1.本发明涉及图像处理技术领域，尤其涉及一种胸腔检测方法、装置、存储介质及设备。
背景技术：2.目前，x光片是宠物疾病诊断最常用的辅助手段之一。临床上宠物医生在诊断宠物心脏大小是否异常时通常有两种方法：主观心脏评估法和椎体心脏评分法。椎体心脏评分因其可以直观的比较不同时期的心脏大小变化，因此可以有效监测宠物的疾病进展和对治疗的反应。
3.传统的测量宠物的椎体心脏评分需要宠物采取左侧位或右侧位拍摄x光片，宠物医生定位胸腔区域然后估算测量心脏长短轴，然后将这两个测量值与胸椎进行比较，以第四节胸椎前缘为起点，将心脏长短轴长度移至胸椎处，长轴短轴两条长度线对应的椎体数目由“l”和“s”表示，l和s求和等于vhs(椎体心脏评分，vertebral heart size)。椎体心脏评分是对宠物x光胸片上心脏大小的客观测量，宠物医生在对患病宠物进行诊断时通过测量得出椎体心脏评分值并与标准范围比较，评估宠物心脏是否增大。
4.传统的医学图像宠物的椎体心脏比检测方法流程如下：宠物x光片数据预处理、胸腔区域定位、心脏的特征提取、脊椎节点的特征提取等。在提取心脏的特征时，是对心脏和脊椎节点的形态学特征、局部特征和图像信息进行人工提取，采用人工提取特征的方法流程繁琐，效率低。同时由于人工提取特征的方式主观性较强，这些提取的特征存在一定局限性。在临床诊断过程中手动调整胸腔区域位置存在大量重复性劳动，流程繁琐，宠物医生诊断效率较低。
5.因此，亟需一种能够可靠的检测宠物x光片中胸腔区域的方法，避免人工提取胸腔区域效率低下。
技术实现要素：6.本发明提供一种胸腔检测方法、装置、存储介质及设备，能够可靠的检测宠物x光片中胸腔区域，避免人工提取胸腔区域效率低下。
7.第一方面，本发明一种胸腔检测方法，包括：
8.获取包含胸腔的宠物医学图像；
9.对所述宠物医学图像进行归一化处理；
10.将归一化处理后的宠物医学图像输入预先训练的胸腔检测模型得到胸腔检测结果；其中，所述胸腔检测结果包括胸腔坐标信息和置信度，所述胸腔检测模型包括基于标注有类别及胸腔坐标的宠物医学图像训练集训练的深度学习网络。
11.在一些实现方式中，所述的胸腔检测方法，还包括：训练胸腔检测模型；所述训练胸腔检测模型，包括：
12.获取多张宠物医学图像；
13.对所述多张宠物医学图像进行标签标注，所述标签的内容至少包含类别和检测框坐标信息；
14.将所述多张宠物医学图像进行数据增广，得到宠物医学图像训练集；
15.将所述宠物医学图像训练集送入深度学习网络训练，得到胸腔检测模型。
16.在一些实现方式中，所述将所述多张宠物医学图像进行数据增广，得到宠物医学图像训练集，包括：
17.对各宠物医学图像做顺时针旋转不同角度；
18.对顺时针旋转后的宠物医学图像在垂直方向做镜像翻转；
19.对翻转后的宠物医学图像再次顺时针旋转不同角度；
20.对再次顺时针旋转后的宠物医学图像做混合增强及随机填充操作。
21.对混合增强及随机填充操作后的宠物医学图像做多个尺度的随机缩放操作；
22.随机打乱随机缩放操作后的宠物医学图像，得到宠物医学图像训练集。
23.在一些实现方式中，所述深度学习网络包括深度卷积神经网络，在所述深度卷积神经网络中，特征提取阶段使用mobilnetv3作为骨干网络，然后使用yolov3的fpn层作为所述深度卷积神经网络的neck，多尺度目标检测阶段使用yolov3的三个head分支进行检测。
24.在一些实现方式中，将所述宠物医学图像训练集送入深度学习网络训练，包括：设置训练参数，包括训练轮数、训练批次大小、学习率、优化器和损失函数；
25.其中，所述损失函数为目标定位偏移量损失、目标置信度损失以及目标分类损失的加权求和。
26.第二方面，本发明提供一种胸腔检测装置，包括：
27.图像获取模块，用于获取包含胸腔的宠物医学图像；
28.预处理模块，用于对所述宠物医学图像进行归一化处理；
