本发明属于医学影像处理，具体涉及基于深度学习的胸片图像处理方法、系统及程序产品。
背景技术：
1、利用医学影像进行疾病的筛查与诊断已经成为临床上不可或缺的手段，而x线胸片是目前临床上广泛使用的医学成像技术，对于肺部疾病的分析与诊断具有重要的临床意义，绝大多数的肺部疾病诊断，都是通过x线胸片来辅助完成的。我国医学影像数据每年的增长率约30％，而放射科医师数量的年增长率仅约4.1％，且医学影像诊断对医师经验有着较高要求，而在发展水平较低的地区，经验丰富的放射科医师资源相对匮乏，这些现状都意味着大量的放射科医师将会超负荷工作。因此，如何有效将计算机辅助诊断技术应用于x线胸片的处理分析，以辅助提高放射科医师的工作效率，减轻放射科医师的工作强度，是当前迫切需要解决的问题。
技术实现思路
1、本发明的目的是提供基于深度学习的胸片图像处理方法、系统及程序产品，用以解决现有技术中存在的上述问题。
2、为了实现上述目的，本发明采用以下技术方案：
3、第一方面，提供基于深度学习的胸片图像处理方法，包括：
4、获取目标对象的x线胸片图像；
5、对x线胸片图像进行灰度变换处理，得到初始胸片灰度图像，并对初始胸片灰度图像进行图像增强及图像滤波处理，得到目标胸片灰度图像；
6、将目标胸片灰度图像中所有像素点的灰度平均值作为上限灰度值，将目标胸片灰度图像中灰度值小于上限灰度值的像素点作为深度像素点，并将所有深度像素点的灰度平均值作为下限灰度值；
7、利用下限灰度值和上限灰度值构建灰度阈值区间，并采用最大类间方差法在灰度阈值区间内确定目标灰度阈值；
8、利用目标灰度阈值对目标胸片灰度图像进行二值化处理，采用深度学习后的目标分类神经网络模型对二值化处理结果进行分类确认，得到初始胸片二值图像，并对初始胸片二值图像进行形态学滤波处理，得到光滑胸片二值图像；
9、将光滑胸片二值图像中灰度值为第一设定灰度值的两个最大连通区域作为肺野区域，并确定肺野区域的图像坐标信息；
10、根据肺野区域的图像坐标信息从目标胸片灰度图像中分割出肺野区域图像；
11、对肺野区域图像进行边缘检测处理，确定肺野区域图像内的若干边缘闭合区域，并提取各边缘闭合区域在肺野区域图像中的图像坐标信息；
12、根据各边缘闭合区域的图像坐标信息在肺野区域图像中标注出各边缘闭合区域，得到最终肺野图像，并输出最终肺野图像。
13、在一个可能的设计中，所述对x线胸片图像进行灰度变换处理，得到初始胸片灰度图像，并对初始胸片灰度图像进行图像增强及图像滤波处理，得到目标胸片灰度图像，包括：
14、确定x线胸片图像中各像素点的灰度值，并根据各像素点的灰度值确定x线胸片图像的连续灰度值区间[h1，h2]，使得x线胸片图像中灰度值在连续灰度值区间[h1，h2]内的像素点数量占比为设定比值；
15、从连续灰度值区间[h1，h2]中提取区间下限值h1和区间上限值h2，并获取最小目标灰度值d1和最大目标灰度值d2，且0≤d1＜d2≤255；
16、将区间下限值h1、区间上限值h2、最小目标灰度值d1、最大目标灰度值d2以及x线胸片图像中各像素点的灰度值代入预置的灰度变换公式中进行计算，得到各像素点转换后的灰度值，所述灰度变换公式为
17、
18、其中，(x，y)为对应像素点的图像坐标，f(x，y)为对应像素点的灰度值，g(x，y)为对应像素点转换后的灰度值；
19、基于各像素点转换后的灰度值构建初始胸片灰度图像；
20、对初始胸片灰度图像进行直方图均衡化处理，得到增强胸片灰度图像，并对增强胸片灰度图像进行双边滤波处理，得到目标胸片灰度图像。
21、在一个可能的设计中，所述采用最大类间方差法在灰度阈值区间内确定目标灰度阈值，包括：
22、遍历位于灰度阈值区间内的各灰度阈值，并分别用各灰度阈值对目标胸片灰度图像中的各像素点进行分类，将目标胸片灰度图像中灰度值超过对应灰度阈值的像素点作为第一类像素点，将目标胸片灰度图像中灰度值不超过对应灰度阈值的像素点作为第二类像素点；
