一种X射线胸片图像质量确定方法及装置

技术领域

本发明涉及X射线胸片图像领域，尤其涉及一种X射线胸片图像质量确定方法及装置。

背景技术

X射线胸片是目前应用最广泛的医学图像检查手段，使用场景包括了急诊、重症监护、一般门诊、体检等。一张胸片的质量直接影响了诊断的结果，如果胸片的质量不合格，就容易出现漏诊和误诊。

X射线胸片正位标准片包括以下要求：

1.第4胸椎以下椎体清晰可见，无双边影；

2.肺门到肺野外纹理显示清晰，肩胛骨投影于肺野外；

3.从颈部到器官分叉部可连续追踪到器官影像；

4.两侧膈肌边缘锐利，肺尖部清晰显示；

5.锁骨与第4肋骨重叠，胸锁关节左右对称；

6.心脏、主动脉、将主动脉走形清晰显示；

7.不允许出现任何的体外金属以及X射线无法穿透的其他异物。

通常医院对拍片的需求非常大，而目前，对图像质量的评估主要是由放射科技师来完成，人工评估效率低下，且容易导致一些不合格的片子进入临床读片诊断，从而影响诊断的安全性和准确性。

因此，有必要提供一种智能化的X射线胸片图像质量确定方法及装置。

发明内容

本发明的目的是针对现有技术的不足，提供一种X射线胸片图像质量确定方法。

本发明是通过以下技术方案实现的：

一方面，本发明提供了一种X射线胸片图像质量确定方法，所述方法包括：

获取X射线胸片图像；

将所述图像输入深度学习模型，得到肺叶分割结果、脊柱分割结果、肩胛骨分割结果和异物检测结果的至少之一；所述深度学习模型至少包括下式之一：肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型；

判断所述肺叶分割结果、脊柱分割结果、肩胛骨分割结果或异物检测结果是否满足对应的预设条件，得到判断结果；其中，所述肺叶分割结果、脊柱分割结果、肩胛骨分割结果、异物检测结果对应的预设条件分别包括：所述肺叶分割结果的左右边缘阈值小于预设左右边缘阈值和/或上下边缘阈值小于预设上下边缘阈值；所述脊柱分割结果中每个像素在水平方向上与图像中心的相对距离之和的绝对值大于预设偏移量；所述肩胛骨分割结果的面积和原图像面积的比率大于预设面积比率；所述异物检测结果中边界框的置信分数大于预设数值；

若是，则所述判断结果为不合格结果；

若否，则所述判断结果为合格结果；

基于所述判断结果确定所述X射线胸片的图像质量。

进一步地，所述获取X射线胸片图像包括：

按照灰度值对所述X射线胸片图像像素进行排序；

取排序后位于第一设定值的像素的灰度值作为最小值，取排序后位于第二设定值的像素的灰度值作为最大值，按照灰度值对所述图像进行有截断的归一化处理；

对归一化处理后的图像进行标准归一化处理。

进一步地，所述基于所述判断结果确定所述X射线胸片的图像质量包括：

当肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型均得到合格结果时，则判断所述X射线胸片为合格片；或者

当肺叶分割模型得到合格结果，且脊柱分割模型、肩胛骨分割模型中得到至少一个不合格结果时，则判断所述X射线胸片为二级片；或者

当肺叶分割模型得到合格结果，且异物检测模型判断所述X射线胸片中存在异物时，根据所述异物检测模型和所述肺叶分割模型判断所述异物是否在肺野范围内，若是，则判断所述X射线胸片为不合格片；若否，则判断所述X射线胸片为二级片；或者当肺叶分割模型得到不合格结果时，则判断所述X射线胸片为不合格片。

另一方面，本发明还提供了一种X射线胸片图像质量确定装置，所述装置包括：

获取模块，用于获取X射线胸片图像；

分离结果获取单元，用于将所述图像输入深度学习模型，得到肺叶分割结果、脊柱分割结果、肩胛骨分割结果和异物检测结果的至少之一；所述深度学习模型至少包括下式之一：肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型；