29.胸腔检测模块，用于将归一化处理后的宠物医学图像输入预先训练的胸腔检测模型得到胸腔检测结果；其中，所述胸腔检测结果包括胸腔坐标信息和置信度，所述胸腔检测模型包括基于标注有类别及胸腔坐标的宠物医学图像训练集训练的深度学习网络。
30.在一些实现方式中，所述的胸腔检测装置，还包括：
31.模型训练模块，用于训练胸腔检测模型；所述训练胸腔检测模型，包括：
32.获取多张宠物医学图像；
33.对所述多张宠物医学图像进行标签标注，所述标签的内容至少包含类别和检测框坐标信息；
34.将所述多张宠物医学图像进行数据增广，得到宠物医学图像训练集；
35.将所述宠物医学图像训练集送入深度学习网络训练，得到胸腔检测模型。
36.第三方面，本发明提给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计算机程序，所述计算机程序被一个或多个处理器执行时，实现如第一方面所述的方法。
37.第四方面，本发明提供一种计算机设备，包括存储器和一个或多个处理器，所述存储器上存储有计算机程序，所述计算机程序被所述一个或多个处理器执行时实现如第一方面所述的方法。
38.第五方面，本发明提供一种医学影像设备，包括第四方面所述的计算机设备。
39.本发明的一个或多个实施例至少能够带来如下有益效果：
40.本发明提供的方案中，通过获取包含胸腔的宠物医学图像，并进行归一化处理，进而将归一化处理后的宠物医学图像输入基于标注有类别及胸腔坐标的宠物医学图像训练集训练的深度学习网络得到包括胸腔坐标信息和置信度的胸腔检测结果，能够有效解决人工提取胸腔区域效率低下的问题，提取出医学图像中宠物胸腔的准确信息，为后续进行的椎体心脏评分提供数据基础。
附图说明
41.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
42.图1是本发明实施例提供的一种胸腔检测方法流程图；
43.图2是本发明实施例提供的深度卷积神经网络架构示意图；
44.图3是本发明实施例提供的一种胸腔检测装置框图。
具体实施方式
45.下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
46.相关技术中，在计算椎体心脏评分时需要在宠物x光片上找到胸腔区域并需要挪位操作导致时间久、阅片效率低，为此，本发明的实施例提供了基于深度学习进行胸腔检测的图像处理方案，通过对宠物x光片数据的整理、标注、训练出基于深度卷积神经网络的胸腔检测模型，实现了利用深度神经网络预测宠物x光片胸腔位置的功能，能够快速检测出胸腔区域的坐标信息，进而还可以将指定胸腔区域经挪位、放大处理后提供给用户，能够提高阅片效率。
47.实施例一
48.本实施例提供一种胸腔检测方法，如图1所示，至少包括步骤s101～步骤s103：
49.步骤s101、获取包含胸腔的宠物医学图像。
50.在实际应用中，上述宠物医学图像可以是通过x光影像设备拍摄的包含宠物胸腔的x光图像，宠物例如是猫、狗等。
51.步骤s102、对宠物医学图像进行归一化处理。
52.在一些实现方式中，对宠物医学图像进行归一化处理可以是将宠物医学图像进行像素值映射至0～1之间的处理。通过这样的预处理，能够将图像数据转为标准数据，避免原始图像数据不能直接代入深度学习中进行处理，也能够提高深度学习的收敛速度。
53.步骤s103、将归一化处理后的宠物医学图像输入预先训练的胸腔检测模型得到胸
腔检测结果；其中，胸腔检测结果包括胸腔坐标信息和置信度，胸腔检测模型包括基于标注有类别及胸腔坐标的宠物医学图像训练集训练的深度学习网络。
54.在一些实现方式中，深度学习网络包括深度卷积神经网络，在深度卷积神经网络中，特征提取阶段使用mobilnetv3作为骨干网络，然后使用yolov3的fpn层作为所述深度卷积神经网络的neck，多尺度目标检测阶段使用yolov3的三个head分支进行检测。
