基于深度学习的X射线图像分析方法
- 国知局
- 2024-07-31 23:12:01
本发明涉及x射线图像分析,具体为基于深度学习的x射线图像分析方法。
背景技术:
1、x射线图像分析是一种重要的医学诊断方法,它依赖于x射线成像技术来获取人体内部的结构信息。x射线图像分析的基本原理基于x射线的穿透性、差异吸收性以及荧光效应。当x射线穿透人体组织时,由于不同组织对x射线的吸收能力不同,会在荧光屏或胶片上形成黑白对比、层次差异的x线影像。这些影像可以反映出人体内部的结构和异常情况,为医生提供诊断依据。
2、此外,随着技术的发展,越来越多的计算机辅助分析方法被应用于x射线图像分析中,如图像增强、边缘检测、特征提取等。这些方法可以提高分析的准确性和效率,为医生提供更可靠的诊断依据。
3、在申请公布号为cn116468932a的中国发明专利中,提供基于图像识别的算法结构分析方法,涉及图像识别技术领域,将图像采集下来输入进行处理,通过一定的技术和手段对具体事物进行观测,从而获取计算机可以处理的对事物的数据描述,图像预处理主要包括图像增强、图像的二值化和图像细化,通过映射或变换的方法可以用低维空间表示样本,特征提取是用数值的形式把能够充分表示该图像唯一性的特征给表达出来,将输入的图像与数百甚至上千个图像进行匹配,特征提取为基于灰度共生矩阵纹理特征提取。
4、结合以上申请及现有技术中的内容:
5、在完成x光照射并获取x射线图像后,通常需要医生对x图像射线图像进行分析和判断,最后给出结论性意见,但是,若医院接待的患者较多,输出的x射线图像也较多时,医生的繁忙程度就会较高,为每个患者及相应的x射线图像分配的时间缩短,因此,在医生处于高负荷状态下时,医生也可能难以为每一张x射线图像做出最准确的分析,针对这个问题,现有的方法是引入深度学习技术,训练图像分析模型,由图像分析模型作为辅助,提高后续的识别效率,但是现有的分析方法中,对x射线图像做出分析后,也仅仅输出较为简单的分析识别结果,不能给出参考性意见,因此,医生的工作负荷仍未能得到有效地降低。
6、为此,本发明提供了基于深度学习的x射线图像分析方法。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足,本发明提供了基于深度学习的x射线图像分析方法,通过依据各个异常图像类中的图像分布状态构建均匀度,若获取的均匀度低于均匀度阈值,对占比低于预期的异常图像类进行补充;训练获取图像分析模型,对图像分析模型进行测试,由测试数据构建相应的可靠度,可靠度低于可靠度阈值,对图像分析模型进行优化,并获取优化后的图像分析模型;由优化后的图像分析模型识别x射线图像并诊断标签,从诊断标签提取相应的病变特征,依据病变特征输出相应的分析意见,依据分析意见快速对病变特征进行快速解释,从而解决了背景技术中提出的技术问题。
3、(二)技术方案
4、为实现以上目的,本发明通过以下技术方案予以实现:基于深度学习的x射线图像分析方法,包括,由采集的医生工作状态数据生成图像分析数据集合,并由图像分析数据集合构建负荷系数ho,若获取的负荷系数ho超过负荷阈值,向外部发出图像采集指令;
5、对收集到的x射线图像进行预处理,并对预处理后的图像做质量分析,由获取的质量分析参数构建相应的图像质量系数ts,并由获取的若干个图像质量系数ts构建合格阈值[qa,qb],依据合格阈值[qa,qb]筛选出异常图像并进行处理;
6、对处理后的x射线图像进行标注及归类,获取异常图像类,依据各个异常图像类中的图像分布状态构建均匀度uo,若获取的均匀度uo低于均匀度阈值,对占比低于预期的异常图像类进行补充;