分离结果判断单元，用于判断所述肺叶分割结果、脊柱分割结果、肩胛骨分割结果或异物检测结果是否满足对应的预设条件，得到判断结果；其中，所述肺叶分割结果、脊柱分割结果、肩胛骨分割结果、异物检测结果对应的预设条件分别包括：所述肺叶分割结果的左右边缘阈值小于预设左右边缘阈值和/或上下边缘阈值小于预设上下边缘阈值；所述脊柱分割结果中每个像素在水平方向上与图像中心的相对距离之和的绝对值大于预设偏移量；所述肩胛骨分割结果的面积和原图像面积的比率大于预设面积比率；所述异物检测结果中边界框的置信分数大于预设数值；

不合格结果判断单元，用于当所述肺叶分割结果、脊柱分割结果、肩胛骨分割结果或异物检测结果满足对应的预设条件时，确定所述判断结果为不合格结果；

合格结果判断单元，用于当所述肺叶分割结果、脊柱分割结果、肩胛骨分割结果或异物检测结果不满足对应的预设条件时，确定所述判断结果为合格结果；

图像质量确定模块，用于基于所述判断结果确定所述X射线胸片的图像质量。

进一步地，所述获取模块包括：

排序单元，用于按照灰度值对所述X射线胸片图像像素进行排序；

归一化处理单元，用于取排序后位于第一设定值的像素的灰度值作为第一数值，取排序后位于第二设定值的像素的灰度值作为第二数值，依据第一数值和第二数值对所述图像进行有截断的归一化处理；

标准归一化处理单元，用于对归一化处理后的图像进行标准归一化处理。

进一步地，所述图像质量确定模块包括：

合格片判断单元，用于当肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型均得到合格结果时，判断所述X射线胸片为合格片；

二级片判断单元，用于当肺叶分割模型得到合格结果，且脊柱分割模型、肩胛骨分割模型中得到至少一个不合格结果时，判断所述X射线胸片为二级片；还用于当肺叶分割模型得到合格结果，且异物检测模型判断所述X射线胸片中存在异物时，根据所述异物检测模型和所述肺叶分割模型判断所述异物是否在肺野范围内，若否，则判断所述X射线胸片为二级片；

不合格片判断单元，用于当肺叶分割模型得到合格结果，且异物检测模型判断所述X射线胸片中存在异物时，根据所述异物检测模型和所述肺叶分割模型判断所述异物是否在肺野范围内，若是，则判断所述X射线胸片为不合格片；还用于当肺叶分割模型得到不合格结果时，判断所述X射线胸片为不合格片。

第三方面，本发明还提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上所述的X射线胸片图像质量确定方法。

本发明实施例提供的技术方案带来的有益效果是：

(1)本发明将胸片的评估拆分成胸片是否有异物出现在肺野、肩胛骨是否出现在肺野之内、图像有没有中心对齐以及两侧膈肌是否超出图像范围等几个子问题，基于深度学习技术实现了对胸片的图像质量的快速分级，不仅可以提醒技师图像质量是否合格，而且可以提示技师不合格胸片属于哪种不合格情况。

(2)本发明对X射线胸片图像质量进行全自动评估，图像质量确定速度快。

(3)本发明对X射线胸片图像质量分级的快速评估方法，可以帮助技师把控胸片的图像质量，间接提高了读片的准确性。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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它附图。

