[發明專利]基于深度學習的皮膚癌識別系統

在審

• 申請號: 201710620444.9
• 申請日: 2017-07-26
• 公開（公告）號: CN107480769A
• 公開（公告）日: 2017-12-15
• 發明（設計）人: 彭逢安;鄺洋輝;李鑫
• 申請（專利權）人: 廣州慧揚健康科技有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06K9/62
• 代理公司: 深圳市合道英聯專利事務所(普通合伙)44309
• 代理人: 廉紅果

技術領域

本發明涉及醫療技術領域，特別是指一種基于深度學習的皮膚癌識別系統。

背景技術

皮膚癌是一種高發的惡性腫瘤，包括基底細胞癌、惡性黑色素瘤以及鱗狀細胞癌等，其中以惡性黑色素瘤預后最差，死于惡性黑素素瘤的患者占死于皮膚腫瘤患者總數的75％以上，惡性黑色素瘤的五年存活率不足1％。在臨床上，皮膚癌的診斷首先需要進行臨床篩查，然后進行皮膚鏡檢查，隨后進行活檢以及組織病理學檢查。隨著卷積神經網絡(Convolutional Neural Network，CNN)的技術發展，使用深度學習來進行皮膚腫瘤自動識別已經成為了一種可能。

深度學習作為機器學習技術領域當中的最新技術，已證實在有極大數據集作為輸入的基礎之上，能夠在視覺識別領域達到較高水準(如人臉識別)，并且在策略類游戲如圍棋中能夠超過人類能力(如AlphaGo)。

因此，有必要設計一種新的基于深度學習的皮膚癌識別系統，以解決上述技術問題。

發明內容

針對背景技術中存在的問題，本發明的目的是提供一種基于深度學習的皮膚癌識別系統，利用訓練所得的權重值，對新輸入的圖片進行多個層次的特征提取，最終能夠根據圖片進行不同類型皮膚癌及相關疾病的判斷。

本發明的技術方案是這樣實現的：一種基于深度學習的皮膚癌識別系統，包括圖像輸入模塊、CNN卷積神經網絡模塊以及推斷模塊，所述圖像輸入模塊與CNN卷積神經網絡模塊連接，所述CNN卷積神經網絡模塊與推斷模塊連接，其中，所述圖像輸入模塊：用于根據代碼映射關系，讀取DICOM圖像文件的文件頭中的各項基本信息，注冊于識別記錄表中；完成圖像注冊后，圖像輸入模塊從DICOM圖像文件中讀取出其中的像素點，轉換至皮膚癌識別系統內置的矩陣存儲器中，轉換為矩陣，便于下一步CNN卷積網絡模塊對該矩陣的特征提取；所述CNN卷積神經網絡模塊：包括四個卷積層，三個max pooling層，一個全連接層以及最底層的輸入層，輸入層輸入所述矩陣，經過四個卷積層和三個max pooling層卷積處理后，抓取到用來識別圖像的特征之后對圖像進行分類，全連接層將max pooling的輸出轉換為一個一維向量，并且用激活函數stochastic求出輸入的圖像屬于某一種疾病的概率；所述推斷模塊：用于將CNN卷積神經網絡模塊得出的概率轉化為具體的診斷。

在上述技術方案中，所述卷積層卷積時，在矩陣邊緣加上一個邊緣層，幫助控制卷積輸出的特征圖的尺寸大小。

在上述技術方案中，所述Max pooling層用于舍棄掉圖片不重疊地分隔的多個大小相同的小塊中的不必要的結點，減少不必要的參數。

本發明基于深度學習的皮膚癌識別系統，包括圖像輸入模塊、CNN卷積神經網絡模塊以及推斷模塊，所述圖像輸入模塊與CNN卷積神經網絡模塊連接，所述CNN卷積神經網絡模塊與推斷模塊連接，圖像輸入模塊用于讀取DICOM圖像文件的文件頭中的各項基本信息，注冊于識別記錄表中并讀取出其中的像素點，轉換至皮膚癌識別系統內置的矩陣存儲器中，轉換為矩陣；CNN卷積神經網絡模塊的輸入層輸入矩陣，經過四個卷積層和三個max pooling層卷積處理后，抓取到用來識別圖像的特征之后對圖像進行分類，全連接層將max pooling的輸出轉換為一個一維向量，并且用激活函數stochastic求出輸入的圖像屬于某一種疾病的概率；推斷模塊用于將CNN卷積神經網絡模塊得出的概率轉化為具體的診斷。

附圖說明

圖1為本發明結構圖；

圖2為本發明中CNN卷積網絡模塊的基本架構圖。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

如圖1所示，本發明所述的一種基于深度學習的皮膚癌識別系統，包括圖像輸入模塊、CNN卷積神經網絡模塊以及推斷模塊，所述圖像輸入模塊與CNN卷積神經網絡模塊連接，所述CNN卷積網絡模塊與推斷模塊連接，以下是對上述各模塊的詳細說明。

(1)圖像輸入模塊：