• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 32
    • 下载费用:30 金币  

    重庆时时彩个位怎么玩: 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统.pdf

    关 键 词:
    一种 基于 深度 卷积 神经网络 预防 肺癌 自助 健康 服务 系统
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201610734382.X

    申请日:

    2016.08.25

    公开号:

    CN106372390A

    公开日:

    2017.02.01

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):G06F 19/00申请日:20160825|||公开
    IPC分类号: G06F19/00(2011.01)I 主分类号: G06F19/00
    申请人: 汤一平
    发明人: 汤一平; 郑智茵
    地址: 310014 浙江省杭州市下城区新市街64号
    优先权:
    专利代理机构: 杭州天勤知识产权代理有限公司 33224 代理人: 胡红娟
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201610734382.X

    授权公告号:

    |||

    法律状态公告日:

    2017.03.01|||2017.02.01

    法律状态类型:

    实质审查的生效|||公开

    摘要

    本发明公开一种基于深度卷积神经网络的预防肺癌自助健康云服务系统,包括用于深度学习和训练识别的卷积神经网络、基于全卷积神经网络的从CT影像图像中分割出肺部区域的分割???、用于肺癌诊断分类的深度卷积神经网络和一种用于根据所识别的疑似肺癌类型进行早期预防和治疗的自助健康云服务平台。本发明能有效提高基于移动互联网肺癌筛查的自动化和智能化水平、能让更多国民了解并参与自助健康检测、评估、指导,提高早期肺癌筛检临床诊断的敏感性、特异性和准确性,实现肺癌的“早发现早诊断早治疗”,增加自我健康管理能力。

