[發(fā)明專利]基于深度卷積神經(jīng)網(wǎng)絡的肺結(jié)節(jié)圖像識別系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201710604689.2
• 申請日: 2017-07-24
• 公開（公告）號: CN107451609A
• 公開（公告）日: 2017-12-08
• 發(fā)明（設計）人: 易平;顧雙馳;柳寧;李林森
• 申請（專利權(quán)）人: 上海交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06T7/11;G06T17/00
• 代理公司: 上海交達專利事務所31201
• 代理人: 王毓理,王錫麟

1.一種基于深度卷積神經(jīng)網(wǎng)絡的肺結(jié)節(jié)圖像識別系統(tǒng)，其特征在于，包括：預處理模塊、訓練模塊、元數(shù)據(jù)庫以及預測模塊，其中：預處理模塊使用三維數(shù)據(jù)矩陣處理腳本從原始的肺部CT模型中通過三維坐標將疑似肺結(jié)節(jié)與訓練數(shù)據(jù)的三維圖像切割出來，形成訓練肺結(jié)節(jié)圖像并輸出至元數(shù)據(jù)庫或形成待測肺結(jié)節(jié)圖像并輸出至預測模塊，元數(shù)據(jù)庫向訓練模塊提供訓練數(shù)據(jù)并保存預測模塊預測完畢、標注完成的圖像，訓練模塊通過訓練數(shù)據(jù)對預搭建的深度卷積神經(jīng)網(wǎng)絡進行訓練，并將訓練后的深度卷積神經(jīng)網(wǎng)絡模型輸出至預測模塊；預測模塊根據(jù)訓練后的深度卷積神經(jīng)網(wǎng)絡模型對待測肺結(jié)節(jié)圖像進行預測，并將預測完成的圖像做上標記后分別輸出至元數(shù)據(jù)庫以及訓練模塊進行訓練。

2.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征是，所述的預處理模塊包括：原始數(shù)據(jù)采集單元、三維圖形切割單元以及數(shù)據(jù)傳輸單元，其中：原始數(shù)據(jù)采集單元從醫(yī)療設備中獲得模擬圖像，經(jīng)模數(shù)轉(zhuǎn)換后輸出原始的肺部CT圖像至三維圖形切割單元，三維圖形切割單元根據(jù)三維數(shù)據(jù)矩陣處理腳本根據(jù)原始肺部CT模型中的三維坐標將模擬圖像中的三維圖像切割出來并形成肺結(jié)節(jié)圖像，通過數(shù)據(jù)傳輸單元將肺結(jié)節(jié)圖像輸出至元數(shù)據(jù)庫。

3.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征是，所述的訓練模塊包括：深度卷積神經(jīng)網(wǎng)絡單元和參數(shù)調(diào)整單元，其中：深度卷積神經(jīng)網(wǎng)絡單元與元數(shù)據(jù)庫相連并接收訓練肺結(jié)節(jié)圖像，參數(shù)調(diào)整單元與深度卷積神經(jīng)網(wǎng)絡單元相連并接收訓練后的神經(jīng)網(wǎng)絡參數(shù)，生成訓練后的深度卷積神經(jīng)網(wǎng)絡模型并輸出至預測模塊。

4.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征是，所述的預測模塊包括：待測數(shù)據(jù)采集單元、預測單元以及數(shù)據(jù)回傳單元，其中：待測數(shù)據(jù)采集單元通過人機界面采集待測肺結(jié)節(jié)圖像并輸出至預測單元，預測單元根據(jù)訓練模塊輸出的訓練后的深度卷積神經(jīng)網(wǎng)絡模型對待測肺結(jié)節(jié)圖像進行預測和標注，并將標注信息通過數(shù)據(jù)回傳單元輸出至元數(shù)據(jù)庫并復制一份由訓練模塊進行訓練。

5.根據(jù)權(quán)利要求3所述的系統(tǒng)，其特征是，所述的深度卷積神經(jīng)網(wǎng)絡單元包括：用于規(guī)定輸入形狀、卷積核尺寸，對輸入的三維矩陣進行卷積的輸入三維卷積層、激活層、用于減少特征維度的最大三維池化層或平均池化層、普通三維卷積層、防過擬合層、降維層、全連接層和Softmax激活層。