23、确定对应灰度阈值条件下第一类像素点的数量s1、第二类像素点的数量s2、所有第一类像素点的灰度均值q1以及所有第二类像素点的灰度均值q2；
24、将对应灰度阈值条件下第一类像素点的数量s1、第二类像素点的数量s2、所有第一类像素点的灰度均值q1以及所有第二类像素点的灰度均值q2代入类间方差公式中进行计算，得到对应灰度阈值的类间方差，所述类间方差公式为其中，v表征类间方差；
25、将对应类间方差最大的灰度阈值作为目标灰度阈值。
26、在一个可能的设计中，所述利用目标灰度阈值对目标胸片灰度图像进行二值化处理，采用深度学习后的目标分类神经网络模型对二值化处理结果进行分类确认，得到初始胸片二值图像，包括：
27、a.将目标胸片灰度图像中灰度值高于目标灰度阈值的像素点的灰度值变为255，将目标胸片灰度图像中灰度值不超过目标灰度阈值的像素点的灰度值变为0，得到待测胸片二值图像；
28、b.将待测胸片二值图像输入预置的目标分类神经网络模型中进行分类，得到对应的分类结果，所述分类结果包括包含背景区域分类标签或不包含背景区域分类标签，所述目标分类神经网络模型由vgg神经网络模型经训练集训练得到，所述训练集包含若干标记有包含背景区域分类标签的胸片二值图像样本，以及若干标记有不包含背景区域分类标签的胸片二值图像样本；
29、c.在分类结果为包含背景区域分类标签时，将目标灰度阈值减去设定灰度调节值，得到更新后的目标灰度阈值；
30、d.利用更新后的目标灰度阈值重复执行上述步骤a至步骤c，直至分类结果为不包含背景区域分类标签，将此时的待测胸片二值图像作为初始胸片二值图像。
31、在一个可能的设计中，所述对初始胸片二值图像进行形态学滤波处理，得到光滑胸片二值图像，包括：
32、对初始胸片二值图像进行图像开运算和图像闭运算处理，得到光滑胸片二值图像。
33、在一个可能的设计中，所述对肺野区域图像进行边缘检测处理，确定肺野区域图像内的若干边缘闭合区域，包括：
34、基于肺野区域图像中各像素点的灰度值判定肺野区域图像中各像素点是否为边缘像素点，当对应像素点的像素值满足条件x(i，j)＝|maxq[x(i，j)]-minq[x(i，j)]|时，判定对应像素点为边缘像素点，其中，(i，j)为肺野区域图像中对应像素点的图像坐标，x(i，j)为对应像素点的像素值，maxq[x(i，j)]表征以像素点(i，j)为中心的3×3像素窗口内的最大灰度值，minq[x(i，j)]表征以像素点(i，j)为中心的3×3像素窗口内的最小灰度值；
35、根据各边缘像素点在肺野区域图像中的图像坐标确定肺野区域图像内的若干边缘闭合区域。
36、在一个可能的设计中，所述根据各边缘闭合区域的图像坐标信息在肺野区域图像中标注出各边缘闭合区域，得到最终肺野图像，包括：
37、根据各边缘闭合区域的图像坐标信息在肺野区域图像中标注出各边缘闭合区域的轮廓，并将各边缘闭合区域轮廓内所有像素点的灰度值变换为第二设定灰度值，得到最终肺野图像。
38、第二方面，提供基于深度学习的胸片图像处理系统，包括图像获取单元、图像变换单元、区间判定单元、阈值判定单元、二值处理单元、区域判定单元、肺野分割单元、边缘检测单元和图像输出单元，其中：
39、图像获取单元，用于获取目标对象的x线胸片图像；
40、图像变换单元，用于对x线胸片图像进行灰度变换处理，得到初始胸片灰度图像，并对初始胸片灰度图像进行图像增强及图像滤波处理，得到目标胸片灰度图像；
41、区间判定单元，用于将目标胸片灰度图像中所有像素点的灰度平均值作为上限灰度值，将目标胸片灰度图像中灰度值小于上限灰度值的像素点作为深度像素点，并将所有深度像素点的灰度平均值作为下限灰度值；
42、阈值判定单元，用于利用下限灰度值和上限灰度值构建灰度阈值区间，并采用最大类间方差法在灰度阈值区间内确定目标灰度阈值；
