基于深度学习的头侧片腺样体图像自动评估方法和装置与流程

1.本发明涉及计算机图像处理技术领域，特别是一种基于深度学习的头侧片腺样体图像自动评估方法和装置。


背景技术：

2.口腔头侧x光片是医生用于诊断分析的一种常规x光片，在口腔正畸学领域中有着广泛的应用。腺样体是一种位于咽喉部位的软组织，其肥大有可能引起鼻腔通气功能的下降，使得患者被迫口呼吸，造成牙齿不齐，龅牙，下颌后缩等病理表现。
3.腺样体肥大分为生理性肥大与病理性肥大两种不同类型。其中生理性肥大可伴随年龄的增长而自行好转，一般不需要做特别处理；病理性肥大则是由于腺样体以及腭扁桃体位于呼吸道的第一道防御部位，长期受到各种炎性刺激，更需引起重视，经药物治疗效果不佳者，目前临床一般考虑进行手术。由于增大的腺样体一定程度上会阻塞上气道，影响呼吸，对儿童全身健康会造成较大影响，因此，及时、准确地做出诊断，进而辅助医师制定合理的治疗计划十分重要。
4.目前临床上是通过口腔专科医生或者耳鼻咽喉科医生人工完成，不同医师对于头侧片中灰度差异的敏感度不同，对测量边界的判断结果缺乏客观性，从而导致了后续的计算偏差，影响诊断结果的精确性。目前，我国医疗资源较稀缺，资深医学专家数量不足，倘若完全依靠人工作业会让作业人用眼疲劳，进一步降低判断结果的准确可信程度。在这种形势下，研发自动化处理头侧片，辅助医师判别腺样体图像自动识别方法和装置的需求变得迫切。


