[发明专利]一种基于深度学习的慢阻肺识别与评估装置

权利要求书

1.一种基于深度学习的慢阻肺识别与评估装置，其特征在于，包括：

CT图像获取模块：用于获取CT图像集；

检测模型构建模块：用于构建慢阻肺检测模型；

慢阻肺检测模块：用于通过所述慢阻肺检测模型将获取的CT图像集识别为慢阻肺或非慢阻肺。

2.根据权利要求1所述的基于深度学习的慢阻肺识别与评估装置，其特征在于，所述检测模型构建模块中的慢阻肺检测模型包括依次连接的特征提取模块、分类器和softmax层。

3.根据权利要求2所述的基于深度学习的慢阻肺识别与评估装置，其特征在于，所述特征提取模块为ResNet18特征提取模块，所述ResNet18特征提取模块包括依次连接的7*7卷积层、第一批量归一化层、第一整流线性层、3*3最大池化层、2个c＝64的Resblock单元、c＝128且d＝2的Resblock单元、c＝128的Resblock单元、c＝256且d＝2的Resblock单元、c＝256的Resblock单元、c＝512且d＝2的Resblock单元和c＝512的Resblock单元，其中，c为输出通道数量，d为填充大小。

4.根据权利要求3所述的基于深度学习的慢阻肺识别与评估装置，其特征在于，所述Resblock单元包括依次连接的第一3*3卷积层、第二批量归一化层、第二整流线性层、第二3*3卷积层和第三整流线性层，所述第一3*3卷积层还和第三整流线性层连接后输入至第四整流线性层。

5.根据权利要求2所述的基于深度学习的慢阻肺识别与评估装置，其特征在于，所述分类器包括依次连接的第一1*1卷积层、平均池化层、第一全连接层、第五整流线性层、第二全连接层和tanh层，所述第一1*1卷积层还和tanh层连接后输入至第二1*1卷积层、并与所述第二1*1卷积层连接后输入至softmax层。

6.根据权利要求1所述的基于深度学习的慢阻肺识别与评估装置，其特征在于，还包括：

慢阻肺分级模型构建模块：用于构建慢阻肺分级模型；

肺实质图像和肺气肿图像生成模块：用于将所述慢阻肺检测模型识别出具有慢阻肺的CT图像集中找出肺实质图像集，再从所述肺实质图像集中找出肺气肿图像集；

慢阻肺分级模块：用于通过所述慢阻肺分级模型将所述具有慢阻肺的CT图像集、肺实质图像集和肺气肿图像集汇集并输入所述慢阻肺分级模型来判断慢阻肺的严重程度。

7.根据权利要求6所述的基于深度学习的慢阻肺识别与评估装置，其特征在于，所述慢阻肺分级模型构建模块中的慢阻肺分级模型包括依次连接的5个Resblock单元组成的3DResNet50网络、全连接层。

8.根据权利要求7所述的基于深度学习的慢阻肺识别与评估装置，其特征在于，所述Resblock单元包括依次连接的第一3*3卷积层、第二批量归一化层、第二整流线性层、第二3*3卷积层和第三整流线性层，所述第一3*3卷积层还和第三整流线性层连接后输入至第四整流线性层。