[發(fā)明專利]一種基于深度學(xué)習(xí)的手足口病檢測系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201711376026.6
• 申請日: 2017-12-19
• 公開（公告）號: CN107862694A
• 公開（公告）日: 2018-03-30
• 發(fā)明（設(shè)計）人: 劉青;李朋
• 申請（專利權(quán)）人: 濟南大象信息技術(shù)有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/73;G16H50/20
• 代理公司: 濟南千慧專利事務(wù)所(普通合伙企業(yè))37232
• 代理人: 趙長林

技術(shù)領(lǐng)域：

本發(fā)明涉及一種基于深度學(xué)習(xí)的手足口病檢測系統(tǒng)。

背景技術(shù)：

隨著經(jīng)濟的發(fā)展，人們對自身健康越來越關(guān)注，對醫(yī)療服務(wù)和健康服務(wù)的需求不斷增長，而我國醫(yī)療衛(wèi)生服務(wù)大部分還停留在傳統(tǒng)意義的治療服務(wù)體系當(dāng)中。近年來，深度學(xué)習(xí)已經(jīng)成為新的技術(shù)前沿，廣泛應(yīng)用于圖像分析、視頻解析、自動駕駛及無人機等領(lǐng)域，當(dāng)前醫(yī)療供需的巨大矛盾促使人們將深度學(xué)習(xí)技術(shù)應(yīng)用于醫(yī)療領(lǐng)域，由此誕生了“人工智能+醫(yī)療”技術(shù)，它指的是基于深度學(xué)習(xí)的人工智能模型，通過初始化形成模型參數(shù)后，對經(jīng)過標(biāo)注的數(shù)據(jù)進行訓(xùn)練，出現(xiàn)誤差后調(diào)整模型參數(shù)，再輔助以醫(yī)學(xué)知識，通過大量的訓(xùn)練之后形成精準的醫(yī)學(xué)診斷模型，實現(xiàn)對疾病的診斷，帶來醫(yī)療效率和診斷準確率的提高。

如今的人工智能(AI)已經(jīng)可以為醫(yī)學(xué)解決具體的醫(yī)學(xué)問題，并且已經(jīng)取得了巨大的進展，通過深度學(xué)習(xí)技術(shù)實現(xiàn)，主要應(yīng)用于醫(yī)療機器人、智能藥物研發(fā)、智能診療、智能影響識別、智能健康管理等五大領(lǐng)域，甚至可以解決很多醫(yī)學(xué)上目前無法解決的問題。列舉目前典型的應(yīng)用案例，比如俄羅斯ExoAtlet公司的智能外骨骼可以幫助癱瘓患者進行日常生活行動，斯坦福大學(xué)已經(jīng)可以成功分辨皮膚癌，中國Airdoc識別糖尿病性視網(wǎng)膜病變能力已經(jīng)和三甲眼科醫(yī)生相當(dāng)，美國的Arterys公司旗下的產(chǎn)品Arterys Cardio DL獲得FDA批準，百度推出百度醫(yī)療大腦，其診斷和北大醫(yī)院醫(yī)生的診斷80％相同，目前人工智能應(yīng)用在醫(yī)療領(lǐng)域已經(jīng)是個趨勢。

由于醫(yī)生是一個偏經(jīng)驗性的行業(yè)，而人工智能可以在海量的數(shù)據(jù)中快速的學(xué)習(xí)樣本特征，將人工智能應(yīng)用于醫(yī)療診斷可以將醫(yī)生從重復(fù)的繁重勞動中解放出來。目前，將深度學(xué)習(xí)方法應(yīng)用于移動醫(yī)療，實現(xiàn)患者的在線自診，尤其是對于手足口病的自診平臺實現(xiàn)領(lǐng)域仍然是個空白。現(xiàn)有技術(shù)對此并沒有解決之策。