    权利要求书

    1.一种基于深度卷积神经网络的预防肺癌自助健康云服务系统,其特征在于:包括用
    于深度学习和训练识别的卷积神经网络、基于全卷积神经网络的从CT影像图像中肺部区域
    的分割模板、用于肺部病灶诊断分类的深度卷积神经网络和用于根据所识别的疑似肺癌类
    型进行早期预防和治疗的健康云服务平台;
    所述的卷积神经网络,共分为八层,由卷积层、激活层和下采样层交替构成的深度结
    构;输入图像在网络中进行层层映射,得到各层对于图像不同的表示形式,实现图像的深度
    表示;
    所述的基于全卷积神经网络的从CT影像图像中肺部区域的分割???,采用全卷积神经
    网络,就是将所述的卷积神经网络改为全卷积神经网络,在所述的卷积神经网络的全连接
    层改为反卷积层,这样输入一幅图像后直接在输出端得到密集预测,也就是每个像素所属
    的类,从而得到一个端对端的方法来实现肺部对象图像语义分割;
    所述的深度卷积神经网络是在所述的卷积神经网络的第八层的全连接层后连接了一
    个Softmax分类器,用于对疑似肺癌类型进行分类识别;
    所述的健康云服务平台,主要包括了接收和读取用户发送过来的胸部X光片或者CT影
    像图像的图像读取???,以用户访问平台的装备的用户名或号码为文件夹名的文件夹生成
    ???,基于深度卷积神经网络对分割后的肺部区域图像进行分类的疑似肺癌类型分类模
    块,存放有以疑似肺癌类型为索引的生成健康咨询文件的早期预防和治疗的健康文件生成
    ???,用于将用户的健康咨询文件反馈给访问用户的文件自动传输???,用于将早期预防
    和治疗的健康文件提供给用户到所述的健康云服务平台的网站上下载的下载服务???。
    2.如权利要求1所述的基于深度卷积神经网络的预防肺癌自助健康云服务系统,其特
    征在于:所述的卷积神经网络,共分为八层,卷积神经网络是由卷积层、激活层和下采样层
    交替构成的深度结构;
    第一层:输入图像数据为224×224像素图像,填充值是3,输出数据227×227×3;然后
    经过96个过滤器、窗口大小为11×11、步长为4的卷积层1处理,得到[(227-11)/4]+1=55个
    特征,以后的层就分为两组处理,输出特征为55×55×96,然后进行ReLU激活层1处理,输出
    特征为55×55×96,经过池化层1进行最大池化3×3的核,步长为2,得到[(55-3+1)/2]+1=
    27个特征,总的特征数为27×27×96,然后进行正则化处理,用于求和的通道数为5,最后得
    到27×27×96数据;
    第二层:输入数据27×27×96,填充值是2,256个过滤器,窗口大小为5×5,得到[(27-5
    +2×2)/1]+1=27个特征,输出特征为27×27×256,然后进行ReLU激活层2处理,输出特征
    为27×27×256,经过池化层2进行最大池化3×3的核,步长为2,得到[(27-3)/2]+1=13个
    特征,总的特征数为13×13×256,然后进行正则化处理,用于求和的通道数为5,最后得到
    13×13×256数据;
    第三层:输入数据13×13×256,填充值是1,384个过滤器,窗口大小为3×3,得到[(13-
    3+1×2)/1]+1=13个特征,输出特征为13×13×384,然后进行ReLU激活层3处理,最后得到
    13×13×384数据;
    第四层:输入数据13×13×384,填充值是1,384个过滤器,窗口大小为3×3,得到[(13-
    3+2×1)/1]+1=13个特征,输出特征为13×13×384,然后进行ReLU激活层4处理,最后得到
    13×13×384数据;
    第五层:输入数据13×13×384,填充值是1,256个过滤器,窗口大小为3×3,得到[(13-
    3+2×1)/1]+1=13个特征,输出特征为13×13×256,然后进行ReLU激活层5处理,输出特征
    为13×13×256,经过池化层5进行最大池化3×3的核,步长为2,得到[(13-3)/2]+1=6个特
    征,总的特征数为6×6×256,最后得到6×6×256数据;
    第六层:输入数据6×6×256,全连接,得到4096个特征,然后进行ReLU激活层6处理,输
    出特征为4096,经过dropout6处理,最后得到4096数据;
    第七层:输入数据4096,全连接,得到4096个特征,然后进行ReLU激活层7处理,输出特
    征为4096,经过dropout7处理,最后得到4096数据;
    第八层:输入数据4096,全连接,得到1000个特征数据。
    3.如权利要求1所述的新型的基于深度卷积神经网络的预防肺癌自助健康云服务系
    统,其特征在于:所述的卷积神经网络,其学习过程是一个前向传播过程,上一层的输出即
    为当前层的输入,并通过激活函数逐层传递,因此整个网络的实际计算输出用公式(1)表
    示,
    Op=Fn(…(F2(F1(XW1)W2)…)Wn) (1)
    式中,X表示原始输入,Fl表示第l层的激活函数,Wl表示第l层的映射权值矩阵,Op表示
    整个网络的实际计算输出;
    当前层的输出用(2)表示,
    Xl=fl(WlXl-1+bl) (2)
    式中,l代表网络层数,Xl表示当前层的输出,Xl-1表示上一层的输出,即当前层的输入,
    Wl代表已经训练好的、当前网络层的映射权值矩阵,bl为当前网络的加性偏执,fl是当前网
    络层的激活函数;采用的激活函数fl为纠正线性单元,即ReLU,用公式(3)表示,
    <mrow> <msup> <mi>f</mi> <mi>l</mi> </msup> <mo>=</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <msup> <mrow> <mo>(</mo> <msup> <mi>W</mi> <mi>l</mi> </msup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mi>X</mi> <mi>l</mi> </msup> <mo>,</mo> <mn>0</mn> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msup> <mrow> <mo>(</mo> <msup> <mi>W</mi> <mi>l</mi> </msup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mi>X</mi> <mi>l</mi> </msup> </mrow> </mtd> <mtd> <mrow> <msup> <mrow> <mo>(</mo> <msup> <mi>W</mi> <mi>l</mi> </msup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mi>X</mi> <mi>l</mi> </msup> <mo>&gt;</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <msup> <mrow> <mo>(</mo> <msup> <mi>W</mi> <mi>l</mi> </msup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mi>X</mi> <mi>l</mi> </msup> <mo>&le;</mo> <mn>0</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
    式中,l代表网络层数,Wl代表已经训练好的、当前网络层的映射权值矩阵,fl是当前网
    络层的激活函数;其作用是如果卷积计算结果小于0,则让其为0;否则保持其值不变。
    4.如权利要求1所述的基于深度卷积神经网络的预防肺癌自助健康云服务系统,其特
    征在于:所述的卷积神经网络,对所述的卷积神经网络训练是一个反向传播过程,通过误差
    函数反向传播,利用随机梯度下降法对卷积参数和偏置进行优化调整,直到网络收敛或者
    达到最大迭代次数停止;
    反向传播需要通过对带有标签的训练样本进行比较,采用平方误差代价函数,对于c个
    类别,N个训练样本的多类别进行识别,网络最终输出误差函数用公式(4)来计算误差,
    <mrow> <msup> <mi>E</mi> <mi>N</mi> </msup> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>n</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>c</mi> </munderover> <msup> <mrow> <mo>(</mo> <msubsup> <mi>t</mi> <mi>k</mi> <mi>n</mi> </msubsup> <mo>-</mo> <msubsup> <mi>y</mi> <mi>k</mi> <mi>n</mi> </msubsup> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
    式中,EN为平方误差代价函数,为第n个样本对应标签的第k维,为第n个样本对应网
    络预测的第k个输出;
    对误差函数进行反向传播时,采用传统的BP算法类似的计算方法,如公式(5)所示,
    <mrow> <mtable> <mtr> <mtd> <mrow> <msup> <mi>&delta;</mi> <mi>l</mi> </msup> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msup> <mi>W</mi> <mrow> <mi>l</mi> <mo>+</mo> <mn>1</mn> </mrow> </msup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mi>&delta;</mi> <mrow> <mi>l</mi> <mo>+</mo> <mn>1</mn> </mrow> </msup> <mo>&times;</mo> <msup> <mi>f</mi> <mo>&prime;</mo> </msup> <mrow> <mo>(</mo> <msup> <mi>u</mi> <mi>l</mi> </msup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msup> <mi>u</mi> <mi>l</mi> </msup> <mo>=</mo> <msup> <mi>W</mi> <mi>l</mi> </msup> <msup> <mi>x</mi> <mrow> <mi>l</mi> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>+</mo> <msup> <mi>b</mi> <mi>l</mi> </msup> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
    式中,δl代表当前层的误差函数,δl+1代表上一层的误差函数,Wl+1为上一层映射矩阵,f'
    表示激活函数的反函数,即上采样,ul表示未通过激活函数的上一层的输出,xl-1表示下一
    层的输入,Wl为本层映射权值矩阵。
    5.如权利要求1所述的基于深度卷积神经网络的预防肺癌自助健康云服务系统,其特
    征在于:在所述的全卷积神经网络中,将肺部对象进行定位和分割算法分为从大到小再从
    小到大的两个过程;从大到小是由所述的卷积神经网络中的下采样层作用所致,而从小到
    大需要由上采样层来实现;在上采样过程中,采用分阶段增大的方法,并且在上采样的每个
    阶段,使用下采样对应层的特征进行辅助;所述的辅助就是采用跳层上采样融合的方法,在
    浅层处减小上采样的步长,得到的细层和高层得到的粗层做融合,然后再上采样得到输出;
    这种跳层上采样融合的方法兼顾了局部和全局信息,实现比较精准的肺部分割。
    6.如权利要求1所述的基于深度卷积神经网络的预防肺癌自助健康云服务系统,其特
    征在于:所述的深度卷积神经网络是在所述的卷积神经网络的第八层的全连接层后连接了
    一个Softmax分类器,用于依据疑似肺癌类型进行分类识别;
    所述的Softmax分类器,将深度神经网络中的学习结果作为softmax分类器的输入数
    据;Softmax回归是面向多类分类问题的Logistic回归;
    对于训练集{(x(1),y(1),…,x(m),y(m))},有y(1)∈{1,2,…,k},对于给定的样本输入x,输
    出一个k维的向量来表示每一种分类结果出现的概率为p(y=i|x),假设函数h(x)如下:
    <mrow> <msub> <mi>h</mi> <mi>&theta;</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <mi>p</mi> <mrow> <mo>(</mo> <mrow> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mn>1</mn> <mo>|</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>,</mo> <mi>&theta;</mi> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>p</mi> <mrow> <mo>(</mo> <mrow> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mn>1</mn> <mo>|</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>,</mo> <mi>&theta;</mi> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mtable> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>p</mi> <mrow> <mo>(</mo> <mrow> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mi>k</mi> <mo>|</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>,</mo> <mi>&theta;</mi> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msubsup> <mi>&Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </msubsup> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&theta;</mi> <mi>j</mi> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> </mrow> </mfrac> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&theta;</mi> <mn>1</mn> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> </mtd> </mtr> <mtr> <mtd> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&theta;</mi> <mn>2</mn> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> </mtd> </mtr> <mtr> <mtd> <mtable> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&theta;</mi> <mi>k</mi> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> </mrow>
    θ1,θ2,…θk是模型的参数,并且所有的概率和为1;加入规则项后的代价函数为:
    <mrow> <mi>J</mi> <mrow> <mo>(</mo> <mi>&theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mfrac> <mn>1</mn> <mi>m</mi> </mfrac> <mo>&lsqb;</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <mn>1</mn> <mo>{</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mi>j</mi> <mo>}</mo> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mfrac> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&theta;</mi> <mi>j</mi> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> <mrow> <msubsup> <mi>&Sigma;</mi> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </msubsup> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&theta;</mi> <mi>l</mi> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> </mrow> </mfrac> <mo>&rsqb;</mo> <mo>+</mo> <mfrac> <mi>&lambda;</mi> <mn>2</mn> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>n</mi> </munderover> <msubsup> <mi>&theta;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mn>2</mn> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>
    代价函数对第j个类别的第l个参数的偏导数为:
    <mrow> <msub> <mo>&dtri;</mo> <msub> <mi>&theta;</mi> <mi>j</mi> </msub> </msub> <mi>J</mi> <mrow> <mo>(</mo> <mi>&theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mfrac> <mn>1</mn> <mi>m</mi> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <mo>&lsqb;</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mrow> <mn>1</mn> <mo>{</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mi>j</mi> <mo>}</mo> <mo>-</mo> <mi>p</mi> <mrow> <mo>(</mo> <mrow> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mi>j</mi> <mo>|</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>;</mo> <mi>&theta;</mi> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>}</mo> <mo>&rsqb;</mo> <mo>+</mo> <msub> <mi>&lambda;&theta;</mi> <mi>j</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> </mrow>
    式中,j为类别数,m为训练集的类别数,p(y(i)=j|x(i);θ))}为x分为类别j的概率,λ为
    规则项参数,也称为权重衰减项,该规则项参数主要是防止过拟合的;
    最后,通过最小化J(θ),实现softmax的分类回归,将分类回归结果保存到特征库中;
    在依据疑似肺癌类型对被检肺部对象图像识别分类时,将提取到的输入数据特征与学
    习训练得到肺癌类型特征库中的数据进行比对,计算出每一个分类结果的概率,然后取概
    率最高的前5个结果进行输出,并标出疑似肺癌的位置、类型及概率,以提高影像学临床诊
    断效率。
    7.如权利要求1所述的基于深度卷积神经网络的预防肺癌自助健康云服务系统,其特
    征在于:所述的预防肺癌自助健康云服务系统根据用户发送过来的胸部X光片或者CT影像
    图像,采用基于全卷积神经网络的从CT影像图像中肺部区域的分割方法对CT影像图像进行
    肺部对象的分割,得到分割后的肺部图像;然后根据疑似肺癌类型分类规范用深度卷积神
    经网络对分割后的肺部图像进行识别分类;如果该用户有历史胸部X光片或者CT影像图像,
    就再与该用户的历史胸部X光片或者CT影像图像进行比对,对比其不同点;如果该用户有病
    理学专家临床诊断报告,就结合这些信息进行综合分析,提出诊断和治疗建议,自动生成自
    助健康检测结果报告,然后将健康检测结果报告递交给资深放射科医生进行确认,最后将
    健康检测结果报告信息反馈给用户;
    所述的预防肺癌自助健康云服务系统还包括用户传输胸部X光片或者CT影像图像给健
    康云服务平台或从云服务平台接受健康检测结果报告的用户端。
    8.如权利要求1所述的基于深度卷积神经网络的预防肺癌自助健康云服务系统,其特
    征在于:所述的肺部病灶诊断分类的深度卷积神经网络,为解决肺结节与肺血管在二维层
    片上灰度级相似而难以区分的问题,首先在所有CT图像上标示出疑似肺结节或者肺血管的
    位置,然后通过不同CT截面图像来排除肺血管;排除肺血管的算法思想是:肺血管在两个或
    者多个相邻层的CT截面图像基本上都是在相同位置上,如果在两个或者多个相邻层的CT截
    面图像的相同位置上出现类圆形区域就判断为肺血管,否则初步判定为疑似肺结节,即孤
    立性结节;当然这种检测精度是与CT图像的扫描精度相关,如果CT图像的扫描步长设置为
    2mm,那么理论上能检测出直径为3mm左右的肺结节,一个病例检查会产生140层左右的二维
    CT影像。
    9.如权利要求1或7或8所述的基于深度卷积神经网络的预防肺癌自助健康云服务系
    统,其特征在于:所述的深度卷积神经网络中的疑似肺癌类型图像特征数据集,包括了各种
    疑似肺癌类型图像数据,在这些疑似肺癌类型图像中既包括了疑似肺癌类型的某个特征,
    又包括了疑似肺癌类型的二个和二个以上特征的组合;
    为了得到比较精准的疑似肺癌类型识别精度,要求每种类别、包括具有组合特征的类
    别的疑似肺癌类型特征图像至少在3000个以上,可采用数据增强变换技术来增加输入数据
    的量;
    具体采用如下几种胸部X光片或者CT图像数据增强变换技术:①旋转|反射变换:随机
    旋转图像一定角度,改变图像内容的朝向;②翻转变换:沿着水平或者垂直方向翻转图像;
    ③缩放变换:按照一定的比例放大或者缩小图像;④平移变换:在图像平面上对图像以一定
    方式进行平移;⑤可以采用随机或人为定义的方式指定平移范围和平移步长,沿水平或竖
    直方向进行平移,改变图像内容的位置;⑥尺度变换:对图像按照指定的尺度因子,进行放
    大或缩??;或者参照SIFT特征提取思想,利用指定的尺度因子对图像滤波构造尺度空间;改
    变图像内容的大小或模糊程度;⑦对比度变换:在图像的HSV颜色空间,改变饱和度S和V亮
    度分量,保持色调H不变;对每个像素的S和V分量进行指数运算,指数因子在0.25到4之间,
    增加光照变化;⑧噪声扰动:对图像的每个像素RGB进行随机扰动;常用的噪声模式是椒盐
    噪声和高斯噪声;⑨颜色变换:在训练集像素值的RGB颜色空间进行PCA,得到RGB空间的3个
    主方向向量,3个特征值,p1,p2,p3,λ1,λ2,λ3;每幅图像的每个像素Ixy=[IRxy,IGxy,
    IBxy]T进行加上如下的变化:[p1,p2,p3][α1λ1,α2λ2,α3λ3]T。
    10.如权利要求1所述的基于深度卷积神经网络的预防肺癌自助健康云服务系统,其特
    征在于:用户端将胸部X光片或者CT图像通过移动端发送给健康云服务平台;对于一些用户
    没有胸部X光片或者CT数字图像时,用户用手机或者其他移动设备拍摄来获取胸部X光片或
    者CT数字图像,首先用户先将电脑屏幕打开空白的word或者PPT,全屏显示后,将片子放置
    在电脑屏幕前,然后打开智能手机上的相机软件;在影像片拍照时,要看清上面的汉字或英
    文字母,字的方向通常就是片子的正确方向,要放正位置拍照;然后在手机或数码相机上进
    行预览,质量好的标准是能够清晰地看见英文字母;如果显示模糊,说明拍照时手抖动了或
    没有正确对焦,需要删除重拍;最后将胸部X光片或者CT图像通过用户端发送给健康云服务
    平台。

    说明书

    一种基于深度卷积神经网络的预防肺癌自助健康云服务系统

    技术领域

    本发明涉及医学影像诊断、移动互联网、数据库管理、计算机视觉、图像处理、模式
    识别、深度神经网络和深度学习等技术在自助式健康保健领域的应用,尤其涉及一种基于
    深度卷积神经网络的肺癌早期发现和早期诊断的自助健康云服务系统。

    背景技术

    肺癌是当今世界各国最常见的恶性肿瘤,其死亡率居于各种肿瘤的首位,对人类
    健康和生命构成极大威胁。在我国,肺癌每年约致50万例患者死亡,占整个癌症病例的
    28%,而肺癌病人的5年存活率只有14%。然而,研究显示I期肺癌术后10年生存率可达到
    92%。因此,降低肺癌患者死亡率的关键在于早期诊断和早期治疗,早期肺癌的肺结节检测
    成为关键,配合适当的治疗,病人的存活率可以提高到50%。

