[发明专利]一种基于深度学习的慢阻肺识别与评估装置

说明书

本发明涉及一种基于深度学习的慢阻肺识别与评估装置，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。本发明能够有效将CT图像识别为慢阻肺或非慢阻肺。

技术领域

本发明涉及辅助医疗技术领域，特别是涉及一种基于深度学习的慢阻肺识别与评估装置。

背景技术

1.慢性阻塞性肺疾病(慢阻肺)是一种严重危害人类健康的常见病和多发病。由于其起病隐匿，症状不典型，导致该病早期诊断率和规范化治疗率低，急性加重率和病死率高，疾病负担重。因此，进一步提高慢阻肺的早期识别和针对性干预是目前亟待解决的重大卫生和社会问题。

2.目前针对慢阻肺的诊断和严重程度评估主要依赖于肺功能检查，但随着对疾病认知的加深，越来越多的临床工作者和研究者发现这种方式具有一定的局限性。同时出于疫情防控以及限制病毒传播的考虑，肺功能检查的开展受到了很大程度的限制。寻求新型慢阻肺筛查和评估工具具有十分重大的临床意义。

3.近年来计算机断层扫描(CT)在慢阻肺的诊断和评估中的价值逐渐受到了人们的关注。一些特征性的CT影像改变如肺气肿、气道结构、气体潴留、肺血管病变等不仅可有效协助医生诊断慢阻肺，也被证明与患者的肺功能、生活质量、以及病死率等密切相关。

4.传统的人工阅片的方式在应用CT影像对慢阻肺进行识别和分型方面具有一定的局限性。慢阻肺作为一种高度异质性疾病，其多维度、多特征的肉眼观察则势必会带来医务工作者负担加重。同时CT影像的阅读存在一定的主观性，受到各种包括阅片者自身经验在内众多因素的影响，其影像诊断难以达到同质性，因此寻求更加高效、准确的影像识别方案日益受到了研究者的关注。

5.基于人工智能的深度学习技术为慢阻肺的CT诊断和分型提供了新的解决方案。其模式是通过运用大量已知结果的个体数据进行训练并建立相应的模型。这类训练好的模型就可以分析来自其他队列的数据，自动判别并确认其是否存在异常。该过程不再需要手动提取或者审查特定的影像学特征，大大减少了临床工作人员的工作量，同时也进一步提高了广泛筛查慢阻肺的效率。

发明内容

本发明所要解决的技术问题是提供一种基于深度学习的慢阻肺识别与评估装置，能够有效将CT图像识别为慢阻肺或非慢阻肺。

本发明解决其技术问题所采用的技术方案是：提供一种基于深度学习的慢阻肺识别与评估装置，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。

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。

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。

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。