55.深度卷积神经网络包括特征提取阶段和多尺度目标检测阶段。在特征提取阶段利用特征提取网络模型进行图像特征提取，输入宠物医学图像，输出图像特征。在多尺度目标检测阶段利用多尺度目标检测模型针对图像特征进行多尺度目标检测。本实施例中，深度卷积神经网络架构如图2所示，特征提取阶段使用mobilnetv3作为骨干网络，然后使用yolov3的fpn层作为深度学习网络neck，多尺度目标检测阶段使用yolov3的三个head分支进行检测。由于mobilnetv3是轻量化网络，对于本实施例中的宠物医学图像这种大尺度图像的提取特征的速度快，提取效率高，同时，yolov3这一目标检测模型的检测精度高，能够将宠物医学图像中的胸腔区域准确检测出来。通过将mobilnetv3和yolov3相结合来搭建深度卷积神经网络，进行胸腔检测模型的训练，能够快速准确地识别出未知标签的宠物医学图像中的胸腔区域。
56.在一些实现方式中，在步骤s101之前，本实施例的胸腔检测方法还包括：
57.步骤s100、训练胸腔检测模型。
58.进一步地，训练胸腔检测模型包括：
59.步骤s100a、获取多张宠物医学图像。
60.对多张宠物医学图像进行标签标注之前，还包括：过滤掉所述多张宠物医学图像中不能用于胸腔区域检测模型训练的脏数据。
61.在实际应用中，收集多张由x射线设备拍摄的宠物x光图像，过滤掉其中的不能用于胸腔检测模型训练的脏数据，例如宠物目标缺失、对象不是宠物、重复的图像等。
62.步骤s100b、对多张宠物医学图像进行标签标注，标签的内容至少包含类别和检测框坐标信息。
63.一个示例中，使用labelme图像标注工具对收集到的多张宠物医学图像进行标签标注，生成对应的标签文件，标签文件中包含类别(包括胸腔和非胸腔)和检测框坐标信息(xmin，ymin，xmax，ymax)。检测框坐标信息表示胸腔区域坐标信息。
64.步骤s100c、将多张宠物医学图像进行数据增广，得到宠物医学图像训练集。
65.进一步地，将多张宠物医学图像进行数据增广，得到宠物医学图像训练集，包括：
66.a)对各宠物医学图像做顺时针旋转不同角度；在一个示例中，将标记后的宠物x光图像顺时针旋转90度、180度、270度，以实现扩充全方位角度的图像。
67.b)对顺时针旋转后的宠物医学图像在垂直方向做镜像翻转。
68.c)对翻转后的宠物医学图像再次顺时针旋转不同角度；在一个示例中，将翻转后的宠物x光图像再进行顺时针旋转90度、180度、270度。
69.d)对再次顺时针旋转后的宠物医学图像做mixup混合增强及随机填充操作。
70.e)对混合增强及随机填充操作后的宠物医学图像做多个尺度的随机缩放(resize)操作。
71.f)随机打乱随机缩放操作后的宠物医学图像，得到宠物医学图像训练集。
72.通过上述数据增广扩充了更加全面的图像数据，使得训练数据集更加全面，进而能够训练出识别效果良好的检测模型。
73.在一些情形下，在宠物医学图像训练集输入深度学习网络之前，还需对输入网络的宠物医学图像进行图像预处理：
74.首先，对原始的宠物医学图像进行归一化(将像素值变换到0～1映射)；
75.然后，将其随机尺度变化到320
×
320至608
×
608尺寸之间，将胸腔的类别编码为1，非胸腔的类别编码为0；
76.最后，通过gt2yolotarget类将宠物医学图像、类别、检测框信息(胸腔区域坐标)生成yolov3目标。
77.进一步地，将预处理后的宠物医疗图像训练集输入深度卷积神经网络，确定宠物的胸腔区域信息。
78.步骤s100d、将宠物医学图像训练集送入深度学习网络训练，得到胸腔检测模型。
79.进一步地，将宠物医学图像训练集送入深度学习网络训练，包括：