    肺癌是指肺的恶性上皮性肿瘤,它起源于支气管上皮、支气管粘液腺、细支气管上
    皮及肺泡上皮等,可分为原发性肺癌和转移性肺癌。

    原发性肺癌是肺内的癌肿为原发性,由于肺的各级组织发生了异常增长,产生癌
    变。

    转移性肺癌是由于原发于其他器官系统的癌肿经过直接浸润蔓延或气道种植或
    淋巴管或血管等途径转移至肺并继续增殖生长,形成与原发肿瘤同样性质的癌肿。

    肺癌根据发生部位分为3型:中央型、周围型及弥漫型。肿瘤根据形态分为6型:中
    央管内型、中央管壁型、中央管外型、周围肿块型、周围肺炎型以及弥漫型。

    从病理学上分,肺癌又被分为:小细胞癌和非小细胞癌。非小细胞癌又可细分为:
    大细胞癌、腺癌、鳞癌和腺鳞癌。这些不同类型或类别的病变影像学表现各不相同。不仅如
    此,即使是同一类别的病变,其病理变化也是千差万别,它们在病变的部位,大小,形态等方
    面也各不相同,因而疾病的影像学表现非常复杂,这也是目前病变检测研究多针对单一病
    变的原因。然而,要尽可能提高计算机辅助诊断的智能化水平,就需要一种能够自动检测多
    种不同类型病变、相对通用的病变检测算法。

    图20所示的是目前筛查诊断肺癌5种基本的方法,X光胸片是首选筛查手段,其次
    就是CT、MIR和PET。CT被认为是检测肺结节的最佳方法——“金标准”。然而,因为经济、方便
    和放射剂量适中等原因,X光胸片更常用,事实上,几乎所有的早期肺癌都是通过胸片发现
    的,但对放射科医生来说,基于胸片发现早期肺癌是一件很困难的任务。当今公认的世界上
    最为普及的、经济的和传统的肺癌诊断方法是通过胸部X-光射线图像(主要是用CR/DR技术
    所产生的数字化的X-光射线图像)来诊断早期肺癌。目前在经济比较发达地区,在健康普查
    时都进行胸部X光技术来检查是否有肺部疾病。然而对大量普查胸部图片进行诊断,对于放
    射科医生来说是一项艰巨任务。

    这是因为这些检查只能够提供最直观的图像,受限于检查的直接显示效果和影像
    医师的自身水平以及其经验,人眼分辨能力以及人为疏忽等原因,没能够将影像图片所包
    含的更多信息充分的利用起来,如作为判断癌症的小病灶/小结节,影像医生用传统的读片
    方式通?;崧┒?0%~55%,这个现象在健康普查中尤为突出。另一方面,由于X光胸片上
    会有人体器官前后结构的重叠,这也给影像医生在诊断上带来了很大的困难。

    肺结节被认为是肺癌的早期病变,而CT被认为是检测肺结节的最佳方法,目前CT
    检查对于肺癌的诊断是最佳的检查手段:CT是横断面检查,完全消除了前后结构的重叠,可
    发现体层及胸片不能看到的病变;通过薄层高分辨力及局部放大扫描可清晰显示肺内肿块
    的细节;增强扫描可通过肿块CT值的变化提供诊断信息。

    肺癌早期多以孤立性肺结节(Solitary Pulmonary Nodule,SPN)的形式出现,尔
    后才演变为多发性的。孤立性肺结节通常是指直径小于或等于3cm、圆形或类圆形的肺内病
    灶,无肺不张、卫星灶亦无局部淋巴结肿大,也有学者将直径小于4cm的单个肺内类圆形病
    灶统称为SPN。SPN在临床上并不少见,但患者通常没有临床症状,多数为体检时被影像学检
    查偶然发现,对于SPN的定性诊断和鉴别诊断一直是临床关注的焦点。

    由于肺部结构复杂,肺结节本身形状、大小各不相同,并且肺结节的CT值与肺部某
    些组织较为相似,因此仅凭肉眼判断有很大的难度。同时,胸部CT扫描会产生大量影像数
    据,特别在肺癌早期筛检阶段,结节通常处于比较小的状态(直径小于1cm),因此要求CT扫
    描过程中层厚数值设定不能太大,以层厚2mm的胸部CT图像为例,平均每例病例会产生140
    层左右的二维影像,大量的图像数据给放射科医生阅片带来了巨大的工作量,容易造成疲
    劳引起的主观误诊,使得漏诊和误诊的几率增加。

    由于肺癌疾病种类的多样性,病理组织变化的复杂性,在没有经过病理学确诊之
    前,临床上判断方法主要是依据专家经验,带有很大主观性,导致同一个放射科医生在不同
    的时期或不同的放射科医生对同一CT影像的阅片结果经常存在不一致。同时由于肺癌的异
    质性,同一治疗手段的治疗效果往往是南辕北辙。因此,在肺癌的临床研究和临床处理中,
    重要的一环是对肺癌进行正确的分类与分期研究。随着计算机技术、图像处理技术、机器学
    习等理论的发展,计算机辅助诊断发挥了重要作用。

    CT检查被认为是筛查和早期诊断肺癌类型的有效工具。目前国内外开展了很多有
    关肺癌的计算机辅助诊断方面的研究,目的在于帮助医生检测CT图像中的原发性肿瘤或对
    肺结节进行良恶性的智能检测与识别。

    研究表明两位放射科医师对同一病例进行诊断可以明显提高诊断的准确率。为缓
    解放射科医师的工作强度以及提高临床诊断的准确性,特别是降低真阳性病例误诊的概
    率,计算机辅助诊断开始被广泛应用于临床诊断中。

    目前,医学影像学中的计算机辅助诊断技术通??梢苑治啵?1)图像分割处
    理。图像处理的是让计算机易于识别可能存在的病变,让计算机从复杂的解剖背景中将病
    变及可疑结构识别出来。如肺癌图像,需要先分割出肺部部位;然后针对各种病变运用不同
    的图像处理方法,基本原则是图像增强与过滤将可疑病变从正常解剖背景中分离、显示出
    来;(2)特征描述与图像分析。对图像中感兴趣的目标进行检测和测量(特征提取),它是一
    个从图像到数据的过程。最为典型的就是运用计算机视觉进行辅助检测(Computer Aided
    Detection)。当进行诊断工作时,计算机视觉提取出感兴趣区域(Range Of Interest,
    ROI),提醒要特别注意这些区域的细微改变。而对于感兴趣区域的性质的识别,还是需要人
    工判断,这样可以减轻放射科医生的工作强度;(3)图像理解。研究图像中各目标的性质和
    相互关系、理解图像含义。它是一个从图像到高级描述、识别的过程,这就是计算机人工智
    能的高级阶段-计算机辅助诊断。这个阶段计算机收集大量同病种、同部位的影像学信息建
    立“知识库”。利用机器学习技术针对“知识库”进行训练,使计算机“学会”根据以往的“经
    验”对当前的影像病变做出诊断建议。这些医学影像学中的计算机辅助诊断技术属于前深
    度学习时代的计算机视觉技术。

    放射科医生需要一种高级的辅助技术将各种检查信息综合起来,X射线图像经处
    理后,对肿瘤、结节、空洞、炎症,以及纤维化等病变都能提高检出率。这种计算机辅助诊断
    技术(CAD技术)可识别出人眼所不能识别的诊断信息,可作为医生的第二双眼睛,使疑似肺
    癌病灶的漏诊率下降了60%以上,在肺癌的早期诊断过程中起着越来越重要的作用。总之,
    目前预防与治疗肺癌的关键还是在于“早发现、早诊断,早治疗”。

    中国发明专利申请号为201510130828.3公开了一种计算机辅助诊断技术(CAD)检
    测放射图像发现病灶的方法和系统是一种使用计算机辅助诊断技术用于检测和显示(标
    示)一系列疾病的方法和系统,其中包括检测肺癌肿瘤和钙化灶和/或数字X射线照片上的
    肿块。对于数字X射线图像会自动由计算机辅助诊断系统(CAD)在不同的阶段进行处理从而
    产生各种中间结果。原始图像也同时会发送给操作人员进行分析以做出人工诊断。来自于
    计算机辅助诊断系统的各处理阶段的中间结果会被最优地与人工诊断结果进行对照从而
    产生较优结果。

    中国发明专利申请号为201110453048.4公开了一种基于虚拟软组织图像的计算
    机辅助检测早期肺癌结节的方法,包括:通过虚拟双能量技术获取基于胸片的肺区软组织
    的图像;通过灰度形态学,将所述肺区软组织图像转化为第一结节增强图像和线性结构增
    强图像;通过对比,将所述第一结节增强图像中包含的线性结构增强图案去除,生成第二结
    节增强图像;通过统计方法,将所述第二结节增强图像转换为结节可能性图像;从所述结节
    可能性图像中获取可疑节点,并从可疑结节中识别出真实结节并标识。

    中国发明专利申请号为201610038042.3公开了一种基于LBP和小波矩融合特征的
    肺癌图像精细分类方法,该方法包括以下步骤:步骤一、对输入图像进行病灶定位。步骤二、
    病灶部位随机生成大量模板。步骤三、输入图像进行不同尺度缩放,分别对图像块与模板块
    进行纹理特征MB-LBP与形状特征小波矩的提取,通过实验调整权重参数融合两种特征。步
    骤四、图像不同位置匹配,得到特征响应图。步骤五、使用改进的均值空间金字塔模型将响
    应图转化成特征向量。步骤六、利用支持向量机实现精细分类。本发明提出的算法,是精细
    分类思想在医学领域的尝试,减少冗余模板的产生;LBP纹理特征与小波矩特征的融合良好
    的表示肺癌图像信息;金字塔模型抽取特征保留了有力的特征,提高识别精度。

    上述几项发明所公开的医学影像学中的计算机辅助诊断技术属于前深度学习时
    代的计算机视觉技术,在肺癌病理学图像的特征描述、特征提取以及识别分类方面需要人
    工方式来实现,虽然对减轻放射科医生的工作强度有一定的帮助。

    目前己有的肺癌病理细胞图像识别工作都是基于错误分类代价相同的假设。然而
    在实际医疗应用中,这一假设却面临问题,将癌症图像错分为正常图像往往比将正常图像
    错分为癌症图像严重许多,因为治疗癌症的关键在于早期发现和早期治疗,而前者将意味
    着病人可能失去最佳的治疗机会,甚至有可能带来生命危险;而对于后者而言,通过治疗设
    备检测出的癌症图像无论如何都将由具有丰富经验的病理学家进行必要的确诊,而这不会
    花费医生很多时间。进一步,以往的方法都是需要医生对大量图像标记其类别来学习分类
    器,然而当训练图像数据量有限时候,如何利用大量没有医生标记的图像样本来提高分类
    器性能也是需要解决的问题。

    目前己有的肺癌病理细胞图像识别工作大多数在癌症类型分类上效果并不理想。
    主要原因是往方法将从不同模态(颜色、形状、纹理)提取特征作为单一模态进行考虑,忽略
    了模态之间的互补性。根据深度学习中的理论研究结果,合理利用多模态数据之间的关系
    将会有利于提高分类器的泛化性能,对于肺癌辅助诊断具有重要的应用意义。

    自助健康的目的是让更多国民了解并参与自助健康检测、评估、指导,进而提高国
    民的健康意识,增加自我健康管理能力。自助健康检测设备最好是要简单易行,民众容易掌
    握的设备,要充分鼓励和提高自我管理的参与能力。