图1是本发明中X射线胸片图像质量确定方法的一种流程图；

图2是本发明中将X射线胸片图像进行归一化处理的一种流程图；

图3是本发明中将归一化处理后的图像输入肺叶分割模型进行图像分离识别的一种流程图；

图4是本发明中将归一化处理后的图像输入脊柱分割模型进行图像分离识别的一种流程图；

图5是本发明中本发明中将归一化处理后的图像输入肩胛骨分割模型进行图像分离识别的一种流程图；

图6是本发明中将归一化处理后的图像输入异物检测模型进行图像分离识别的一种流程图；

图7是本发明中X射线胸片图像质量确定装置的一种结构示意图；

图8是本发明中归一化处理模块的一种结构示意图；

图9是本发明中分离结果获取模块的第一种结构示意图；

图10是本发明中分离结果获取模块的第二种结构示意图；

图11是本发明中分离结果获取模块的第三种结构示意图；

图12是本发明中分离结果获取模块的第四种结构示意图；

图13是本发明中图像质量确定模块的一种结构示意图；

图14是本发明中X射线胸片图像(a)及标注后的肺叶图像(b)；

图15是本发明中X射线胸片图像(a)及标注后的脊柱图像(b)；

图16是本发明中X射线胸片图像(a)及标注后的肩胛骨图像(b)；

图17是本发明中X射线胸片图像(a)及标注后的异物图像(b)；

图18是本发明中输入肺叶分割模型前的X射线胸片图像(a)及该模型的输出图像(b)；

图19是本发明中输入脊柱分割模型前的X射线胸片图像(a)及该模型的输出图像(b)；

图20是本发明中输入肩胛骨分割模型前的X射线胸片图像(a)及该模型的输出图像(b)；

图21是本发明中输入异物检测模型前的X射线胸片图像(a)及该模型的输出图像(b)。

具体实施方式

下面将结合本发明中的附图，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的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

在本发明所提供的几个实施例中，所描述的装置实施例仅仅是示意性的，例如所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块或单元的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

实施例1

如图1所示，本实施例提供了一种X射线胸片图像质量确定方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。具体的如图1所示，所述方法包括：

S101.将X射线胸片图像进行归一化处理；

S102.将归一化处理后的图像输入深度学习模型进行图像分离识别，得到至少一个分离结果；所述深度学习模型至少包括下式之一：肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型；

深度学习模型是基于统一的深度学习平台训练完成，标注数据的数量以及质量会影响到模型的准确性。本实施例中数据标注的方法可以为人工标注，也可以由智能化机器标注。

如图14所示，图a为X射线胸片图像，图b为标注后的肺叶图像；

如图15所示，图a为X射线胸片图像，图b为标注后的脊柱图像；

如图16所示，图a为X射线胸片图像，图b为标注后的肩胛骨图像；

如图17所示，图a为X射线胸片图像，图b为标注后的异物图像。

深度学习网络结构包括但不限于分割网络(V-Net，LinkNet，FC-DenseNet等)以及检测网络(Faster-RCNN，RetinaNet，YOLO v3等)。其中，肺叶分割模型采用FC-DenseNet，脊柱分割模型和肩胛骨分割模型采用LinkNet和FC-DenseNet，异物检测模型采用RetinaNet。

深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据。

S103.基于所述分离结果确定所述X射线胸片的图像质量。

如图2所示，所述将X射线胸片图像进行归一化处理包括：

S1011.按照灰度值对所述X射线胸片图像像素进行升序排序；

S1012.取排序后位于第一设定值的像素的灰度值作为第一数值，即最小值，取排序后位于第二设定值的像素的灰度值作为第二数值，即最大值，按照灰度值对所述图像进行有截断的最大最小归一化处理；其中，0％≤第一设定值≤10％，90％≤第二设定值≤100％，在一个优选实施例中，取排序后位于第5％的像素的灰度值作为最小值，取排序后位于第95％的像素的灰度值作为最大值；

需要说明的是，如果按照灰度值对所述X射线胸片图像像素进行降序排序，那么，0％≤第二设定值≤10％，90％≤第一设定值≤100％。

S1013.对归一化处理后的图像进行标准归一化处理，即将归一化处理后的图像数据减去训练数据集上的均值，然后除以训练数据的标准差；

具体计算公式如下：

x*＝(x-μ)/σ；

其中，x是最大最小归一化后的图像数据，其中μ为训练数据的均值，σ为训练数据的标准差。

实施例2

本实施例以实施例1为基础。如图3所示，当所述深度学习模型为肺叶分割模型时，所述将归一化处理后的图像输入深度学习模型进行图像分离识别，得到至少一个分离结果包括：

S201.将归一化处理后的图像输入肺叶分割模型进行图像分离识别，得到肺叶分离结果；如图18所示，其中a为输入肺叶分割模型之前的图像；b为输入肺叶分割模型之后的输出图像；