7、由汇总的异常图像类构建样本数据,以样本数据训练获取图像分析模型,对图像分析模型进行测试,由测试数据构建相应的可靠度ko,可靠度ko低于可靠度阈值,对图像分析模型进行优化,并获取优化后的图像分析模型;其中,分别获取相应的auc值p,依照如下方法构建可靠度ko:
8、
9、其中,i=2,3,…,k,k为测试的次数,为auc值的合格标准值,pi为第i次测试时的auc值,pavg为其均值;权重系数:0≤f1≤1,0≤f2≤1,且f1+f2=1;
10、由优化后的图像分析模型识别x射线图像并诊断标签,从诊断标签提取相应的病变特征,由病变分析知识图谱为x射线图像给出分析意见,并将其容纳在输出图像分析报告内向外部发出。
11、进一步的,对医生的工作过程进行监控,其中,等间隔地将每个工作日分割若干个子周期,获取每个子周期内的诊断耗时ct及图像接收量tt,并在汇总后构建图像分析数据集合,由图像分析数据集合构建负荷系数ho;
12、负荷系数ho的构建方法如下:对诊断耗时ct及图像接收量tt做线性归一化处理,并将相应的数据值映射至区间[0,1]内,依据如下方式:
13、
14、其中,i=1,2,…,m,m为子周期的个数,cti为第i个子周期的诊断耗时,ctavg为其均值,为诊断耗时的预期参考值;tti为第i个子周期的图像接收量,ttavg为其均值,为图像接收量的预期参考值;权重系数:0≤f1≤1,0≤f2≤1,且f1+f2=1。
15、进一步的,收集采集周期内的x射线图像数据,使收集的x射线图像覆盖不同的病例和条件,在汇总后构建x射线图像集合,对x射线图像集合内的图像数据进行预处理;
16、将预处理后的x射线图像作为目标图像并对其质量进行分析,其中,将目标图像分割若干个子区块,获取每个子区块内的图像质量参数,由图像质量参数构建目标图像的图像质量系数ts,以图像质量系数ts对目标图像进行标记。
17、进一步的,图像质量系数ts的获取方式如下:将对比度dm及清晰度qs做线性归一化处理,并将相应的数据值映射至区间[0,1]内,依据如下方式:
18、
19、权重系数:0≤s1≤1,0≤s2≤1且s2+s1=1,i=2,3,…,k,k为子区块的个数;dmi为第i个子区块的对比度,dmavg为对比度的均值,为对比度的合格标准值;qsi为第i个子区块的清晰度,qsavg为清晰度的均值,为清晰度的合格标准值。
20、进一步的,依据目标图像的输出时间,对若干个图像质量系数ts有序排列,构建图像数据列,由获取的若干个图像质量系数ts构建合格阈值[qa,qb],若图像质量系数ts不在合格阈值[qa,qb]内,将对应目标图像作为异常图像;
21、判断异常图像在所有目标图像中的比例,若异常比例超过可容忍预期,对异常图像做增强处理或替换。
22、进一步的,对预处理后或增强处理后的目标图像进行标注,包括,目标图像内的内容正常或异常的,若是异常的,标出病变的位置和类型;在对目标图像完成标注后,使用训练后分类器对不同类型的异常进行分类,并在完成分类后获取若干个异常图像类;
23、获取异常图像类的目标图像的量,计算判断各异常图像类的目标图像分布的均匀度uo,若获取的均匀度uo低于均匀度阈值,对比例低于预期的目标图像类别进行补充,获取补充后异常图像类。
24、进一步的,均匀度uo的获取方式为,将当前的各个异常图像类的占比作为采集占比lt,并依据异常图像类间的实际占比为各类型目标图像确定预设占比bt,依据如下方式:
25、
26、其中,k2、k1为权重,0≤k1≤1,0≤k2≤1,且k1+k2=1,i=1,2,…n,n为异常图像类的个数,lti为第i个异常图像类的采集占比,bti为相应的预设占比。