    自助健康检测不是一般意义上的健康检测,是肩负着具有一定公共卫生职能的自
    助健康检测,是卫生部门根据控制慢性病,解决人们的不良生活方式提出来的,是将传统的
    医生管理病人模式转变成医患结合、病人自助和主动参与的新的管理模式。在内容上就不
    仅仅是“体检”这样简单了,还应包括慢病干预,疾病指导。

    国民随时通过手机等通信设备查阅这个平台相关的健康知识、危险因素评估、健
    康自诊和获得“健康处方”,形成了一套以“医患合作、人机互动、健康自理”为核心内容的行
    为干预服务模式。随着移动互联网技术的发展和智能手机的普及,基于移动互联网的自助
    健康云服务行业将在这个背景下诞生与发展。

    管理科学和行为医学的发展也为健康管理学的出现提供了理论和实践基础。移动
    互联网的出现和信息产业的兴起为健康管理学的起飞安上了翅膀。健康管理作为一门新兴
    学科对我国的健康资源管理和可持续发展将起到不可替代的作用。

    作为基于移动互联网的自助健康云服务,首先是具有健康精准营销的意义。将其
    作为一种医疗增值服务,看重的是背后的用户数据;用户可以用自己的手机拍摄胸部X光片
    图像或者CT影像,发送给自助健康云服务平台,健康云服务平台根据用户不同的健康评估
    结果,推送不同产品,包括各种的快速诊所服务;然后,具有健康服务入口的意义。而对于药
    房或者药品生产厂商,早期肺癌自诊自测和健康评估结果可以成为药品和后续服务的入
    口;最后,是让用户通过健康云服务平台实现各种互动。正因为自测用户大都是有健康风
    险,如保险公司将自测作为和用户互动的前端,保险公司根据用户的测评情况,为其推荐健
    康管理等服务;最重要的是通过健康云服务平台可以建立医患合作的信任基础,即实现一
    种自助式的智能导医,推动移动医疗产业的发展和应用。

    自助健康=①网上的计算机辅助诊断服务(包括健康指导)+②专家临床诊断门诊
    治疗服务+③自助和主动参与;自助健康云服务平台将整合上述三个内容;

    深度学习是一种目的在于建立、模拟人脑进行分析学习的深度网络,它模仿人脑
    的机制来解释图像数据,为网上的计算机辅助诊断服务奠定了坚实的技术基础。

    深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数
    据的分布式特征表示。它显著的优点是可抽象出高级特征,构建出复杂高性能的模型。鉴于
    深度学习这些优点是非常适合于肺癌早期特征的描述和提取的。

    卷积神经网络,即CNN,是深度学习算法的一种,是专门处理图像领域中的模式识
    别,同时也是目前图像模式识别中成果最惊人的算法。卷积神经网络算法的好处在于训练
    模型的时候不需要使用任何人工特征,算法可以自动探索图像所隐含的特征,可以作为一
    种十分理想的胸部X光片或者CT影像的辅助诊断技术。

    随着社会各方面的进步,人们生活水平的提高,大家也越来越关注越发突出的亚
    健康问题和自身保健问题,愿意为个人健康投资,更希望能简单地从肺癌筛查从而了解身
    体的健康状态;另一方面,信息科学技术的飞速发展,移动互联网、深度学习、计算机视觉等
    技术的成熟与发展,基于深度卷积神经网络的预防肺癌自助健康云服务系统的建设具有十
    分重要的社会意义和应用价值。

    综上所述,采用基于深度学习的卷积神经网络进行肺癌早期诊断,目前尚存在着
    如下若干个棘手的问题:1)如何从复杂的背景中准确分割出肺部的整体图像;2)如何尽可
    能采用极少的标签肺癌图像数据来准确获得肺癌的各种特征数据;3)如何构建一个高度自
    动化的预防肺癌自助健康云服务系统;4)如何通过深度学习和网络训练来自动获取肺癌特
    征数据;5)如何使得用户方便地利用移动互联网和智能手机实现自身保健,实现肺癌的早
    发现、早诊断及早治疗;6)如何为用户提供更为精准、更为方便、更为廉价、更为有效的健康
    云服务。

    发明内容

    为了克服已有的基于计算机视觉的胸部X光片或者CT影像辅助诊断技术中的自动
    化和智能化水平低、缺乏深度学习、难以描述肺癌特征数据、难以用最简单的方式实现早期
    肺癌发现、难以为用户提供更为方便廉价精准专业的健康云服务等不足,本发明提供一种
    基于深度卷积神经网络的预防肺癌自助云服务平台,能有效提高基于移动互联网胸部X光
    片或者CT影像辅助诊断的自动化和智能化水平、能让更多国民了解并参与自助健康检测、
    评估、指导,进而提高民众的健康意识,增加自我健康管理能力,实现肺癌的早发现、早诊断
    及早治疗。

    健康管理服务的特点是标准化、量化、个体化和系统化。健康管理的具体服务内容
    和工作流程必须依据循证医学和循证公共卫生的标准和学术界已经公认的预防和控制指
    南及规范等来确定和实施。

    受检者就诊后就会有胸部X线片或者CT影像图像及检查报告,影像医生用传统的
    读片方式通?;崧┒?0%~55%,由于计算机辅助诊断技术可识别出人眼所不能识别的诊
    断信息,可作为放射科医生的第二双眼睛,使疑似肺癌病灶的漏诊率下降60%以上。受检者
    可以访问预防肺癌自助健康云服务系统来获取自助健康的服务。

    预防肺癌自助健康云服务系统的使用及准备工作:用手机或者其他移动设备拍摄
    获取胸部X光片或者CT影像图像时,用户先将电脑屏幕打开空白的word或者PPT,全屏显示
    后,将片子放置在电脑屏幕前,然后打开智能手机上的相机软件;在影像片拍照时,要看清
    上面的汉字或英文字母,字的方向通常就是片子的正确方向,要放正位置拍照;然后在手机
    或数码相机上进行预览,质量好的标准是能够清晰地看见英文字母;如果显示模糊,说明拍
    照时手抖动了或没有正确对焦,需要删除重拍;最后将胸部X光片或者CT影像图像通过手机
    上的微信或者彩信或者QQ发送给健康云服务平台;

    肺部CT图像中,肺血管、支气管和肺结节在灰度级分布上非常相似,因此使得临床
    上对于肺结节的判断容易产生误诊或漏诊,即将肺血管或支气管等组织误判成肺结节而造
    成误诊,或者将肺结节误判成肺血管等其他正常组织而不加以提示处理造成漏诊。在临床
    上,误诊和漏诊的代价是巨大的,误诊往往导致不必要的组织活检或者错误的治疗方案,给
    患者带来身体和精神双重伤害,而漏诊则使得疾病得不到应有的处理和治疗,贻误治疗时
    机而导致不可预测的后果。实际上,肺血管、支气管以及肺结节在空间形态上是不同的,肺
    血管和支气管等往往呈现出管状结构,通过人体解剖学可知肺内血管和气管按照连通性可
    以构造出完整的血管树、气管树,而肺结节在空间中大多呈类似于球体或者边缘带有毛刺
    征的类球体结构,这就使得使用计算机来对肺部CT图像中肺结节进行识别成为可能。

    本发明要实现上述发明内容,必须要解决几个核心问题:(1)设计一种基于深度卷
    积神经网络的CT影像图像的肺部分割方法;(2)研发一种深度学习方法,实现基于深度卷积
    神经网络对各种肺癌特征,如肺部内球体结构的肺结节自动描述和特征提??;(3)设计一种
    用于肺部病灶识别分类的深度卷积神经网络方法,形成一种实用的给肺部病灶作完整的分
    类和评估及肺癌自动识别和辅助诊断技术;(4)实现一个真正意义上的基于深度卷积神经
    网络的预防肺癌自助云服务平台的框架。

    本发明解决其技术问题所采用的技术方案是:

    一种基于深度卷积神经网络的预防肺癌自助健康云服务系统,包括用于深度学习
    和训练识别的卷积神经网络、基于全卷积神经网络的从CT影像图像中肺部区域的分割模
    板、用于肺部病灶诊断分类的深度卷积神经网络和用于根据所识别的疑似肺癌类型进行早
    期预防和治疗的健康云服务平台;

    所述的卷积神经网络,共分为八层,由卷积层、激活层和下采样层交替构成的深度
    结构;输入图像在网络中进行层层映射,得到各层对于图像不同的表示形式,实现图像的深
    度表示;

    所述的基于全卷积神经网络的从CT影像图像中肺部区域的分割???,采用全卷积
    神经网络,就是将所述的卷积神经网络改为全卷积神经网络,在所述的卷积神经网络的全
    连接层改为反卷积层,这样输入一幅图像后直接在输出端得到密集预测,也就是每个像素
    所属的类,从而得到一个端对端的方法来实现肺部对象图像语义分割;

    所述的深度卷积神经网络是在所述的卷积神经网络的第八层的全连接层后连接
    了一个Softmax分类器,用于对疑似肺癌类型进行分类识别;

    所述的健康云服务平台,主要包括了接收和读取用户发送过来的胸部X光片或者
    CT影像图像的图像读取???,以用户访问平台的装备的用户名或号码为文件夹名的文件夹
    生成???,基于深度卷积神经网络对分割后的肺部区域图像进行分类的疑似肺癌类型分类
    ???,存放有以疑似肺癌类型为索引的生成健康咨询文件的早期预防和治疗的健康文件生
    成???,用于将用户的健康咨询文件反馈给访问用户的文件自动传输???,用于将早期预
    防和治疗的健康文件提供给用户到所述的健康云服务平台的网站上下载的下载服务???。

    所述的卷积神经网络,共分为八层,卷积神经网络是由卷积层、激活层和下采样层
    交替构成的深度结构;

    第一层:输入图像数据为224×224像素图像,填充值是3,输出数据227×227×3;
    然后经过96个过滤器、窗口大小为11×11、步长为4的卷积层1处理,得到[(227-11)/4]+1=
    55个特征,以后的层就分为两组处理,输出特征为55×55×96,然后进行ReLU激活层1处理,
    输出特征为55×55×96,经过池化层1进行最大池化3×3的核,步长为2,得到[(55-3+1)/2]
    +1=27个特征,总的特征数为27×27×96,然后进行正则化处理,用于求和的通道数为5,最
    后得到27×27×96数据;

    第二层:输入数据27×27×96,填充值是2,256个过滤器,窗口大小为5×5,得到
    [(27-5+2×2)/1]+1=27个特征,输出特征为27×27×256,然后进行ReLU激活层2处理,输
    出特征为27×27×256,经过池化层2进行最大池化3×3的核,步长为2,得到[(27-3)/2]+1
    =13个特征,总的特征数为13×13×256,然后进行正则化处理,用于求和的通道数为5,最
    后得到13×13×256数据;