S202.判断肺叶分离结果是否小于预设肺叶边缘阈值；

S203.若是，则判断所述X射线胸片中肺叶位置异常，即得第一不合格结果；若否，则判断所述X射线胸片中肺叶位置正常，即得第一合格结果。

在一个具体的实施方式中，对于肺叶分割模型，批量测试493例图像数据，443例正常，50例为肋角缺失，根据肺叶分割结果，统计正常443例胸片距离图像上下左右边缘的像素值，可以得到，预设左右边缘阈值为A1(本次实施方式中A1为0.012-0.035)，预设上下边缘阈值为A2(本次实施方式中A2为0.031-0.062)。如果测试图像的左右边缘阈值小于预设左右边缘阈值A1和/或测试图像的上下边缘阈值小于预设上下边缘阈值A2，则判断所述X射线胸片中肺叶位置异常；反之，则判断所述X射线胸片中肺叶位置正常。需要说明的是，预设左右边缘阈值A1以及预设上下边缘阈值A2均可根据具体的测试数据进行设置。

如图4所示，当所述深度学习模型为脊柱分割模型时，所述将归一化处理后的图像输入深度学习模型进行图像分离识别，得到至少一个分离结果包括：

S301.将标准归一化处理后的图像输入脊柱分割模型进行图像分离识别，得到脊柱分离结果；如图19所示，其中a为输入脊柱分割模型之前的图像；b为输入脊柱分割模型之后的输出图像；

S302.判断脊柱分离结果的绝对值是否大于预设偏移量；

S303.若是，则判断所述X射线胸片中脊柱位置异常，即得第二不合格结果；若否，则判断所述X射线胸片中脊柱位置正常，即得第二合格结果。

在一个具体的实施方式中，对于脊柱分割模型，批量测试490例数据，400例正常，90例图像中心偏移，在水平方向上，分别计算分割结果中每个像素距离图像中心的相对距离并求和。以上可得到490个带有符号的数值，取±B(本次实施方式中B为0.02-0.07)作为阈值，可以确保95％以上的准确度。如果测试图像的结果小于-B，那么该图像向左偏移图像中心，说明图像异常；如果测试图像的量化结果大于B，那么该图像向右偏移图像中心，同样说明图像异常。反之，则判断所述X射线胸片中脊柱位置正常。需要说明的是，预设偏移阈值B可根据具体的测试数据进行设置。

如图5所示，当所述深度学习模型为肩胛骨分割模型时，所述将归一化处理后的图像输入深度学习模型进行图像分离识别，得到至少一个分离结果包括：

S401.将归一化处理后的图像输入肩胛骨分割模型进行图像分离识别，得到肩胛骨分离结果；如图20所示，其中a为输入肩胛骨分割模型之前的图像；b为输入肩胛骨分割模型之后的输出图像；

S402.判断肩胛骨分离结果是否大于预设面积比率；

S403.若是，则判断所述X射线胸片中肩胛骨位置异常，即得第三不合格结果；若否，则判断所述X射线胸片中肩胛骨位置正常，即得第三合格结果。

在一个具体的实施方式中，对于肩胛骨分割模型，批量测试500例，100例为肩胛骨出现在肺野范围内，400例为正常胸片。根据肩胛骨分割模型，计算分割结果的面积和原图像的比率，预设比率为C(本次实施方式中C为0.009-0.028)时，可以到达90％以上的准确率。如果测试图像的量化结果大于预设比率，则判断所述X射线胸片中肩胛骨位置异常；反之，则判断所述X射线胸片中肩胛骨位置正常。需要说明的是，预设比率C可根据具体的测试数据进行设置。

如图6所示，当所述深度学习模型为异物检测模型时，所述将归一化处理后的图像输入深度学习模型进行图像分离识别，得到至少一个分离结果包括：

S501.将归一化处理后的图像输入异物检测模型进行图像分离识别，得到异物分离结果，即多个边界框；如图21所示，其中a为输入异物检测模型之前的图像；b为输入异物检测模型之后的输出图像；

S502.判断所述边界框的置信分数是否大于预设数值；在一个具体的实施方式中，置信分数的预设数值为D(本次实施方式中D为0.2-0.8)；需要说明的是，预设数值D可根据实际情况进行设置。