80.设置训练参数，包括训练轮数(epoch)、训练批次大小(batch_size)、学习率(learning_rate)、优化器和损失函数；应当理解的是，训练批次大小可以根据实际训练环境进行配置，例如执行模型训练的计算机设备的配置，例如batch_size可以取16、32等。在训练时，从训练集中抽取n张图像，送入深度卷积神经网络进行正向传播，得到宠物胸腔区域的坐标信息、类别以及置信度。其中n为预设的batch_size大小。
81.一些情形中，上述损失函数为目标定位偏移量损失、目标置信度损失以及目标分类损失的加权求和。
82.损失函数的计算式可以如下：
83.l(o，o，c，c，l，g)＝λ3l
loc
(l，g)+λ2l
cla
(o，c)+λ1l
conf
(o，c)
84.其中，l
loc
(1，g)为目标定位偏移损失，包含检测框中心坐标损失l(xy)和检测框大小损失l(wh)，l
cla
(o，c)为目标分类损失，l
conf
(o，c)为目标置信度损失，λ1、λ2、λ3为权重系数。
85.深度卷积神经网络的模型参数对宠物医学图像训练集经过调优训练后确定的。深度卷积神经网络的输出包括坐标位置和置信度得分。通过检测框的置信度判定是否检测成功：若置信度不小于预设的胸腔检测框阈值，则认为该检测框可信；反之，则认为该检测框不可信。在训练过程中，使用sgd梯度下降算法将损失函数值loss回传，从而更新深度学习网络参数。
86.在训练的损失函数值低于阈值时，结束网络训练，得到训练好的胸腔检测模型。
87.本实施例中，基于上述训练得到的胸腔检测模型可以在输入未知标签的宠物医学图像的情况下，可以得到准确的检测结果，进而确定胸腔坐标信息和置信度。通过对宠物x光片数据的整理、标注、训练出基于深度卷积神经网络的胸腔检测模型，实现了利用深度神经网络预测宠物x光片胸腔位置的功能，能够快速检测出胸腔区域的坐标信息，进而还可以将指定胸腔区域经挪位、放大处理后提供给用户，能够提高阅片效率。
88.应当理解的是，本发明并非是直接得到诊断结果的疾病治疗或诊断方案，而是一种基于深度学习进行胸腔检测的图像处理方案，得到的是对于宠物的医学图像(例如x光图像)的处理结果。
89.实施例二
90.本实施例提供一种胸腔检测装置，如图3所示，包括：
91.图像获取模块201，用于获取包含胸腔的宠物医学图像；在实际应用中，上述宠物医学图像可以是通过x光影像设备拍摄的包含宠物胸腔的x光图像，宠物例如是猫、狗等。
92.预处理模块202，用于对宠物医学图像进行归一化处理；在一些实现方式中，对宠物医学图像进行归一化处理可以是将宠物医学图像进行像素值映射至0～1之间的处理。通过这样的预处理，能够将图像数据转为标准数据，避免原始图像数据不能直接代入深度学习中进行处理，也能够提高深度学习的收敛速度。
93.胸腔检测模块203，用于将归一化处理后的宠物医学图像输入预先训练的胸腔检测模型得到胸腔检测结果；其中，胸腔检测结果包括胸腔坐标信息和置信度，胸腔检测模型包括基于标注有类别及胸腔坐标的宠物医学图像训练集训练的深度学习网络。
94.在一些实现方式中，胸腔检测装置还包括：
95.模型训练模块，用于训练胸腔检测模型训练胸腔检测模型，具体包括：获取多张宠物医学图像；对多张宠物医学图像进行标签标注，标签的内容至少包含类别和检测框坐标信息；将多张宠物医学图像进行数据增广，得到宠物医学图像训练集；将宠物医学图像训练集送入深度学习网络训练，得到胸腔检测模型。
96.在一些实现方式中，深度学习网络包括深度卷积神经网络，在深度卷积神经网络中，特征提取阶段使用mobilnetv3作为骨干网络，然后使用yolov3的fpn层作为所述深度卷积神经网络的neck，多尺度目标检测阶段使用yolov3的三个head分支进行检测。