    第三层:输入数据13×13×256,填充值是1,384个过滤器,窗口大小为3×3,得到
    [(13-3+1×2)/1]+1=13个特征,输出特征为13×13×384,然后进行ReLU激活层3处理,最
    后得到13×13×384数据;

    第四层:输入数据13×13×384,填充值是1,384个过滤器,窗口大小为3×3,得到
    [(13-3+2×1)/1]+1=13个特征,输出特征为13×13×384,然后进行ReLU激活层4处理,最
    后得到13×13×384数据;

    第五层:输入数据13×13×384,填充值是1,256个过滤器,窗口大小为3×3,得到
    [(13-3+2×1)/1]+1=13个特征,输出特征为13×13×256,然后进行ReLU激活层5处理,输
    出特征为13×13×256,经过池化层5进行最大池化3×3的核,步长为2,得到[(13-3)/2]+1
    =6个特征,总的特征数为6×6×256,最后得到6×6×256数据;

    第六层:输入数据6×6×256,全连接,得到4096个特征,然后进行ReLU激活层6处
    理,输出特征为4096,经过dropout6处理,最后得到4096数据;

    第七层:输入数据4096,全连接,得到4096个特征,然后进行ReLU激活层7处理,输
    出特征为4096,经过dropout7处理,最后得到4096数据;

    第八层:输入数据4096,全连接,得到1000个特征数据。

    所述的卷积神经网络,其学习过程是一个前向传播过程,上一层的输出即为当前
    层的输入,并通过激活函数逐层传递,因此整个网络的实际计算输出用公式(1)表示,

    Op=Fn(…(F2(F1(XW1)W2)…)Wn) (1)

    式中,X表示原始输入,Fl表示第l层的激活函数,Wl表示第l层的映射权值矩阵,Op
    表示整个网络的实际计算输出;

    当前层的输出用(2)表示,

    Xl=fl(WlXl-1+bl) (2)

    式中,l代表网络层数,Xl表示当前层的输出,Xl-1表示上一层的输出,即当前层的
    输入,Wl代表已经训练好的、当前网络层的映射权值矩阵,bl为当前网络的加性偏执,fl是当
    前网络层的激活函数;采用的激活函数fl为纠正线性单元,即ReLU,用公式(3)表示,

    <mrow> <msup> <mi>f</mi> <mi>l</mi> </msup> <mo>=</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <msup> <mrow> <mo>(</mo> <msup> <mi>W</mi> <mi>l</mi> </msup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mi>X</mi> <mi>l</mi> </msup> <mo>,</mo> <mn>0</mn> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msup> <mrow> <mo>(</mo> <msup> <mi>W</mi> <mi>l</mi> </msup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mi>X</mi> <mi>l</mi> </msup> </mrow> </mtd> <mtd> <mrow> <msup> <mrow> <mo>(</mo> <msup> <mi>W</mi> <mi>l</mi> </msup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mi>X</mi> <mi>l</mi> </msup> <mo>&gt;</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <msup> <mrow> <mo>(</mo> <msup> <mi>W</mi> <mi>l</mi> </msup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mi>X</mi> <mi>l</mi> </msup> <mo>&le;</mo> <mn>0</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>

    式中,l代表网络层数,Wl代表已经训练好的、当前网络层的映射权值矩阵,fl是当
    前网络层的激活函数;其作用是如果卷积计算结果小于0,则让其为0;否则保持其值不变。

    所述的卷积神经网络,对所述的卷积神经网络训练是一个反向传播过程,通过误
    差函数反向传播,利用随机梯度下降法对卷积参数和偏置进行优化调整,直到网络收敛或
    者达到最大迭代次数停止;

    反向传播需要通过对带有标签的训练样本进行比较,采用平方误差代价函数,对
    于c个类别,N个训练样本的多类别进行识别,网络最终输出误差函数用公式(4)来计算误
    差,

    <mrow> <msup> <mi>E</mi> <mi>N</mi> </msup> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>n</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>c</mi> </munderover> <msup> <mrow> <mo>(</mo> <msubsup> <mi>t</mi> <mi>k</mi> <mi>n</mi> </msubsup> <mo>-</mo> <msubsup> <mi>y</mi> <mi>k</mi> <mi>n</mi> </msubsup> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>

    式中,EN为平方误差代价函数,为第n个样本对应标签的第k维,为第n个样本对
    应网络预测的第k个输出;

    对误差函数进行反向传播时,采用传统的BP算法类似的计算方法,如公式(5)所
    示,

    <mrow> <mtable> <mtr> <mtd> <mrow> <msup> <mi>&delta;</mi> <mi>l</mi> </msup> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msup> <mi>W</mi> <mrow> <mi>l</mi> <mo>+</mo> <mn>1</mn> </mrow> </msup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mi>&delta;</mi> <mrow> <mi>l</mi> <mo>+</mo> <mn>1</mn> </mrow> </msup> <mo>&times;</mo> <msup> <mi>f</mi> <mo>&prime;</mo> </msup> <mrow> <mo>(</mo> <msup> <mi>u</mi> <mi>l</mi> </msup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msup> <mi>u</mi> <mi>l</mi> </msup> <mo>=</mo> <msup> <mi>W</mi> <mi>l</mi> </msup> <msup> <mi>x</mi> <mrow> <mi>l</mi> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>+</mo> <msup> <mi>b</mi> <mi>l</mi> </msup> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>

    式中,δl代表当前层的误差函数,δl+1代表上一层的误差函数,Wl+1为上一层映射矩
    阵,f'表示激活函数的反函数,即上采样,ul表示未通过激活函数的上一层的输出,xl-1表示
    下一层的输入,Wl为本层映射权值矩阵。

    所述的肺部分割方法,采用全卷积神经网络,将所述的卷积神经网络改为全卷积
    神经网络,即FCN,在所述的卷积神经网络的全连接层改为反卷积层,这样输入一幅图像后
    直接在输出端得到密集预测,也就是每个像素所属的类,从而得到一个端对端的方法来实
    现肺部对象图像语义分割;

    在FCN中,将肺部对象进行定位和分割算法分为从大到小再从小到大的两个过程;
    从大到小是由所述的卷积神经网络中的下采样层作用所致,而从小到大需要由上采样层来
    实现;在上采样过程中,这里采用了分阶段增大的方法,并且在上采样的每个阶段,使用下
    采样对应层的特征进行辅助;所谓辅助就是采用跳层上采样融合的方法,在浅层处减小上
    采样的步长,得到的细层和高层得到的粗层做融合,然后再上采样得到输出;这种跳层上采
    样融合的方法兼顾了局部和全局信息,实现比较精准的肺部分割。

    所述的深度卷积神经网络是在所述的卷积神经网络的第八层的全连接层后连接
    了一个Softmax分类器,用于依照疑似肺癌类型进行分类识别;

    所述的Softmax分类器,将深度神经网络中的学习结果作为softmax分类器的输入
    数据;Softmax回归是面向多类分类问题的Logistic回归,是Logistic回归的一般形式,适
    用于类别之间互斥的情况;假设对于训练集{(x(1),y(1),…,x(m),y(m))},有y(1)∈{1,2,…,
    k},对于给定的样本输入x,输出一个k维的向量来表示每一种分类结果出现的概率为p(y=
    i|x),假设函数h(x)如下:

    <mrow> <msub> <mi>h</mi> <mi>&theta;</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <mi>p</mi> <mrow> <mo>(</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mn>1</mn> <mo>|</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>,</mo> <mi>&theta;</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>p</mi> <mrow> <mo>(</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mn>1</mn> <mo>|</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>,</mo> <mi>&theta;</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>p</mi> <mrow> <mo>(</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mi>k</mi> <mo>|</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>,</mo> <mi>&theta;</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msubsup> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </msubsup> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&theta;</mi> <mi>j</mi> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> </mrow> </mfrac> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&theta;</mi> <mn>1</mn> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> </mtd> </mtr> <mtr> <mtd> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&theta;</mi> <mn>2</mn> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&theta;</mi> <mi>k</mi> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow>

    θ1,θ2,…θk是模型的参数,并且所有的概率和为1;加入规则项后的代价函数为:

    <mrow> <mi>J</mi> <mrow> <mo>(</mo> <mi>&theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mfrac> <mn>1</mn> <mi>m</mi> </mfrac> <mo>&lsqb;</mo> <mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <mn>1</mn> <mo>{</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mi>j</mi> <mo>}</mo> <mi>log</mi> <mfrac> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&theta;</mi> <mi>j</mi> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> <mrow> <msubsup> <mo>&Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </msubsup> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&theta;</mi> <mi>l</mi> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> </mrow> </mfrac> </mrow> <mo>&rsqb;</mo> <mo>+</mo> <mfrac> <mi>&lambda;</mi> <mn>2</mn> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>n</mi> </munderover> <msubsup> <mi>&theta;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mn>2</mn> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>

    代价函数对第j个类别的第l个参数的偏导数为:

    <mrow> <msub> <mo>&dtri;</mo> <msub> <mi>&theta;</mi> <mi>j</mi> </msub> </msub> <mi>J</mi> <mrow> <mo>(</mo> <mi>&theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mfrac> <mn>1</mn> <mi>m</mi> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <mo>&lsqb;</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>{</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mi>j</mi> <mo>}</mo> <mo>-</mo> <mi>p</mi> <mo>(</mo> <mrow> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mi>j</mi> <mo>|</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>;</mo> <mi>&theta;</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>}</mo> <mo>&rsqb;</mo> <mo>+</mo> <msub> <mi>&lambda;&theta;</mi> <mi>j</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> </mrow>

    式中,j为类别数,m为训练集的类别数,p(y(i)=j|x(i);θ))}为x分为类别j的概率,
    λ为规则项参数,也称为权重衰减项,该规则项参数主要是防止过拟合的;

    最后,通过最小化J(θ),实现softmax的分类回归,将分类回归结果保存到特征库
    中;

    在依据疑似肺癌类型对被检肺部对象图像识别分类时,将提取到的输入数据特征
    与学习训练得到肺癌类型特征库中的数据进行比对,计算出每一个分类结果的概率,然后
    取概率最高的前5个结果进行输出,并标出疑似肺癌的位置、类型及概率,以提高影像学临
    床诊断效率。

    所述的预防肺癌自助健康云服务系统,其健康云服务方式是用户将胸部X光片或
    者CT影像图像通过手机上的微信或者彩信或者QQ发送给健康云服务平台;对于一些用户没
    有胸部X光片或者CT影像数字图像时,用户用手机或者其他移动设备拍摄来获取胸部X光片
    或者CT影像数字图像,首先用户先将电脑屏幕打开空白的word或者PPT,全屏显示后,将片
    子放置在电脑屏幕前,然后打开智能手机上的相机软件;在影像片拍照时,要看清上面的汉
    字或英文字母,字的方向通常就是片子的正确方向,要放正位置拍照;然后在手机或数码相
    机上进行预览,质量好的标准是能够清晰地看见英文字母;如果显示模糊,说明拍照时手抖
    动了或没有正确对焦,需要删除重拍;最后将胸部X光片或者CT影像图像通过手机上的微信
    或者彩信或者QQ发送给健康云服务平台;健康云服务平台自动读取从微信或彩信或者QQ发
    送过来的图像,同时生成一个微信或彩信或者QQ号的文件夹,将原始图像保存在该文件夹
    内;

