[發(fā)明專利]一種基于DR的肺結(jié)核智能識(shí)別方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201710618397.4
• 申請(qǐng)日: 2017-07-26
• 公開(kāi)（公告）號(hào): CN107729911A
• 公開(kāi)（公告）日: 2018-02-23
• 發(fā)明（設(shè)計(jì)）人: 吳文輝;陶信東
• 申請(qǐng)（專利權(quán)）人: 江西中科九峰智慧醫(yī)療科技有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/08
• 代理公司: 上海天翔知識(shí)產(chǎn)權(quán)代理有限公司31224
• 代理人: 劉常寶

1.一種基于DR的肺結(jié)核智能識(shí)別方法，其特征在于，通過(guò)大量標(biāo)注的樣本來(lái)訓(xùn)練形成深度神經(jīng)網(wǎng)絡(luò)，所述深度神經(jīng)網(wǎng)通過(guò)自主學(xué)習(xí)肺結(jié)核影像特征，并以此來(lái)識(shí)別DR圖像中肺結(jié)核影像特征。

2.根據(jù)權(quán)利要求1所述的基于DR的肺結(jié)核智能識(shí)別方法，其特征在于，所述樣本包括包含結(jié)核病人胸片的正樣本和其他人胸片樣本，在標(biāo)注時(shí)首先從歷史樣本數(shù)據(jù)中篩選出候選樣本，再對(duì)候選樣本進(jìn)行審核。

3.根據(jù)權(quán)利要求1所述的基于DR的肺結(jié)核智能識(shí)別方法，其特征在于，采用隨機(jī)梯度下降模型訓(xùn)練形成深度神經(jīng)網(wǎng)絡(luò)，并利用GPU加速訓(xùn)練。

4.根據(jù)權(quán)利要求1所述的基于DR的肺結(jié)核智能識(shí)別方法，其特征在于，所述深度神經(jīng)網(wǎng)絡(luò)包括5個(gè)交替出現(xiàn)的卷積層，ReLU層和池化層，以及2個(gè)全連接層。

5.根據(jù)權(quán)利要求1所述的基于DR的肺結(jié)核智能識(shí)別方法，其特征在于，所述深度神經(jīng)網(wǎng)絡(luò)通過(guò)誤差反向傳播模型進(jìn)行自主學(xué)習(xí)肺結(jié)核影像特征。

6.根據(jù)權(quán)利要求1所述的基于DR的肺結(jié)核智能識(shí)別方法，其特征在于，所述智能識(shí)別方法還根據(jù)DR圖像中肺結(jié)核影像特征的識(shí)別結(jié)果給出疑似肺結(jié)核的概率。

7.一種基于DR的肺結(jié)核智能識(shí)別系統(tǒng)，其特征在于，包括：

樣本庫(kù)，所述樣本庫(kù)中存儲(chǔ)大量人工標(biāo)注的樣本；

神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊從樣本庫(kù)中獲取經(jīng)過(guò)標(biāo)注的樣本，并進(jìn)行訓(xùn)練形成深度神經(jīng)網(wǎng)絡(luò)，自主學(xué)習(xí)肺結(jié)核影像特征；

識(shí)別模塊，所述識(shí)別模塊調(diào)用深度神經(jīng)網(wǎng)絡(luò)對(duì)DR圖像進(jìn)行肺結(jié)核影像特征的識(shí)別。

8.根據(jù)權(quán)利要求7所述的基于DR的肺結(jié)核智能識(shí)別系統(tǒng)，其特征在于，所述識(shí)別系統(tǒng)中還包括DR圖像獲取模塊，所述DR圖像獲取模塊與識(shí)別模塊數(shù)據(jù)連接，將待識(shí)別的DR圖像傳至識(shí)別模塊。

9.根據(jù)權(quán)利要求7所述的基于DR的肺結(jié)核智能識(shí)別系統(tǒng)，其特征在于，所述識(shí)別系統(tǒng)中還包括概率計(jì)算模塊，所述概率計(jì)算模塊與識(shí)別模塊數(shù)據(jù)連接，根據(jù)識(shí)別模塊識(shí)別DR圖像中肺結(jié)核影像特征的識(shí)別結(jié)果計(jì)算出疑似肺結(jié)核的概率。

10.根據(jù)權(quán)利要求9所述的基于DR的肺結(jié)核智能識(shí)別系統(tǒng)，其特征在于，所述識(shí)別系統(tǒng)中還包括一輸出模塊，所述輸出模塊與概率計(jì)算模塊數(shù)據(jù)連接，輸出概率計(jì)算模塊的計(jì)算結(jié)果。