S503.若是，则判断所述X射线胸片中存在异物；进一步地，对置信分数大于预设数值的边界框，可采用非极大值抑制算法处理，得到所有候选边界框；若否，则判断所述X射线胸片中不存在异物，即得第四合格结果。

在一个具体的实施方式中，当所述深度学习模型包括肺叶分割模型和异物检测模型时；

所述基于所述分离结果确定所述X射线胸片的图像质量包括：

当肺叶分割模型得到合格结果，且异物检测模型判断所述X射线胸片中存在异物时，根据所述异物检测模型和所述肺叶分割模型判断所述异物是否在肺野范围内，若是，则判断所述X射线胸片为不合格片；若否，则判断所述X射线胸片为二级片。

在一个具体的实施方式中，当所述深度学习模型包括肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型时；

相应的，所述基于所述分离结果确定所述X射线胸片的图像质量包括：

当肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型得到的均为合格结果时，则判断所述X射线胸片为合格片；

当肺叶分割模型得到合格结果，且脊柱分割模型、肩胛骨分割模型中得到至少一个不合格结果时，则判断所述X射线胸片为二级片；

当肺叶分割模型得到合格结果，且异物检测模型判断所述X射线胸片中存在异物时，根据所述异物检测模型和所述肺叶分割模型判断所述异物是否在肺野范围内，若是，则判断所述X射线胸片为不合格片；若否，则判断所述X射线胸片为二级片；

当肺叶分割模型得到不合格结果时，无论脊柱分割模型、肩胛骨分割模型和异物检测模型得到合格或不合格结果，均判断所述X射线胸片为不合格片。

在一个具体的实施方式中，当深度学习模型包括多个模型时，所述方法还包括：

对多个分离结果进行无差别量化处理；

基于无差别量化处理后的分离结果确定所述X射线胸片的图像质量。

本发明还提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上所述的X射线胸片图像质量确定方法。

实施例3

如图7所示，本实施例公开了一种X射线胸片图像质量确定装置，所述装置包括：

归一化处理模块701，用于将X射线胸片图像进行归一化处理；

分离结果获取模块702，用于将归一化处理后的图像输入深度学习模型进行图像分离识别，得到至少一个分离结果；所述深度学习模型至少包括下式之一：肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型；

图像质量确定模块703，用于基于所述分离结果确定所述X射线胸片的图像质量。

在一个具体的实施方式中，如图8所示，所述归一化处理模块701包括：

排序单元7011，用于按照灰度值对所述X射线胸片图像像素进行升序排序；

归一化处理单元7012，用于取排序后位于第一设定值的像素的灰度值作为第一数值，即最小值，取排序后位于第二设定值的像素的灰度值作为第二数值，即最大值，按照灰度值对所述图像进行有截断的最大最小归一化处理；其中，0％≤第一设定值≤10％，90％≤第二设定值≤100％，在一个优选实施例中，取排序后位于第5％的像素的灰度值作为最小值，取排序后位于第95％的像素的灰度值作为最大值；