27、进一步的,将异常图像与正常图像汇总构建异常图像集,从异常图像集内抽取部分数据作为样本数据,将样本数据分别划分数据集为训练集、验证集和测试集;由卷积神经网络构建初始模型,使用训练集数据训练初始模型,获取训练后的图像分析模型;对测试集中的每个样本,使用训练好的图像分析模型进行预测,获取相应的预测分数,依据预测分数与阈值的关系,将连续的预测分数转换为二分类结果。
28、进一步的,获取到相应预测分数后,计算不同阈值下的真正率fpr和假正率tpr,绘制以fpr为横轴,tpr为纵轴的roc曲线,通过数值积分方法计算roc曲线下的面积,获取auc值;
29、在经过若干个测试后分别获取相应的auc值p,进而构建相应的可靠度ko,若可靠度ko低于可靠度阈值,调整模型架构或学习过程,并在验证集上进行验证重复训练和评估过程,将训练后的图像分析模型输出。
30、进一步的,以当前接收的x射线图像作为输入,由训练后的图像分析模型输出分析结果;其中,分析结果包括病变类型、病变类型的置信度及位置信息;预先设置概率阈值,若存在病变且置信度高于概率阈值,将输出数值转换为诊断标签,并输出每个诊断标签的置信度;
31、对每个诊断标签进行特征提取,获取相应的病变特征,以病变分析为目标词,构建病变分析知识图谱;输出图像分析报告,其包含参考意见、病历信息、诊断标签、x射线图像及置信度,并将图像分析报告发出。
32、(三)有益效果
33、本发明提供了基于深度学习的x射线图像分析方法,具备以下有益效果:
34、1、由获取的监控数据构建相应的负荷系数ho,依据负荷系数ho的值对医生分析x射线图像时的繁忙程度及负荷程度进行分析和判断,通过及时合理地分配任务,降低后续的工作压力;通过引入智能且自动的辅助图像分析,缓解医生的直接分析量,降低医生的工作量,也能够维持后续的工作质量。
35、2、由选择的代表性参数构建图像质量系数ts,依据图像质量系数ts对目标图像的图像质量进行综合评价,相对于通过几个单一参数对目标图像进行评价,全面性更高。
36、3、在完成图像质量评价后,依据图像质量系数ts与合格阈值的关系快速判断对应的目标图像是否合格,在若干个目标图像中分离出异常图像及正常图像,若是异常图像所占比例过高,则可以针对性地进行处理,对图像质量形成改善。
37、4、构建图像分布的均匀度uo,依据均匀度uo判断异常图像分布是否合理,是否达到了预期的要求,若达到了预期要求,则可以将其作为样本数据,若其未能达到预期的均匀性,则需要对其中部分未能达到应有比例的异常图像类进行补充,从而在此基础上,对图像分析模型进行训练时,不会出现过度拟合的情况,提高模型精度。
38、5、依据可靠度ko可以判断出当前的图像分析模型是否可靠,是否能够满足使用预期,若不能满足预期,则继续对图像分析模型进行训练和优化,通过重复测试并计算获取的auc值来构建可靠度,实现对图像分析模型的可靠性的准确评估,相对于单次评估和其他的单因素评估,评估的准确度和稳定度更高,对图像分析模型的可靠性形成保障,在使用训练获取的图像分析模型对x射线图像进行识别和分析时,能够获取到更为准确和可靠的分析结果。
39、6、对x射线图像进行分析,并输出相应的诊断标签,相对于人工识别,速度更快,效率更高,输出识别结果也在可以接受范围之内,能够在一定程度上对人工形成替代和弥补,可以有效的降低医生的工作负荷。
40、7、由预先构建的病变分析知识图谱,依据病变特征输出相应的分析意见,依据分析意见快速对病变特征进行快速解释,以解释内容作为参考,能够进一步的减少人力介入,降低人工负荷和压力,提高整个x射线图像分析过程的效率。
本文地址:https://www.jishuxx.com/zhuanli/20240730/196370.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。