97.深度卷积神经网络包括特征提取阶段和多尺度目标检测阶段。在特征提取阶段利用特征提取网络模型进行图像特征提取，输入宠物医学图像，输出图像特征。在多尺度目标检测阶段利用多尺度目标检测模型针对图像特征进行多尺度目标检测。本实施例中，深度卷积神经网络架构如图2所示，特征提取阶段使用mobilnetv3作为骨干网络，然后使用yolov3的fpn层作为深度学习网络neck，多尺度目标检测阶段使用yolov3的三个head分支进行检测。由于mobilnetv3是轻量化网络，对于本实施例中的宠物医学图像这种大尺度图像的提取特征的速度快，提取效率高，同时，yolov3这一目标检测模型的检测精度高，能够将宠物医学图像中的胸腔区域准确检测出来。通过将mobilnetv3和yolov3相结合来搭建深度卷积神经网络，进行胸腔检测模型的训练，能够快速准确地识别出未知标签的宠物医学图像中的胸腔区域。
98.在一些实现方式中，对多张宠物医学图像进行标签标注之前，还包括：过滤掉所述多张宠物医学图像中不能用于胸腔区域检测模型训练的脏数据。
99.一个示例中，使用labelme图像标注工具对收集到的多张宠物医学图像进行标签标注，生成对应的标签文件，标签文件中包含类别(包括胸腔和非胸腔)和检测框坐标信息(xmin，ymin，xmax，ymax)。检测框坐标信息表示胸腔区域坐标信息。
100.在一些实现方式中，将多张宠物医学图像进行数据增广，得到宠物医学图像训练集，包括：
101.a)对各宠物医学图像做顺时针旋转不同角度；在一个示例中，将标记后的宠物x光图像顺时针旋转90度、180度、270度，以实现扩充全方位角度的图像。
102.b)对顺时针旋转后的宠物医学图像在垂直方向做镜像翻转。
103.c)对翻转后的宠物医学图像再次顺时针旋转不同角度；在一个示例中，将翻转后的宠物x光图像再进行顺时针旋转90度、180度、270度。
104.d)对再次顺时针旋转后的宠物医学图像做mixup混合增强及随机填充操作。
105.e)对混合增强及随机填充操作后的宠物医学图像做多个尺度的随机缩放(resize)操作。
106.f)随机打乱随机缩放操作后的宠物医学图像，得到宠物医学图像训练集。
107.通过上述数据增广扩充了更加全面的图像数据，使得训练数据集更加全面，进而能够训练出识别效果良好的检测模型。
108.在一些情形下，在宠物医学图像训练集输入深度学习网络之前，还需对输入网络的宠物医学图像进行图像预处理：
109.首先，对原始的宠物医学图像进行归一化(将像素值变换到0～1映射)；
110.然后，将其随机尺度变化到320
×
320至608
×
608尺寸之间，将胸腔的类别编码为1，非胸腔的类别编码为0；
111.最后，通过gt2yolotarget类将宠物医学图像、类别、检测框信息(胸腔区域坐标)生成yolov3目标。
112.进一步地，将宠物医学图像训练集送入深度学习网络训练，包括：
113.设置训练参数，包括训练轮数(epoch)、训练批次大小(batch_size)、学习率(learning_rate)、优化器和损失函数；应当理解的是，训练批次大小可以根据实际训练环境进行配置，例如执行模型训练的计算机设备的配置，例如batch_size可以取16、32等。在训练时，从训练集中抽取n张图像，送入深度卷积神经网络进行正向传播，得到宠物胸腔区域的坐标信息、类别以及置信度。其中n为预设的batch_size大小。
114.一些情形中，上述损失函数为目标定位偏移量损失、目标置信度损失以及目标分类损失的加权求和。
115.损失函数的计算式可以如下：
116.l(o，o，c，c，l，g)＝λ3l
loc
(l，g)+λ2l
cla
(o，c)+λ1l
conf
(o，c)
117.其中，l
loc
(1，g)为目标定位偏移损失，包含检测框中心坐标损失l(xy)和检测框大小损失l(wh)，l
cla
(o，c)为目标分类损失，l
conf
