈给终端。 终 端接受信息后， 将预测图输出。说　明　书 1/8 页 3 CN 115147636 A 3