發(fā)明內(nèi)容：

本發(fā)明的目的就是針對現(xiàn)有技術(shù)存在的上述缺點，提供了一種基于深度學(xué)習(xí)的手足口病檢測系統(tǒng)，將深度學(xué)習(xí)技術(shù)應(yīng)用于手足口病自動診斷，將手足口病檢測的核心問題轉(zhuǎn)化為目標(biāo)檢測問題，并通過自主優(yōu)化提升檢測結(jié)果的準確性，解決了現(xiàn)有技術(shù)中存在的問題。

本發(fā)明為解決上述技術(shù)問題所采用的技術(shù)方案是：

一種基于深度學(xué)習(xí)的手足口病檢測系統(tǒng)，包括神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練模塊和手足口病檢測模塊；

所述神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練模塊基于手足口病病灶樣本集，構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)模型，通過對手足口病病灶樣本集內(nèi)的圖像進行分析，得到手足口病的神經(jīng)網(wǎng)絡(luò)診斷模型；

所述手足口病檢測模塊基于輸入的圖像，利用神經(jīng)網(wǎng)絡(luò)診斷模型進行判斷，得到手足口病診斷結(jié)果。

優(yōu)選的，還包括校正模塊，所述校正模塊用于醫(yī)務(wù)人員分析修正手足口病診斷結(jié)果，并將修正數(shù)據(jù)反饋至神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練模塊，神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練模塊基于修正數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)診斷模型的優(yōu)化。

優(yōu)選的，所述神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練模塊包括樣本獲取模塊、圖像處理模塊、訓(xùn)練模塊；

所述樣本獲取模塊用于獲取手足口病病灶樣本集內(nèi)的訓(xùn)練圖像；

所述圖像處理模塊用于對訓(xùn)練圖像進行規(guī)范化處理得到規(guī)范化圖像；

所述訓(xùn)練模塊用于對得到的規(guī)范化圖像進行分析，并結(jié)合手足口病病灶樣本集內(nèi)的診斷數(shù)據(jù)進行持續(xù)分析訓(xùn)練，得到神經(jīng)網(wǎng)絡(luò)診斷模型。

優(yōu)選的，所述手足口病檢測模塊包括診斷對象獲取模塊、圖像處理模塊、診斷模塊；

所述診斷對象獲取模塊用于獲取待診斷的診斷圖像；

所述圖像處理模塊用于對診斷圖像進行規(guī)范化處理得到規(guī)范化圖像；

所述診斷模塊用于對規(guī)范化圖像進行分析，并根據(jù)神經(jīng)網(wǎng)絡(luò)模型分析得出手足口病診斷結(jié)果。

優(yōu)選的，所述校正模塊將手足口病診斷結(jié)果、醫(yī)務(wù)人員分析修正后的手足口病診斷結(jié)果、診斷圖像作為修正數(shù)據(jù)反饋給神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練模塊。

優(yōu)選的，所述規(guī)范化處理包括：對手足口病病灶點進行標(biāo)注，對所述已獲取訓(xùn)練圖像進行批量處理，包括統(tǒng)一格式、均衡化與去噪，再進行提取候選框和預(yù)訓(xùn)練；所述手足口病病灶的標(biāo)注為對所述訓(xùn)練圖像得到的規(guī)范化圖像進行病灶特征標(biāo)注，形成病灶信息標(biāo)簽，所述病灶包括手足口病早期、中期和晚期的病變部位，所述標(biāo)注還包括標(biāo)簽信息及病灶在該規(guī)范化圖像中的左上角點和右下角點的坐標(biāo)，所述標(biāo)簽信息是指目標(biāo)是否屬于病灶以及病灶發(fā)展階段的類別信息；所述標(biāo)注通過K均值算法對自制數(shù)據(jù)集中手工選取的初始候選框進行聚類分析，找到候選框的統(tǒng)計規(guī)律，以聚類個數(shù)k為anchor個數(shù)，以k個聚類中心box的寬高參數(shù)為準修正anchor，得到與規(guī)范化圖像中病灶形狀最相近的初始候選框參數(shù)。