    所述的预防肺癌自助健康云服务系统根据用户发送过来的胸部X光片或者CT影像
    图像,采用基于全卷积神经网络的从CT影像图像中肺部区域的分割方法对CT影像图像进行
    肺部对象的分割,得到分割后的肺部图像;然后根据疑似肺癌类型分类规范用深度卷积神
    经网络对分割后的肺部图像进行识别分类;如果该用户有历史胸部X光片或者CT影像图像,
    就再与该用户的历史胸部X光片或者CT影像图像进行比对,对比其不同点;如果该用户有病
    理学专家临床诊断报告,就结合这些信息进行综合分析,提出诊断和治疗建议,参照美国放
    射学会的肺部影像报告的格式要求自动生成自助健康检测结果报告,然后将健康检测结果
    报告递交给资深放射科医生进行确认,最后将健康检测结果报告信息反馈给用户。健康咨
    询文件名是以用户传输给健康云服务平台微信号、或者手机号、或者QQ号来命名;最后将健
    康咨询文件以用户的微信号、或者手机号、或者QQ号反馈给访问用户并保存在服务器中,或
    者通知用户来访问健康云服务平台获取用户的自助健康检测结果报告。

    考虑到预防肺癌自助健康云服务系统本身也是一种高效地收集胸部X光片或者CT
    影像图像方法,在预防肺癌自助健康云服务系统运行过程中,会产生一些难以分类识别胸
    部X光片或者CT影像图像;对于这些难辨的胸部X光片或者CT影像图像,通过与资深放射科
    医生的合作,对这些胸部X光片或者CT影像图像数据样本标上类别标签,不断丰富和完善肺
    癌图像数据集,以不断提升疑似肺癌类型的分类精度。

    自助健康是以下述流程来实现的,用户将胸部X光片或者CT影像图像通过手机上
    的微信或者彩信或者QQ发送给健康云服务平台;健康云服务平台根据用户发送过来的胸部
    X光片或者CT影像图像,进行肺部对象的分割、与该用户的历史胸部X光片或者CT影像图像
    进行比对,然后进行分类处理,然后根据疑似肺癌类型自动进行综合分析,提出诊断和治疗
    建议,参照美国放射学会的肺部影像报告的格式要求自动生成自助健康检测结果报告,然
    后将健康检测结果报告递交给资深放射科医生进行确认,最后将健康检测结果报告信息反
    馈给用户。

    本发明的有益效果主要表现在:

    1)提供了一种基于深度卷积神经网络的预防肺癌自助健康云服务系统;

    2)提供了一种全自动端对端全卷积神经网络的从CT影像图像中肺部区域的分割
    方法;

    3)实现了一种给每1个病变作完整的分类和评估及肺癌自动识别和辅助诊断技
    术;

    4)利用移动互联网、云计算、大数据挖掘、深度学习和深度卷积神经网络提升肺癌
    筛查手段的全面信息化、客观化、标准化和全民自助化,提高了肺癌筛查精度,降低了放射
    科医生的工作强度,提升了民众的健康意识,增加自我健康管理能力,通过早检查、早诊断
    和早治疗将肺癌消灭在萌芽状态;

    5)减少放射科医生阅片压力,仅将含疑似病灶的CT图像序列呈现给医生,并对疑
    似区域进行标注,使得诊断更加有针对性,消除重复、单调、耗时的事务,提高影像学临床诊
    断效率;

    6)降低影像学临床诊断的个体差异性和主观性,使诊断结果更加客观,减少漏诊
    率和误诊率,从而提高医疗诊断水平。由于放射科医生的阅片诊断是主观判断过程,因而容
    易受到医生经验及知识水平的限制和影响导致误诊或遗漏某些图像细节,而计算机在规避
    这些错误和不足方面具有很大优势;

    7)提高早期肺癌筛检临床诊断的敏感性(Sensitivity)、特异性(Specificity)和
    准确性(Accuracy),能做到“早发现早诊断早治疗”,延长患者长期生存率;

    8)避免了不必要的活组织检查,能减轻就诊者痛苦;

    9)构建了一个海量的胸部X光片或者CT影像图像库,为人类攻克癌症的各项科学
    研究提供强大的数据支撑,通过大数据分析手段有助于发现更为深层次肺癌发病规律、病
    理和疗效。

    附图说明

    图1为一种基于深度卷积神经网络的预防肺癌自助健康云服务系统处理框图;

    图2为一种基于深度卷积神经网络的肺部病灶识别训练框图;

    图3为深度卷积神经网络图;

    图4为深度卷积神经网络中第一层处理的流程图;

    图5为深度卷积神经网络中第二层处理的流程图;

    图6为深度卷积神经网络中第三层处理的流程图;

    图7为深度卷积神经网络中第四层处理的流程图;

    图8为深度卷积神经网络中第五处理的流程图;

    图9为深度卷积神经网络中第六层处理的流程图;

    图10为深度卷积神经网络中第七层处理的流程图;

    图11为深度卷积神经网络中第八层处理的流程图;

    图12为基于全卷积神经网络的对象分割框图;

    图13为深度卷积神经网络的各层处理结果图;

    图14为全卷积神经网络FCN-32s各层处理结果图;

    图15为全卷积神经网络FCN-16s各层处理结果图;

    图16为全卷积神经网络FCN-8s各层处理结果图;

    图17为一种基于深度卷积神经网络的肺部病灶识别分类框图;

    图18为用于肺部病变识别分类的深度卷积神经网络;

    图19为推荐给用户的肺癌诊断流程图解;

    图20为肺癌诊断的5种方法;

    图21为诱发肺癌的内因和外因的主要因子。

    具体实施方式

    下面结合附图对本发明作进一步描述。

    实施例1

    参照图1~21,本发明解决其技术问题所采用的技术方案是:

    基于深度卷积神经网络的预防肺癌自助健康云服务系统包括一个用于深度学习
    和训练识别的卷积神经网络、一种基于全卷积神经网络的从CT影像图像中分割出肺部区域
    的分割算法、一种用于肺癌诊断分类的深度卷积神经网络和一种用于根据所识别的疑似肺
    癌类型进行早期预防和治疗的自助健康云服务平台;预防肺癌自助健康云服务系统的框图
    如图1所示;

    预防肺癌自助健康云服务系统的使用及准备工作:用户用手机或者其他移动设备
    拍摄来获取胸部X光片或者CT影像数字图像,首先用户先将电脑屏幕打开空白的word或者
    PPT,全屏显示后,将片子放置在电脑屏幕前,然后打开智能手机上的相机软件;在影像片拍
    照时,要看清上面的汉字或英文字母,字的方向通常就是片子的正确方向,要放正位置拍
    照;然后在手机或数码相机上进行预览,质量好的标准是能够清晰地看见英文字母;如果显
    示模糊,说明拍照时手抖动了或没有正确对焦,需要删除重拍;最后将胸部X光片或者CT影
    像图像通过手机上的微信或者彩信或者QQ发送给健康云服务平台;

    (1)关于设计一个用于深度学习和训练识别的卷积神经网络

    卷积神经网本质上是一种深度映射的网络结构,如图2所示,输入信号通过在网络
    中进行层层映射,不断进行分解和表示,最终形成关于肺癌的多层表达,其最主要特点就是
    不必再人为的选取和构建肺癌的各种特征,而是通过机器自动学习,得到关于肺癌的深层
    表示。

    对于胸部X光片正侧位图像和CT图像各自都对应着一个卷积神经网络进行学习和
    训练;

    第一层:如图4所示,输入图像数据为224×224像素图像,填充值是3,输出数据227
    ×227×3;然后经过96个过滤器、窗口大小为11×11、步长为4的卷积层1处理,得到[(227-
    11)/4]+1=55个特征,以后的层就分为两组处理,输出特征为55×55×96,然后进行ReLU激
    活层1处理,输出特征为55×55×96,经过池化层1进行最大池化3×3的核,步长为2,得到
    [(55-3+1)/2]+1=27个特征,总的特征数为27×27×96,然后进行正则化处理,用于求和的
    通道数为5,最后得到27×27×96数据;

    第二层:如图5所示,输入数据27×27×96,填充值是2,256个过滤器,窗口大小为5
    ×5,得到[(27-5+2×2)/1]+1=27个特征,输出特征为27×27×256,然后进行ReLU激活层2
    处理,输出特征为27×27×256,经过池化层2进行最大池化3×3的核,步长为2,得到[(27-
    3)/2]+1=13个特征,总的特征数为13×13×256,然后进行正则化处理,用于求和的通道数
    为5,最后得到13×13×256数据;

    第三层:如图6所示,输入数据13×13×256,填充值是1,384个过滤器,窗口大小为
    3×3,得到[(13-3+1×2)/1]+1=13个特征,输出特征为13×13×384,然后进行ReLU激活层
    3处理,最后得到13×13×384数据;

    第四层:如图7所示,输入数据13×13×384,填充值是1,384个过滤器,窗口大小为
    3×3,得到[(13-3+2×1)/1]+1=13个特征,输出特征为13×13×384,然后进行ReLU激活层
    4处理,最后得到13×13×384数据;

    第五层:如图8所示,输入数据13×13×384,填充值是1,256个过滤器,窗口大小为
    3×3,得到[(13-3+2×1)/1]+1=13个特征,输出特征为13×13×256,然后进行ReLU激活层
    5处理,输出特征为13×13×256,经过池化层5进行最大池化3×3的核,步长为2,得到[(13-
    3)/2]+1=6个特征,总的特征数为6×6×256,最后得到6×6×256数据;

    第六层:如图9所示,输入数据6×6×256,全连接,得到4096个特征,然后进行ReLU
    激活层6处理,输出特征为4096,经过dropout6处理,最后得到4096数据;

    第七层:如图10所示,输入数据4096,全连接,得到4096个特征,然后进行ReLU激活
    层7处理,输出特征为4096,经过dropout7处理,最后得到4096数据;

    第八层:如图11所示,输入数据4096,全连接,得到1000个特征数据;

    卷积神经网络的预测过程是一个前向传播过程,上一层的输出即为当前层的输
    入,并通过激活函数逐层传递,因此整个网络的实际计算输出用公式(1)表示,

    Op=Fn(…(F2(F1(XW1)W2)…)Wn) (1)

