[发明专利]一种基于深度学习的肺部图像分析系统及其分析方法

权利要求书

1.一种基于深度学习的肺部图像分析系统，其特征在于，其包括输入模块、输出模块和检测模块；

所述的输入模块用于获取待检测图像，并将待检测图像传输到所述检测模块；

所述检测模块用于通过训练好的卷积神经网络检测待检测图像中的肺部轮廓区域内的病变区域的形状特点及颜色的灰度特征，并与网络训练所得的肺部疾病的病症图像特征进行对比，获取对比结果；

所述输出模块用于展示检测模块的对比结果。

2.根据权利要求1所述的一种基于深度学习的肺部图像分析系统，其特征在于，所述检测模块包括两个子模块：建模子模块，判断子模块；

所述建模子模块用于建立基于深度学习的卷积神经网络；

所述判断子模块用于判断所述检测图像是否符合肺部疾病的胸片特征，所述对比结果为所述待检测图像与网络训练所得的肺部疾病的病症图像特征对比是否符合。

3.根据权利要求2所述的一种基于深度学习的肺部图像分析系统，其特征在于，所述建模子模块包括神经网络构建单元、神经网络训练单元；

所述神经网络构建单元用于构建卷积神经网络；所述神经网络训练单元用于对所述卷积神经网络进行训练，获得训练好的卷积神经网络。

4.根据权利要求2所述的一种基于深度学习的肺部图像分析系统，其特征在于，所述判断子模块包括检测区域识别单元、病灶检测单元、判断单元；

所述检测区域识别单元用于识别出所述待检测图像中肺部疾病进行判断的关键区域；

所述病灶检测单元用于调用所述训练好的卷积神经网络检测所述待检测图像中是否存在类似肺部疾病胸片的典型特征；

所述判断单元用于调用先调用检测区域识别单元判断该区域是否为肺部图像，若是，对所述待检测图像进行病症检测，否则，不对所述待检测图像进行病症检测；

所述病症检测包括：通过调用所述检测区域识别单元和病灶检测单元，判断所述待检测图像是否具有类似肺部疾病胸片的典型特征，若是，则所述检测结果为符合，否则，所述检测结果为不符合。

5.根据权利要求3所述的一种基于深度学习的肺部图像分析系统，其特征在于，所述神经网络构建单元用于构建卷积神经网络，包括：

构建包括前端网络和后端网络的卷积神经网络；

采用信息库的肺部疾病胸片CT对前端网络进行分类训练，获取卷积神经网络的初始权重和偏置。

6.根据权利要求3所述的一种基于深度学习的肺部图像分析系统，其特征在于，所述神经网络训练单元包括：

训练数据选取子单元、训练数据预处理子单元、先验框确定子单元、损失函数定义子单元、训练子单元；

所述训练数据准备子单元用于选取用于训练所述卷积神经网络的训练数据；

所述训练数据预处理子单元用于对所述训练数据进行归一化处理和数据增强处理，获取预处理数据；

所述先验框确定子单元用于获取对所述卷积神经网络进行训练时使用的先验框；

所述损失函数定义子单元用于定义对所述卷积神经网络进行训练时使用的损失函数；

所述训练子单元用于使用所述预处理数据、损失函数对所述卷积神经网络进行训练，所述训练包括更新所述权重。

7.一种基于深度学习的肺部图像分析方法，其特征在于，包括以下步骤：

获取待检测图像，

通过训练好的卷积神经网络检测待检测图像中的肺部轮廓区域内的病变区域的形状特点及颜色的灰度特征，并与网络训练所得的肺部疾病的病症图像特征进行对比，获取对比结果；

展示对比结果；

所述并与网络训练所得的肺部疾病的病症图像特征进行对比，包括：

若在所述待检测图像中检测不到有区于周边肺实质灰度的其他灰度，则对比结果为不符合；

否则，在检测所述待检测图像中存在有区于周边肺实质灰度的其他灰度，将所述待检测图像中的病变部位用最小外接框进行标注，获得病变区域框；

判断所述病变区域框内的病变部位的形状、边缘轮廓特征和灰度值，若属于卷积网络训练学习所得的肺部疾病的胸片特征，则所述对比结果为符合。