[發明專利]一種基于深度學習的肺部圖像分析系統及其分析方法

在審

• 申請號: 202010749645.0
• 申請日: 2020-07-30
• 公開（公告）號: CN111862075A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 黃志偉;李沙;許志堅;蔡飛翔;楊懿
• 申請（專利權）人: 西南醫科大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/08;G06N3/04;G16H50/20
• 代理公司: 成都方圓聿聯專利代理事務所(普通合伙) 51241
• 代理人: 宋紅賓

1.一種基于深度學習的肺部圖像分析系統，其特征在于，其包括輸入模塊、輸出模塊和檢測模塊；

所述的輸入模塊用于獲取待檢測圖像，并將待檢測圖像傳輸到所述檢測模塊；

所述檢測模塊用于通過訓練好的卷積神經網絡檢測待檢測圖像中的肺部輪廓區域內的病變區域的形狀特點及顏色的灰度特征，并與網絡訓練所得的肺部疾病的病癥圖像特征進行對比，獲取對比結果；

所述輸出模塊用于展示檢測模塊的對比結果。

2.根據權利要求1所述的一種基于深度學習的肺部圖像分析系統，其特征在于，所述檢測模塊包括兩個子模塊：建模子模塊，判斷子模塊；

所述建模子模塊用于建立基于深度學習的卷積神經網絡；

所述判斷子模塊用于判斷所述檢測圖像是否符合肺部疾病的胸片特征，所述對比結果為所述待檢測圖像與網絡訓練所得的肺部疾病的病癥圖像特征對比是否符合。

3.根據權利要求2所述的一種基于深度學習的肺部圖像分析系統，其特征在于，所述建模子模塊包括神經網絡構建單元、神經網絡訓練單元；

所述神經網絡構建單元用于構建卷積神經網絡；所述神經網絡訓練單元用于對所述卷積神經網絡進行訓練，獲得訓練好的卷積神經網絡。

4.根據權利要求2所述的一種基于深度學習的肺部圖像分析系統，其特征在于，所述判斷子模塊包括檢測區域識別單元、病灶檢測單元、判斷單元；

所述檢測區域識別單元用于識別出所述待檢測圖像中肺部疾病進行判斷的關鍵區域；

所述病灶檢測單元用于調用所述訓練好的卷積神經網絡檢測所述待檢測圖像中是否存在類似肺部疾病胸片的典型特征；

所述判斷單元用于調用先調用檢測區域識別單元判斷該區域是否為肺部圖像，若是，對所述待檢測圖像進行病癥檢測，否則，不對所述待檢測圖像進行病癥檢測；

所述病癥檢測包括：通過調用所述檢測區域識別單元和病灶檢測單元，判斷所述待檢測圖像是否具有類似肺部疾病胸片的典型特征，若是，則所述檢測結果為符合，否則，所述檢測結果為不符合。

5.根據權利要求3所述的一種基于深度學習的肺部圖像分析系統，其特征在于，所述神經網絡構建單元用于構建卷積神經網絡，包括：

構建包括前端網絡和后端網絡的卷積神經網絡；

采用信息庫的肺部疾病胸片CT對前端網絡進行分類訓練，獲取卷積神經網絡的初始權重和偏置。

6.根據權利要求3所述的一種基于深度學習的肺部圖像分析系統，其特征在于，所述神經網絡訓練單元包括：

訓練數據選取子單元、訓練數據預處理子單元、先驗框確定子單元、損失函數定義子單元、訓練子單元；

所述訓練數據準備子單元用于選取用于訓練所述卷積神經網絡的訓練數據；

所述訓練數據預處理子單元用于對所述訓練數據進行歸一化處理和數據增強處理，獲取預處理數據；

所述先驗框確定子單元用于獲取對所述卷積神經網絡進行訓練時使用的先驗框；

所述損失函數定義子單元用于定義對所述卷積神經網絡進行訓練時使用的損失函數；

所述訓練子單元用于使用所述預處理數據、損失函數對所述卷積神經網絡進行訓練，所述訓練包括更新所述權重。

7.一種基于深度學習的肺部圖像分析方法，其特征在于，包括以下步驟：

獲取待檢測圖像，

通過訓練好的卷積神經網絡檢測待檢測圖像中的肺部輪廓區域內的病變區域的形狀特點及顏色的灰度特征，并與網絡訓練所得的肺部疾病的病癥圖像特征進行對比，獲取對比結果；

展示對比結果；

所述并與網絡訓練所得的肺部疾病的病癥圖像特征進行對比，包括：

若在所述待檢測圖像中檢測不到有區于周邊肺實質灰度的其他灰度，則對比結果為不符合；

否則，在檢測所述待檢測圖像中存在有區于周邊肺實質灰度的其他灰度，將所述待檢測圖像中的病變部位用最小外接框進行標注，獲得病變區域框；

判斷所述病變區域框內的病變部位的形狀、邊緣輪廓特征和灰度值，若屬于卷積網絡訓練學習所得的肺部疾病的胸片特征，則所述對比結果為符合。