43、二值处理单元，用于利用目标灰度阈值对目标胸片灰度图像进行二值化处理，采用深度学习后的目标分类神经网络模型对二值化处理结果进行分类确认，得到初始胸片二值图像，并对初始胸片二值图像进行形态学滤波处理，得到光滑胸片二值图像；
44、区域判定单元，用于将光滑胸片二值图像中灰度值为第一设定灰度值的两个最大连通区域作为肺野区域，并确定肺野区域的图像坐标信息；
45、肺野分割单元，用于根据肺野区域的图像坐标信息从目标胸片灰度图像中分割出肺野区域图像；
46、边缘检测单元，用于对肺野区域图像进行边缘检测处理，确定肺野区域图像内的若干边缘闭合区域，并提取各边缘闭合区域在肺野区域图像中的图像坐标信息；
47、图像输出单元，用于根据各边缘闭合区域的图像坐标信息在肺野区域图像中标注出各边缘闭合区域，得到最终肺野图像，并输出最终肺野图像。
48、第三方面，提供基于深度学习的胸片图像处理系统，包括：
49、存储器，用于存储指令；
50、处理器，用于读取所述存储器中存储的指令，并根据指令执行上述第一方面中任意一种所述的方法。
51、第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行第一方面中任意一种所述的方法。同时，还提供一种计算机程序产品，当所述计算机程序产品在计算机上运行时，执行第一方面中任意一种所述的方法。
52、有益效果：本发明通过获取目标对象的x线胸片图像进行灰度变换及增强处理，得到目标胸片灰度图像，再基于目标胸片灰度图像确定目标灰度阈值，利用目标灰度阈值对目标胸片灰度图像进行二值化处理和形态学滤波，然后进行肺野分割，从目标胸片灰度图像中分割出肺野区域图像进行边缘检测，确定肺野区域图像中的各边缘闭合区域，最后在肺野区域图像中标注出各边缘闭合区域，得到最终肺野图像进行输出，可以实现诊断前的胸片图像智能化处理。本发明可以从患者胸片图像中精准、可靠地分割出肺野区域图像，并且能有效检测出肺野区域图像中的疑似病灶区域，以辅助放射科医师进行病灶诊断，提升放射科医师的阅片速度和诊断效率，降低放射科医师的劳动强度。
1.基于深度学习的胸片图像处理方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的胸片图像处理方法，其特征在于，所述对x线胸片图像进行灰度变换处理，得到初始胸片灰度图像，并对初始胸片灰度图像进行图像增强及图像滤波处理，得到目标胸片灰度图像，包括：
3.根据权利要求1所述的基于深度学习的胸片图像处理方法，其特征在于，所述采用最大类间方差法在灰度阈值区间内确定目标灰度阈值，包括：
4.根据权利要求1所述的基于深度学习的胸片图像处理方法，其特征在于，所述利用目标灰度阈值对目标胸片灰度图像进行二值化处理，采用深度学习后的目标分类神经网络模型对二值化处理结果进行分类确认，得到初始胸片二值图像，包括：
5.根据权利要求1所述的基于深度学习的胸片图像处理方法，其特征在于，所述对初始胸片二值图像进行形态学滤波处理，得到光滑胸片二值图像，包括：
6.根据权利要求1所述的基于深度学习的胸片图像处理方法，其特征在于，所述对肺野区域图像进行边缘检测处理，确定肺野区域图像内的若干边缘闭合区域，包括：
7.根据权利要求1所述的基于深度学习的胸片图像处理方法，其特征在于，所述根据各边缘闭合区域的图像坐标信息在肺野区域图像中标注出各边缘闭合区域，得到最终肺野图像，包括：
8.基于深度学习的胸片图像处理系统，其特征在于，包括图像获取单元、图像变换单元、区间判定单元、阈值判定单元、二值处理单元、区域判定单元、肺野分割单元、边缘检测单元和图像输出单元，其中：
9.基于深度学习的胸片图像处理系统，其特征在于，包括：
10.一种计算机程序产品，其特征在于，当所述计算机程序产品在计算机上运行时，执行权利要求1-7任意一项所述的基于深度学习的胸片图像处理方法。