(o，c)为目标置信度损失，λ1、λ2、λ3为权重系数。
118.深度卷积神经网络的模型参数对宠物医学图像训练集经过调优训练后确定的。深度卷积神经网络的输出包括坐标位置和置信度得分。通过检测框的置信度判定是否检测成功：若置信度不小于预设的胸腔检测框阈值，则认为该检测框可信；反之，则认为该检测框不可信。在训练过程中，使用sgd梯度下降算法将损失函数值loss回传，从而更新深度学习网络参数。
119.在训练的损失函数值低于阈值时，结束网络训练，得到训练好的胸腔检测模型。
120.本实施例中，基于上述训练得到的胸腔检测模型可以在输入未知标签的宠物医学图像的情况下，可以得到准确的检测结果，进而确定胸腔坐标信息和置信度。通过对宠物x光片数据的整理、标注、训练出基于深度卷积神经网络的胸腔检测模型，实现了利用深度神经网络预测宠物x光片胸腔位置的功能，能够快速检测出胸腔区域的坐标信息，进而还可以将指定胸腔区域经挪位、放大处理后提供给用户，能够提高阅片效率。
121.在一些情况下，该装置还可以包括：椎体心脏评分预测模块，用于基于胸腔检测模块203的胸腔检测结果进行椎体心脏评分预测，以辅助宠物医生基于椎体心脏评分疾病做进一步诊断，为宠物医生的疾病诊断提供信息。
122.在一些情况下，该装置还可以包括：图像搜索模块，用于基于胸腔检测模块203的胸腔检测结果从预先存储的数据库中查找与当前胸腔检测结果对应的胸腔区域图像相似的图像，并将相似度达到预设阈值的图像作为查找结果输出。如此，可以提高查找特定胸腔图像的准确度。
123.应当理解的是，本实施例的装置具备方法实施例的全部有益效果。
124.本领域的技术人员应当明白，上述各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何限定的硬件和软件结合。
125.实施例三
126.本实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被一个或多个处理器执行时，实现前述实施例的方法或者装置的模块。
127.本实施例中，计算机可读存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。方法可参照本发明前述实施例，此处不再赘述。
128.实施例四
129.本实施例提供一种计算机设备，包括存储器和一个或多个处理器，存储器上存储有计算机程序，计算机程序被一个或多个处理器执行时实现前述实施例的方法或前述实施例的装置的模块。
130.本实施例中，处理器可以是专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例中的方法。在处理器上运行的计算机程序被执行时所实现的方法可参照本发明前述实施例，此处不再赘述。
131.实施例五
132.本实施例提供一种医学影像设备，包括前述实施例的计算机设备。
133.上述医学影像设备例如是x光影像设备，计算机设备可以是x光影像设备的工作站设备。由于基于胸腔检测模型可以在输入未知标签的宠物医学图像的情况下，可以得到准确的检测结果，进而确定胸腔坐标信息和置信度，能够实现利用深度神经网络预测宠物x光
片胸腔位置的功能，快速检测出胸腔区域的坐标信息，进而还可以将指定胸腔区域经挪位、放大处理后提供给用户，能够提高阅片效率。
134.在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的。
135.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
136.虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
