[發明專利]一種基于深度學習的肺癌早篩裝置

有效

• 申請號: 201710780914.8
• 申請日: 2017-09-01
• 公開（公告）號: CN107767362A
• 公開（公告）日: 2018-03-06
• 發明（設計）人: 金成君;紀建光;李懿范
• 申請（專利權）人: 蘇州俠洛信息科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G16H50/30;G16H30/20;G06N3/04
• 代理公司: 廣州三環專利商標代理有限公司44202
• 代理人: 郝傳鑫,賈允

技術領域

本發明涉及醫療設備領域，尤其涉及一種基于深度學習的肺癌早篩裝置。

背景技術

肺癌是全球死亡率最高的癌癥之一。據報道2012年肺癌導致有160萬死亡病例，并且有180萬病例被診斷為肺癌。早期的肺癌篩查對于肺癌的診斷和治療起著關鍵作用。據調查低劑量CT篩查能降低20％的肺癌死亡率。

傳統的肺癌篩查依靠專業的醫療人員對肺部LDCT影像進行解讀，篩查出可疑的肺部結節。肺部的結節和肺癌有著強關聯。這種傳統的方法對于醫療人員的工作量要求極高，并且容易出現假陽性診斷。從而增加額外的醫療費用和加大患者的心理壓力。隨著計算機輔助系統(Computer-Aided Diagnosis,CAD)的引入，醫療人員的工作效率和診斷正確率都有所提高。但是傳統的CAD系統大多基于傳統的機器學習算法，即圖像特征選取。使得傳統的CAD系統對于肺部結節的檢測和診斷有一定的局限性。

近些年，深度神經網絡對于計算機視覺和模式識別有著成功的應用。深度神經網絡能提取低維特征，從而檢測和診斷肺部結節。隨著大量的醫療影像數字化，這加速了深度學習對于三維的LDCT影像的應用。

發明內容

為了將先進的醫療影像處理技術進一步應用，為用戶提供更為準確的肺癌判斷裝置，本發明提供一種基于深度學習的肺癌早篩裝置。

本發明是以如下技術方案實現的：

一種基于深度學習的肺癌早篩裝置，包括：

圖像處理模塊，用于對圖像進行預處理以得到符合深度學習標準的圖像；

圖像分析模塊，用于將所述圖像導入經過深度學習的神經網絡以檢測所述圖像中肺部結節，從而使得神經網絡輸出疑似肺部結節及其對應的置信值；

圖像分析結果處理模塊，用于選取N個最高值，對于每個最高值，提取最后一個的卷基層，并將提取結果引入池化層和全連接層，從而計算出肺癌的概率。

進一步地，還包括神經網絡處理模塊，所述神經網絡處理模塊用于構建與圖像分析模塊交互的神經網絡，所述神經網絡處理模塊包括：

數據集訓練單元，用于構建訓練數據集；

數據處理單元，用于進行陽性樣本平衡處理以及難分樣本挖掘操作；

神經網絡生成單元，用于搭建神經網絡。

進一步地，所述數據集訓練單元具體用于對數據集進行塊處理；包括兩類塊，第一類占全部數據塊的70％，第二類占全部數據塊30％；第一類的塊中的數據包含至少一個結節，第二類的塊中的數據沒有結節。

進一步地，所述數據處理單元具體用于平衡大小結節的數量，當結節大于30毫米和40毫米時，模型訓練時的取樣頻率分別需要增加2和6倍。

進一步地，所述神經網絡生成單元具體用于基于改良的U-Net搭建神經網絡。

進一步地，所述所述神經網絡生成單元搭建的神經網絡為：

所述神經網絡由5個殘差網絡和一系列橫向和反饋網絡連接，反向層的特征用于計算輸出結果；所述反向層的大小是32*32*32，并通過兩個1*1*1的卷積獲得分類值；

所述神經網絡有三個不同大小的錨，分別是10毫米，30毫米和60毫米；

所述神經網絡的交叉區域IoU用于判斷最后一層的像素類別，如果像素的IoU大于0.5，則判定所述像素是陽性樣本；如果像素的IoU小于0.02，則判定所述像素是陰性樣本；所述陽性樣本為包含肺部結節的樣本；所述陰性樣本為不包含肺部結節的樣本。

進一步地，所述圖像處理模塊包括：

分割單元，用于對肺部圖像進行分割；

第一數據處理單元，用于對肺實質的外輪廓修復和區域增長處理；

第二數據處理單元，用于對圖像數據標準化處理。

本發明的有益效果是：

本發明提供一種基于深度學習的肺癌早篩裝置，具有如下益處：

1.本發明提供的裝置填補肺癌早篩智能化裝置的空白，為智能醫療影像診斷提供了自動化，低成本，高可信度的裝置；

2.本發明中裝置的操作具有全自動化，無人工干預的特點，因此節省了醫療人員的寶貴時間，而且肺癌預測率具有一致性。

3，本發明大幅度降低了醫療閱片的成本，從而同時降低了醫院和患者的醫療成本。

4，本發明的肺癌早篩精度高于傳統的CAD系統，為醫療工作人員提供了高精度的參考。

附圖說明

圖1是本發明實施例提供的一種基于深度學習的肺癌早篩裝置框圖；

圖2是本發明實施例提供的神經網絡處理模塊框圖；