需要说明的是，如果按照灰度值对所述X射线胸片图像像素进行降序排序，那么，0％≤第二设定值≤10％，90％≤第一设定值≤100％。

标准归一化处理单元7013，用于对归一化处理后的图像进行标准归一化处理。

深度学习模型是基于统一的深度学习平台训练完成，标注数据的数量以及质量会影响到模型的准确性。本实施例中数据标注的方法可以为人工标注，也可以由智能化机器标注。

实施例4

在实施例3的基础上，针对不同的深度学习模型，本发明装置中的分离结果获取模块如下：

如图9所示，当所述深度学习模型为肺叶分割模型时，所述分离结果获取模块702包括：

肺叶分离结果获取单元901，用于将标准归一化处理后的图像输入肺叶分割模型进行图像分离识别，得到肺叶分离结果；

肺叶分离结果判断单元902，用于判断肺叶分离结果是否小于预设肺叶边缘阈值；

第一不合格结果判断单元903，用于当肺叶分离结果小于预设肺叶边缘阈值时，判断所述X射线胸片中肺叶位置异常，即得第一不合格结果；

第一合格结果判断单元904，用于当肺叶分离结果大于或等于预设肺叶边缘阈值时，判断所述X射线胸片中肺叶位置正常，即得第一合格结果；

如图10所示，当所述深度学习模型为脊柱分割模型时，所述分离结果获取模块702包括：

脊柱分离结果获取单元1001，用于将标准归一化处理后的图像输入脊柱分割模型进行图像分离识别，得到脊柱分离结果；

脊柱分离结果判断单元1002，用于判断脊柱分离结果的绝对值是否大于预设偏移量；

第二不合格结果判断单元1003，用于当脊柱分离结果的绝对值大于预设偏移量时，判断所述X射线胸片中脊柱位置异常，即得第二不合格结果；

第二合格结果判断单元1004，用于当脊柱分离结果的绝对值小于或等于预设偏移量时，判断所述X射线胸片中脊柱位置正常，即得第二合格结果；

如图11所示，当所述深度学习模型为肩胛骨分割模型时，所述分离结果获取模块702包括：

肩胛骨分离结果获取单元1101，用于将标准归一化处理后的图像输入肩胛骨分割模型进行图像分离识别，得到肩胛骨分离结果；

肩胛骨分离结果判断单元1102，用于判断肩胛骨分离结果是否大于预设面积比率；

第三不合格结果判断单元1103，用于当肩胛骨分离结果大于预设面积比率时，判断所述X射线胸片中肩胛骨位置异常，即得第三不合格结果；

第三合格结果判断单元1104，用于当肩胛骨分离结果小于或等于预设面积比率时，判断所述X射线胸片中肩胛骨位置正常，即得第三合格结果；

如图12所示，当所述深度学习模型为异物检测模型时，所述分离结果获取模块702包括：

异物分离结果获取单元1201，用于将标准归一化处理后的图像输入异物检测模型进行图像分离识别，得到异物分离结果，即多个边界框；

异物分离结果判断单元1202，用于判断所述边界框的置信分数是否大于预设数值；

异物判断单元1203，用于当所述边界框的置信分数大于预设数值时，判断所述X射线胸片中存在异物；

第四合格结果判断单元1204，用于当所述边界框的置信分数小于或等于预设数值时，判断所述X射线胸片中不存在异物，即得第四合格结果。

在一个具体的实施方式中，当所述深度学习模型包括肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型时；

如图13所示，所述图像质量确定模块703包括：

合格片判断单元7031，用于当肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型得到的均为合格结果时，判断所述X射线胸片为合格片；

二级片判断单元7032，用于当肺叶分割模型得到合格结果，且脊柱分割模型、肩胛骨分割模型中得到至少一个不合格结果时，判断所述X射线胸片为二级片；还用于当肺叶分割模型得到合格结果，且异物检测模型判断所述X射线胸片中存在异物时，根据所述异物检测模型和所述肺叶分割模型判断所述异物是否在肺野范围内，若否，则判断所述X射线胸片为二级片；

不合格片判断单元7033，用于当肺叶分割模型得到合格结果，且异物检测模型判断所述X射线胸片中存在异物时，根据所述异物检测模型和所述肺叶分割模型判断所述异物是否在肺野范围内，若是，则判断所述X射线胸片为不合格片；还用于当肺叶分割模型得到不合格结果时，判断所述X射线胸片为不合格片。

在一个具体的实施方式中，当深度学习模型包括多个模型时，所述装置还包括：

无差别量化处理模块，用于对多个分离结果进行无差别量化处理；

所述图像质量确定模块，用于基于无差别量化处理后的分离结果确定所述X射线胸片的图像质量。

本发明将胸片的评估拆分成胸片是否有异物出现在肺野、肩胛骨是否出现在肺野之内、图像有没有中心对齐以及两侧膈肌是否超出图像范围等几个子问题，基于深度学习技术实现了对胸片的图像质量的快速分级，不仅可以提醒技师图像质量是否合格，而且可以提示技师不合格胸片属于哪种不合格情况。对X射线胸片图像质量分级的快速评估方法，可以帮助技师把控胸片的图像质量，间接提高了读片的准确性。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。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、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述是本发明的优选实施方式，对本发明的技术方案进行了进一步详细说明，并不用于限定本发明的保护范围，应该指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。