近年来,随着深度学习领域的软硬件平台技术的不断发展,深度学习技术可以有效帮助识别、分类、量化现有的医疗影像,已经开始慢慢渗透到医疗应用的部分领域,并取得了很好的成效。肺炎是肺部的一种疾病,儿童成为最易感染人群,每年都有大量患者因重病感染治疗无效而死亡,给社会和家庭造成极大影响。由于医学影像数据量在爆增而病理医生严重缺乏,传统的诊断方法难于应对,再加之不同医院的医生水平有差异、经验不足及工作量繁重,都可能导致肺炎诊断结果不准确、不及时,耽误患者治疗。针对上述肺炎检测存在的问题,本文开展了基于深度学习的肺炎检测算法的研究,探索有效的检测诊断新方法。主要的研究工作包括:1、目标检测算法研究。通过对肺部X光图像肺炎特征的初步分析得知,肺炎检测任务属于目标检测范畴,因此,本文选用YOLOV3、Retina Net、Mask-RCNN三种典型的目标检测算法用于肺炎检测研究,对比三种检测算法的分类准确率与回归精度,YOLOV3算法为84.30%和70.43,Retina Net算法为86.20%和76.54%,Mask-RCNN算法为88.30%和83.13%,分析得出Mask-RCNN算法检测效果最好。2、Mask-RCNN算法改进研究。首先,利用Res Net50和Res Net101网络进行特征融合对Mask-RCNN的主干网络进行改进,使得Mask-RCNN的分类准确率提高2.3个百分点,回归精度提高7.39个百分点。然后,利用Mobile Net网络的深度分离卷积思想将Res Net50和Res Net101网络中的标准卷积替换为深度可分离卷积,使得改进后Mask-RCNN主干网络参数降低42%,检测时间降低42ms。进一步改进算法对检测到的肺炎病变区域进行局部特征增强,使得肺炎边缘和细节信息变得更加显著,局部特征更清晰,更加有利于病理医生进行肺炎种类的诊断。最后将改进后的Mask-RCNN网络模型对肺炎影像进行检测,经过实验测试,改进后的Mask-RCNN算法的分类准确率和回归准确率分别为90.40%和90.37%,相比于改进前分类准确率和回归准确率分别提高2.1和7.24个百分点。3、为了让研究结果在实际应用中具有可操作性,论文利用计算机软件技术搭建系统测试平台,让肺炎检测实现一个“前台提交、模型检测、结果展示”的完整闭环。实验结果表明:本文改进后的Mask-RCNN算法对肺炎影像的检测具有可行性和有效性,具有较高的检测性能和良好的检测效果,病理医生可以使用本文的研究辅助开展智能化肺炎检测工作,提高肺部X光医学影像的诊断效率和诊断精度,从而降低误诊率。