    式中,X表示原始输入,Fl表示第l层的激活函数,Wl表示第l层的映射权值矩阵,Op
    表示整个网络的实际计算输出;

    当前层的输出用(2)表示,

    Xl=fl(WlXl-1+bl) (2)

    式中,l代表网络层数,Xl表示当前层的输出,Xl-1表示上一层的输出,即当前层的
    输入,Wl代表已经训练好的、当前网络层的映射权值矩阵,bl为当前网络的加性偏执,fl是当
    前网络层的激活函数;采用的激活函数fl为纠正线性单元,即ReLU,用公式(3)表示,

    <mrow> <msup> <mi>f</mi> <mi>l</mi> </msup> <mo>=</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <msup> <mrow> <mo>(</mo> <msup> <mi>W</mi> <mi>l</mi> </msup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mi>X</mi> <mi>l</mi> </msup> <mo>,</mo> <mn>0</mn> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msup> <mrow> <mo>(</mo> <msup> <mi>W</mi> <mi>l</mi> </msup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mi>X</mi> <mi>l</mi> </msup> </mrow> </mtd> <mtd> <mrow> <msup> <mrow> <mo>(</mo> <msup> <mi>W</mi> <mi>l</mi> </msup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mi>X</mi> <mi>l</mi> </msup> <mo>&gt;</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <msup> <mrow> <mo>(</mo> <msup> <mi>W</mi> <mi>l</mi> </msup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mi>X</mi> <mi>l</mi> </msup> <mo>&le;</mo> <mn>0</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>

    式中,l代表网络层数,Wl代表已经训练好的、当前网络层的映射权值矩阵,fl是当
    前网络层的激活函数;其作用是如果卷积计算结果小于0,则让其为0;否则保持其值不变。

    卷积神经网络训练是一个反向传播过程,与BP算法类似,通过误差函数反向传播,
    利用随机梯度下降法对卷积参数和偏置进行优化调整,直到网络收敛或者达到最大迭代次
    数停止。

    该神经网络训练是一个反向传播过程,通过误差函数反向传播,利用随机梯度下
    降法对卷积参数和偏置进行优化调整,直到网络收敛或者达到最大迭代次数停止;

    反向传播需要通过对带有标签的训练样本进行比较,采用平方误差代价函数,对
    于c个类别,N个训练样本的多类别进行识别,网络最终输出误差函数用公式(4)来计算误
    差,

    <mrow> <msup> <mi>E</mi> <mi>N</mi> </msup> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>n</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>c</mi> </munderover> <msup> <mrow> <mo>(</mo> <msubsup> <mi>t</mi> <mi>k</mi> <mi>n</mi> </msubsup> <mo>-</mo> <msubsup> <mi>y</mi> <mi>k</mi> <mi>n</mi> </msubsup> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>

    式中,EN为平方误差代价函数,为第n个样本对应标签的第k维,为第n个样本对
    应网络预测的第k个输出;

    对误差函数进行反向传播时,采用传统的BP算法类似的计算方法,如公式(5)所
    示,

    <mrow> <mtable> <mtr> <mtd> <mrow> <msup> <mi>&delta;</mi> <mi>l</mi> </msup> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msup> <mi>W</mi> <mrow> <mi>l</mi> <mo>+</mo> <mn>1</mn> </mrow> </msup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mi>&delta;</mi> <mrow> <mi>l</mi> <mo>+</mo> <mn>1</mn> </mrow> </msup> <mo>&times;</mo> <msup> <mi>f</mi> <mo>&prime;</mo> </msup> <mrow> <mo>(</mo> <msup> <mi>u</mi> <mi>l</mi> </msup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msup> <mi>u</mi> <mi>l</mi> </msup> <mo>=</mo> <msup> <mi>W</mi> <mi>l</mi> </msup> <msup> <mi>x</mi> <mrow> <mi>l</mi> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>+</mo> <msup> <mi>b</mi> <mi>l</mi> </msup> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>

    式中,δl代表当前层的误差函数,δl+1代表上一层的误差函数,Wl+1为上一层映射矩
    阵,f'表示激活函数的反函数,即上采样,ul表示未通过激活函数的上一层的输出,xl-1表示
    下一层的输入,Wl为本层映射权值矩阵。

    卷积神经网络学习和训练的算法思想是:1)首先逐层构建单层神经元,这样每次
    都是训练一个单层网络;2)当所有层训练完后,使用wake-sleep算法进行调优。

    深度学习训练过程具体如下:

    STEP21:使用自下而上的非监督学习,即从底层开始,一层一层的往顶层训练,学
    习肺部图像特征:先用无标签肺部图像数据训练第一层,训练时先学习第一层的参数,由于
    模型容量的限制以及稀疏性约束,使得得到的模型能够学习到数据本身的结构,从而得到
    比输入更具有表示能力的特征;在学习得到第l-1层后,将l-1层的输出作为第l层的输入,
    训练第l层,由此分别得到各层的参数;具体计算如公式(2)、(3)所示;

    STEP22:自顶向下的监督学习,即通过带标签的肺部图像数据去训练,误差自顶向
    下传输,对网络进行微调:具体计算如公式(4)、(5)所示;

    基于STEP21得到的各层参数进一步微调整个多层模型的参数,这一步是一个有监
    督训练过程;STEP21类似神经网络的随机初始化初值过程,由于深度学习的STEP21不是随
    机初始化,而是通过学习输入数据的结构得到的,因而这个初值更接近全局最优,从而能够
    取得更好的效果。

    这里带标签的胸部X光片和CT图像数据是肺癌辅助诊断的关键,需要由资深放射
    科医生对收集到的各种胸部X光片和CT图像进行甄别,专家对所拍摄的胸部X光片和CT图像
    的肺部内深分叶征、空泡征、空气支气管征、毛刺、棘状突起、血管支气管集束征、钙化、卫星
    灶和周围支扩征进行辨识和分类;具体做法是由二位超过20年诊断经验的放射科医生负
    责,由他们确定每一个样本的类别标签;这种通过对专家的看片经验及意见进行分析综合,
    获得较为科学和准确的肺癌特征的分类依据及诊断结果;为深度卷积神经网络提供训练和
    学习的肺癌图像数据;

    本发明将经专家诊断后的胸部X光片和CT影像图片做上标签,然后将这些带有标
    签的胸部X光片和CT影像让深度卷积神经网络学习,在胸部X光片中主要自动提取出疑似中
    心型肺癌、外围型肺癌和周围性肺癌带有标签的肺部病变特征;在CT影像中自动提取出带
    有标签的肺部病变特征;肺部病变特征包括了深分叶征、空泡征、空气支气管征、毛刺、棘状
    突起、血管支气管集束征、钙化、卫星灶和周围支扩征的病灶;

    实验研究表明,肺部病灶数据集越大、肺部病灶样本类别越丰富肺癌诊断越精准;
    因此做好有标签的胸部x线片和CT影像数据集是一个关键;

    胸部x线片和CT影像数据集的准备;一类数据通过专业书刊获取带有标签的胸部x
    线片和CT影像数据,如《胸部影像诊断及鉴别》,书刊内的这类数据直接可以作为肺部病变
    数据集中的数据;另一类,是通过网络上的一些开源资源;

    在上述肺部x线影像图像数据基础上,通过以下数据增强变换技术中的一种或者
    组合来增加输入数据的量;①旋转|反射变换:随机旋转图像一定角度,改变图像内容的朝
    向;②翻转变换:沿着水平或者垂直方向翻转图像;③缩放变换:按照一定的比例放大或者
    缩小图像;④平移变换:在图像平面上对图像以一定方式进行平移;⑤可以采用随机或人为
    定义的方式指定平移范围和平移步长,沿水平或竖直方向进行平移,改变图像内容的位置;
    ⑥尺度变换:对图像按照指定的尺度因子,进行放大或缩??;或者参照SIFT特征提取思想,
    利用指定的尺度因子对图像滤波构造尺度空间;改变图像内容的大小或模糊程度;⑦对比
    度变换:在图像的HSV颜色空间,改变饱和度S和V亮度分量,保持色调H不变;对每个像素的S
    和V分量进行指数运算,指数因子在0.25到4之间,增加光照变化;⑧噪声扰动:对图像的每
    个像素RGB进行随机扰动;常用的噪声模式是椒盐噪声和高斯噪声;⑨颜色变换:在训练集
    像素值的RGB颜色空间进行PCA,得到RGB空间的3个主方向向量,3个特征值,p1,p2,p3,λ1,λ
    2,λ3;每幅图像的每个像素Ixy=[IRxy,IGxy,IBxy]T进行加上如下的变化:[p1,p2,p3][α1
    λ1,α2λ2,α3λ3]T;

    严格意义上说,每个人的肺部x线影像图像都是不一样的,随着自助健康云服务平
    台的应用面扩大,带标签的胸部X光片和CT图像数据将是一个非常庞大的海量数据,通过大
    数据的处理方式能归纳出一些新的肺癌类型,当然在此过程中必须由资深放射科主任医师
    和病理医师的参与;

    (2)关于设计一种基于全卷积神经网络的从CT影像图像中分割出肺部区域的分割
    算法;

    由于胸部X光片图像中不仅仅是肺部区域部分的图像,在胸部X光片中会出现人体
    多种器官的重叠,因此,本发明不对胸部X光片图像进行分割处理;

    在CT影像图像中由于反映的是从肺部某一个横截面的图像,从该图像中分割出肺
    部是肺部病变诊断的重要前提工作,因此必须设计一种基于全卷积神经网络的肺部区域分
    割算法;

    首先,设计一种基于全卷积神经网络的从CT影像图像中分割出肺部区域的分割算
    法,即对胸部CT影像图像中肺部对象进行区域选择和定位;

    为了对CT影像图像中肺部对象的位置进行定位;由于肺部对象可能出现在图像的
    任何位置,而且肺部目标的大小、长宽比例也不确定,原有的技术是最初采用滑动窗口的策
    略对整幅图像进行遍历,而且需要设置不同的尺度,不同的长宽比;这种穷举的策略虽然包
    含了肺部目标所有可能出现的位置,但是缺点也是显而易见的:时间复杂度太高,产生冗余
    窗口太多,这也严重影响后续特征提取和分类的速度和性能;因此,如何用语义概念对肺部
    对象进行定位和分割至关重要;

    在二维CT断层图像上,CT图像序列中包括了背景、躯干和含有气管/支气管的肺部
    区域;肺部区域具有低CT值和其周围胸腔壁具有高CT值的特点可以用来引导肺部区域的分
    割;