技术实现要素：

5.有鉴于此，本发明的目的在于提供一种基于深度学习的头侧片腺样体图像自动识别方法和装置，该方法能识别出头侧片中腺样体区域图像。
6.为达到上述目的，本发明提供如下技术方案：本发明提供的基于深度学习的头侧片腺样体图像自动评估方法，包括以下步骤：获取头侧片图像；将头侧片图像输入到预处理模块中进行提取腺样体区域图以及灰度归一化处理；所述腺样体区域图被定义为腺样体病理性肥大图像和腺样体正常图像两个类别，将所述腺样体区域的图像输入深度学习模型中，进行前向推理；获取所述深度学习模型输出的图像所属类别的预测结果。
7.进一步，所述头侧片是接受x光检查形成的x光片图像。
8.进一步，所述预处理包括以下步骤：从头侧片中截取腺样体区域图，将截取的腺样体区域图进行灰度归一化，得到腺样体区域矩阵。
9.进一步，所述深度学习模型包括腺样体区域自动截取单元和神经网络分类器；
所述腺样体区域自动截取单元，用于获取输入的头侧片中的腺样体区域图像；所述神经网络特征提取器为vgg16模型，将矩形区域输入给vgg16模型进行图像分类。
10.进一步，所述腺样体区域自动截取单元，用于检测输入的头侧片的分辨率，将头侧片按照预设分辨率进行下采样得到下采样图像，截取下采样图像中预设矩形区域得到腺样体区域图像。
11.进一步，所述深度学习模型的输出图像是按照以下步骤进行的：对头侧片进行腺样体区域进行截取，对截取区域的像素点进行灰度归一化，使用交叉熵损失函数进行loss值计算并调用adam梯度下降算法进行模型权值更新，根据在验证集上的f1
‑
score值来确定模型的最优参数。
12.本发明提供的基于深度学习的头侧片腺样体肥大自动评估装置，包括数据采集模块、预处理模块和深度学习模型；所述数据采集模块，用于获取头侧片图像；所述预处理模块，用于将头侧片图像输入到预处理模块中进行提取腺样体区域图以及灰度归一化处理；所述深度学习模型，用于将腺样体区域图输入深度学习模型中，所述腺样体区域被定义为腺样体病理性肥大图像和腺样体正常图像两个分类；将所述腺样体区域输入深度学习模型中进行前向推理；获取所述模型输出的图像所属类别的预测结果。
13.进一步，所述深度学习模型包括腺样体区域自动截取单元和神经网络分类器；所述腺样体区域自动截取单元，用于获取输入的头侧片中的腺样体区域图像；所述神经网络特征提取器为vgg16模型，将矩形区域输入给vgg16模型进行图像分类。
14.进一步，所述腺样体区域自动截取单元，用于检测输入的头侧片的分辨率，将头侧片按照预设分辨率进行下采样得到下采样图像，截取下采样图像中预设矩形区域得到腺样体区域图像。
15.进一步，所述深度学习模型的输出图像是按照以下步骤进行的：对头侧片的腺样体区域提取训练数据，对像素点进行灰度归一化，使用交叉熵损失函数进行loss值计算并调用adam梯度下降算法进行模型权值更新，根据在验证集上的f1
‑
score值来确定模型的最优参数。
16.本发明的有益效果在于：本发明提的基于深度学习的头侧片腺样体肥大自动判别方法和装置，通过构建深度学习模型，将原始头侧片输入到预处理模块中，然后将腺样体区域自动生成矩形框并提取子图；将子图输入给深度学习模型进行识别，得到所述原始头侧片对应的腺样体区域图像识别结果。该方法和系统能够自动化地完成以往的人工作业，该识别方法能够自动化地完成以往的人工作业，具有客观、快速、重复性好等优点。
17.本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和
获得。
附图说明
18.为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：图1为基于深度学习的头侧片腺样体识别方法流程图。
19.图2基于深度学习的头侧片腺样体识别系统原理框图。
20.图3为头侧片腺样体图像示意图。
21.图4为头侧片腺样体提取示意图。
具体实施方式
22.下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
23.实施例1如图1所示，本实施例提供的基于深度学习的头侧片腺样体图像自动评估方法，包括以下步骤：获取头侧片图像；将头侧片图像输入到预处理模块中进行提取腺样体区域图以及灰度归一化处理；从预处理后的头侧片图像中提取腺样体区域图，所述腺样体区域图是根据腺样体区域矩形框进行提取的子图；所述腺样体区域图被定义为腺样体病理性肥大图像和腺样体正常图像两个类别，将所述腺样体区域的图像输入深度学习模型中，进行前向推理；获取所述深度学习模型输出的图像所属类别的预测结果。
24.本实施例提供的深度学习模型包括腺样体区域自动截取单元和神经网络分类器；所述腺样体区域自动截取单元，用于获取输入的头侧片中的腺样体区域图像；所述神经网络特征提取器为vgg16模型，将矩形区域输入给vgg16模型进行图像分类。
25.本实施例提供的腺样体参考图像信息用于相关医疗人员结合其他信息进行决策判断，最终确定腺样体是否肥大，得到所述原始头侧片对应的腺样体肥大的判别结果，为医疗决策提供参考辅助信息。
26.本实施例提供的原始头侧片是接受x光检查形成的x光片原始图像。
27.本实施例提供的预处理包括以下步骤：首先从头侧片中截取腺样体区域图，然后将截取的腺样体区域图进行灰度归一化，得到一个腺样体区域矩阵。
28.预处理是对图像中央进行裁剪，得到一个500*500的子图，然后对子图的灰度进行归一化。灰阶范围为0
‑
255，即所有像素点的灰度值除以255得到一个浮点数即可。
29.本实施例提供的子图是根据腺样体区域自动生成矩形框并提取生成的；在得到的x光片的图像正中间，高度除以2宽度并向上取整得到y除以2并向上取整得到x，(x,y)为图像中心点的坐标。然后，将该坐标的x和y分别
±
250得到一个500*500的区域，即子图。然后
将子图输入给深度学习模型进行图像分类，得到所述原始头侧片对应的腺样体评估结果。
30.其中，所述基于深度学习的腺样体肥大自动识别模型是通过如下方式得到的：(1)模型设计阶段：网络结构包含两个阶段——腺样体区域自动截取和神经网络特征提取器，所述腺样体自动截取阶段需要检测输入的头侧片的分辨率，将头侧片进行下采样到分辨率1537*1752然后截取图像正中央500*500的矩形区域；神经网络特征提取器是一个基于vgg16的精简模型，将矩形区域输入给vgg16进行二分类得到最终腺样体肥大的概率预测；(2)模型训练阶段：对头侧片进行腺样体区域进行截取，对截取区域的像素点进行灰度归一化，使用交叉熵损失函数进行loss值计算并调用adam梯度下降算法进行模型权值更新，根据在验证集上的f1
‑
score值来确定模型的最优参数。
31.其中，灰度归一化是一个图像处理中常规的操作，像素点是8
‑
bit的整型数。将每个像素点的值除以255，得到一个0
‑
1的32位单精度浮点数。模型训练就是一个寻优过程，训练结束后保存的参数，技术上称为当前的最优参数。
32.所述模型权值随机初始化的方法为：he正态分布初始化方法he_normal，均匀分布初始化方法lecun_uniform和从正态分布中输出随机值random_normal。
33.所述he正态分布初始化方法he_normal，（它以0为中心，标准差为 stddev = sqrt(2/fan_in) 的截断正态分布中抽取数字，其中fan_in是权值张量中的输入单位的数量）；所述均匀分布初始化方法lecun_uniform，（它从[
‑
limit，limit]中的均匀分布中抽取数字，其中limit是 sqrt(3/fan_in)，fan_in是权值张量中的输入单位的数量）；所述随机初始化方法random_normal，（它以0为中心，标准差为0.1产生随机数）。
[0034]
如图2所示，本实施例的基于深度学习的头侧片腺样体图像自动评估装置，包括数据采集模块、预处理模块和深度学习模型；所述数据采集模块，用于获取头侧片图像；所述预处理模块，用于将头侧片图像输入到预处理模块中进行提取腺样体区域图以及灰度归一化处理；所述深度学习模型，述腺样体区域被定义为腺样体病理性肥大图像和腺样体正常图像两个分类；将所述腺样体区域输入深度学习模型中进行前向推理；获取所述模型输出的图像所属类别的预测结果。
[0035]
所述深度学习模型包括腺样体区域自动截取单元和神经网络分类器；所述腺样体区域自动截取单元，用于获取输入的头侧片中的腺样体区域图像；所述神经网络特征提取器为vgg16模型，将矩形区域输入给vgg16模型进行图像分类。
[0036]
如图3所示，本实施例提供的头侧片按照预设的角度和方位进行拍摄，最终使得拍摄的头侧片的腺样体区域刚好在中央。所以确定腺样体的区域是通过获取图像中心点坐标来实现的，将图片的x轴除以2，y轴除以2得到道图像中心点的坐标；然后按照图像中心点坐标偏离设置于
±
250获取腺样体区域500
×
500的区域，即(x
±
250，y
±
250)；其中，xy是图像的长和宽；通过深度学习模型最终输出1，即表示图片识别腺样体呈阳性的评估结果，在此评估结果的指引下需要医生进一步对评估结果进行诊断。
[0037]
如图4所示，本实施例提供的头侧片使得腺样体区域刚好在图片中央，提高了确定腺样体区域的速度，使得深度学习模型可以按照设置的区域进行处理，简化了深度学习模
型确定预设区域难度。
[0038]
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。