技术特征：1.一种胸腔检测方法，其特征在于，包括：获取包含胸腔的宠物医学图像；对所述宠物医学图像进行归一化处理；将归一化处理后的宠物医学图像输入预先训练的胸腔检测模型得到胸腔检测结果；其中，所述胸腔检测结果包括胸腔坐标信息和置信度，所述胸腔检测模型包括基于标注有类别及胸腔坐标的宠物医学图像训练集训练的深度学习网络。2.根据权利要求1所述的胸腔检测方法，其特征在于，还包括：训练胸腔检测模型；所述训练胸腔检测模型，包括：获取多张宠物医学图像；对所述多张宠物医学图像进行标签标注，所述标签的内容至少包含类别和检测框坐标信息；将所述多张宠物医学图像进行数据增广，得到宠物医学图像训练集；将所述宠物医学图像训练集送入深度学习网络训练，得到胸腔检测模型。3.根据权利要求2所述的胸腔检测方法，其特征在于，所述将所述多张宠物医学图像进行数据增广，得到宠物医学图像训练集，包括：对各宠物医学图像做顺时针旋转不同角度；对顺时针旋转后的宠物医学图像在垂直方向做镜像翻转；对翻转后的宠物医学图像再次顺时针旋转不同角度；对再次顺时针旋转后的宠物医学图像做混合增强及随机填充操作。对混合增强及随机填充操作后的宠物医学图像做多个尺度的随机缩放操作；随机打乱随机缩放操作后的宠物医学图像，得到宠物医学图像训练集。4.根据权利要求2所述的胸腔检测方法，其特征在于，所述深度学习网络包括深度卷积神经网络，在所述深度卷积神经网络中，特征提取阶段使用mobilnetv3作为骨干网络，然后使用yolov3的fpn层作为所述深度卷积神经网络的neck，多尺度目标检测阶段使用yolov3的三个head分支进行检测。5.根据权利要求2所述的胸腔检测方法，其特征在于，将所述宠物医学图像训练集送入深度学习网络训练，包括：设置训练参数，包括训练轮数、训练批次大小、学习率、优化器和损失函数；其中，所述损失函数为目标定位偏移量损失、目标置信度损失以及目标分类损失的加权求和。6.一种胸腔检测装置，其特征在于，包括：图像获取模块，用于获取包含胸腔的宠物医学图像；预处理模块，用于对所述宠物医学图像进行归一化处理；胸腔检测模块，用于将归一化处理后的宠物医学图像输入预先训练的胸腔检测模型得到胸腔检测结果；其中，所述胸腔检测结果包括胸腔坐标信息和置信度，所述胸腔检测模型包括基于标注有类别及胸腔坐标的宠物医学图像训练集训练的深度学习网络。7.根据权利要求6所述的胸腔检测装置，其特征在于，还包括：模型训练模块，用于训练胸腔检测模型；所述训练胸腔检测模型，包括：获取多张宠物医学图像；
对所述多张宠物医学图像进行标签标注，所述标签的内容至少包含类别和检测框坐标信息；将所述多张宠物医学图像进行数据增广，得到宠物医学图像训练集；将所述宠物医学图像训练集送入深度学习网络训练，得到胸腔检测模型。8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被一个或多个处理器执行时，实现如权利要求1至5中任一项所述的方法。9.一种计算机设备，其特征在于，包括存储器和一个或多个处理器，所述存储器上存储有计算机程序，所述计算机程序被所述一个或多个处理器执行时实现如权利要求1至5中任一项所述的方法。10.一种医学影像设备，其特征在于，包括权利要求9所述的计算机设备。
技术总结本发明提供一种胸腔检测方法、装置、存储介质及设备，通过获取包含胸腔的宠物医学图像，并进行归一化处理，进而将归一化处理后的宠物医学图像输入基于标注有类别及胸腔坐标的宠物医学图像训练集训练的深度学习网络得到包括胸腔坐标信息和置信度的胸腔检测结果，能够有效解决人工提取胸腔区域效率低下的问题，提取出医学图像中宠物胸腔的准确信息，为后续进行的椎体心脏评分提供数据基础。后续进行的椎体心脏评分提供数据基础。后续进行的椎体心脏评分提供数据基础。
技术研发人员：曹培智 叶仲广 杨志
受保护的技术使用者：谛宝诚网络科技（北京）有限公司
技术研发日：2022.07.11
技术公布日：2022/11/1