    深度卷积神经网络一个重要优点是从像素级原始数据到抽象的语义概念逐层提
    取信息,这使得它在提取图像的全局特征和上下文信息方面具有突出的优势,为解决图像
    语义分割带来了突破;卷积神经网络层数越高越能表达图像的全局特征及语义概念,但是
    深度卷积神经网络经过多层的下采样使得卷积神经网络层数越高的图像比原图像要小若
    干倍,如果用卷积神经网络的最高层作为分割预测由此带来的是分割后的对象比较粗糙,
    一般都是大致轮廓,这样得到的肺部对象会严重影响后续肺部病变诊断的准确性;本发明
    提出的基于全卷积神经网络的从CT影像图像中分割出肺部区域的分割算法是建立在卷积
    神经网络的基础上的,下面首先介绍卷积神经网络;

    图3所示的是卷积神经网络图,共分为八层,卷积神经网络是由卷积层、激活层和
    下采样层交替构成的深度结构,这种深度结构能够有效减少计算时间并建立空间结构上的
    不变性。输入图像在网络中进行层层映射,最终得到各层对于图像不同的表示形式,实现图
    像的深度表示,其中卷积核以及下采样的方式直接决定图像的映射方式。

    为了精准地分割肺部对象,本发明的主要思路是把深度卷积神经网络改为全卷积
    神经网络,即FCN,输入一幅图像后直接在输出端得到密集预测,也就是每个像素所属的类,
    从而得到一个端对端的方法来实现肺部对象图像语义分割;

    包括肺部的图像经过深度卷积神经网络的多次卷积以后,得到的图像越来越小,
    分辨率越来越低,那么FCN是如何得到图像中每一个像素的类别的呢?为了从这个分辨率低
    的粗略图像恢复到原图的分辨率,FCN使用了上采样。例如经过5次卷积以后,图像的分辨率
    依次缩小了2、4、8、16、32倍;对于最后一层的输出图像,需要进行32倍的上采样,才能得到
    原图一样的大小,如图14所示,本发明中采用步长为32对最后一层的输出图像进行上采样;
    对于最后第二层的输出图像,需要进行16倍的上采样,才能得到原图一样的大小,如图15所
    示,本发明中采用步长为16对最后第二层的输出图像进行上采样;对于最后第三层的输出
    图像,需要进行8倍的上采样,才能得到原图一样的大小,如图16所示,本发明中采用步长为
    8对最后第三层的输出图像进行上采样;这里的上采样操作可以看成是反卷积,卷积运算的
    参数和CNN的参数一样是在训练FCN模型的过程中通过BP算法学习得到;

    为了要精确预测每个像素的分割结果,本发明中将肺部对象进行定位和分割算法
    分为从大到小(即从输入的大图像到定位分类后的小图像),再从小到大(与原始输入的图
    像大小一致)的两个过程;从大到小是由深度卷积神经网络中的下采样层作用所致,而从小
    到大需要由上采样层来实现;在上采样过程中,本发明采用了分阶段增大的方法,并且在上
    采样的每个阶段,使用下采样对应层的特征进行辅助;所谓辅助就是采用跳层的方法,在浅
    层处减小上采样的步长,得到的细层和高层得到的粗层做融合,然后再上采样得到输出;这
    种跳层的方法兼顾了局部和全局信息;

    首先把图3所示的卷积神经网络的全连接层,图中的第六层、第七层和第八层,这
    里将其作为卷积层,卷积模板大小就是输入的特征图的大小,也就是说把全连接网络看成
    是对整张输入图做卷积,全连接层分别有4096个1×1的卷积核,4096个1×1的卷积核,1000
    个1×1的卷积核;

    图13所示的输出就是1000个1×1的卷积核,最后两级是全连接,参数弃去不用;

    图14所示,从第七层1×1×4096的特征图预测分割成16×16×6的小图,之后直接
    上采样为500×500×6的大图;这里500×500为原图像的大小,本发明中根据原图像的大小
    就能恢复出其原图像一样的尺寸;6为深度值,这里表示肺部对象+背景+躯干+气管+支气管
    +动脉;反卷积的步长为32,这个网络称为FCN-32s;

    图15所示,上采样分为两次完成;在第二次升采样前,把第4个池化层的预测结果
    融合进来,之后上采样为500×500×6的大图;使用跳级结构提升精确性;第二次反卷积步
    长为16,这个网络称为FCN-16s;

    图16所示,上采样分为三次完成;进一步融合了第3个池化层的预测结果,之后上
    采样为500×500×6的大图;;第三次反卷积步长为8,记为FCN-8s。

    网络结构归纳如下;输入可为任意尺寸图像灰色图像;输出与输入尺寸相同,深度
    为:肺部对象+背景+躯干+气管+支气管+动脉=6;通过用FCN-8s的全卷积神经网络分割出
    肺部对象;这里要强调的是首先用图14所示训练FCN-32s全卷积神经网络,然后用图15所示
    训练FCN-16s全卷积神经网络,最后用图16所示训练FCN-8s全卷积神经网络;

    在用FCN-8s的全卷积神经网络分割出肺部对象后就是要通过一个深度卷积神经
    网络对肺癌进行辅助诊断分类;CT图像序列中包括了背景、躯干和含有气管/支气管的肺部
    区域;

    (3)关于设计一种用于肺癌辅助诊断分类的深度卷积神经网络;

    肺癌根据发生部位分为3型:中央型、周围型及弥漫型;肿瘤根据形态分为6型:中
    央管内型、中央管壁型、中央管外型、周围肿块型、周围肺炎型以及弥漫型;从病理学上分,
    肺癌又被分为:小细胞癌和非小细胞癌;非小细胞癌又可细分为:大细胞癌、腺癌、鳞癌和腺
    鳞癌;这些不同类型或类别的病变影像学表现各不相同;不仅如此,即使是同一类别的病
    变,其病理变化也是千差万别,它们在病变的部位、大小、形态方面也各不相同,因而疾病的
    影像学表现非常复杂;本发明通过带标签的胸部X光片和CT图像数据对深度卷积神经网络
    进行学习和训练,使得深度卷积神经网络能自动提取出不同类型或类别的特征数据,作为
    分类器的输入数据;

    用于肺癌辅助诊断分类的深度卷积神经网络,如图18所示,与图3所示的卷积神经
    网络完全相同,只是在第八层的全连接层后连接了一个Softmax分类器;

    所述的Softmax分类器,将深度神经网络中的学习结果作为softmax分类器的输入
    数据;Softmax回归是面向多类分类问题的Logistic回归,是Logistic回归的一般形式,适
    用于类别之间互斥的情况;假设对于训练集{(x(1),y(1),…,x(m),y(m))},有y(1)∈{1,2,…,
    k},对于给定的样本输入x,输出一个k维的向量来表示每一种分类结果出现的概率为p(y=
    i|x),假设函数h(x)如下:

    <mrow> <msub> <mi>h</mi> <mi>&theta;</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <mi>p</mi> <mrow> <mo>(</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mn>1</mn> <mo>|</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>,</mo> <mi>&theta;</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>p</mi> <mrow> <mo>(</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mn>1</mn> <mo>|</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>,</mo> <mi>&theta;</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>p</mi> <mrow> <mo>(</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mi>k</mi> <mo>|</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>,</mo> <mi>&theta;</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msubsup> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </msubsup> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&theta;</mi> <mi>j</mi> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> </mrow> </mfrac> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&theta;</mi> <mn>1</mn> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> </mtd> </mtr> <mtr> <mtd> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&theta;</mi> <mn>2</mn> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&theta;</mi> <mi>k</mi> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> </mrow>

    θ1,θ2,…θk是模型的参数,并且所有的概率和为1;加入规则项后的代价函数为:

    <mrow> <mi>J</mi> <mrow> <mo>(</mo> <mi>&theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mfrac> <mn>1</mn> <mi>m</mi> </mfrac> <mo>&lsqb;</mo> <mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <mn>1</mn> <mo>{</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mi>j</mi> <mo>}</mo> <mi>log</mi> <mfrac> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&theta;</mi> <mi>j</mi> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> <mrow> <msubsup> <mo>&Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </msubsup> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&theta;</mi> <mi>l</mi> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> </mrow> </mfrac> </mrow> <mo>&rsqb;</mo> <mo>+</mo> <mfrac> <mi>&lambda;</mi> <mn>2</mn> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>n</mi> </munderover> <msubsup> <mi>&theta;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mn>2</mn> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>

    代价函数对第j个类别的第l个参数的偏导数为:

    <mrow> <msub> <mo>&dtri;</mo> <msub> <mi>&theta;</mi> <mi>j</mi> </msub> </msub> <mi>J</mi> <mrow> <mo>(</mo> <mi>&theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mfrac> <mn>1</mn> <mi>m</mi> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <mo>&lsqb;</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>{</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mi>j</mi> <mo>}</mo> <mo>-</mo> <mi>p</mi> <mo>(</mo> <mrow> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mi>j</mi> <mo>|</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>;</mo> <mi>&theta;</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>}</mo> <mo>&rsqb;</mo> <mo>+</mo> <msub> <mi>&lambda;&theta;</mi> <mi>j</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> </mrow>

    式中,j为类别数,m为训练集的类别数,p(y(i)=j|x(i);θ))}为x分为类别j的概率,
    λ为规则项参数,也称为权重衰减项,该规则项参数主要是防止过拟合的;

    最后,通过最小化J(θ),实现softmax的分类回归,将分类回归结果保存到特征库
    中;

    在依据疑似肺癌类型对被检肺部对象图像识别分类时,如图17所示,将提取到的
    输入数据特征与学习训练得到肺癌类型特征库中的数据进行比对,计算出每一个分类结果
    的概率,然后取概率最高的前5个结果进行输出,并标出疑似肺癌的位置、类型及概率,以提
    高影像学临床诊断效率。

    进一步,在分割出肺部对象图像后,本发明中设计了一种在肺部对象检索肺结节
    的方法;这是因为提高肺结节的检出率对于提高早期肺癌的发现有重大作用,由于肺结节
    的直径分布从3mm到3cm不等,在CT图像上很容易与血管相混淆;为了解决肺结节与肺血管
    在二维层片上灰度级相似而难以区分的问题,在本发明中首先在所有CT图像上标示出疑似
    肺结节或者肺血管的位置,然后通过不同CT截面图像来排除肺血管;排除肺血管的算法思
    想是:肺血管在两个或者多个相邻层的CT截面图像基本上都是在相同位置上,如果在两个
    或者多个相邻层的CT截面图像的相同位置上出现类圆形区域就判断为肺血管,否则初步判
    定为疑似肺结节,即孤立性结节。当然这种检测精度是与CT图像的扫描精度相关,如果CT图
    像的扫描步长设置为2mm,那么理论上能检测出直径为3mm左右的肺结节,一个病例检查会
    产生140层左右的二维CT影像。

    (4)关于构建一种用于根据所诊断结果进行自助健康云服务平台;

    首先是自助健康云服务平台的工作原理:如图1所示,所述的预防肺癌自助健康云
    服务系统,其健康云服务方式是用户将胸部X光片或者CT图像通过手机上的微信或者彩信
    或者QQ发送给健康云服务平台;对于一些用户没有胸部X光片或者CT数字图像时,用户用手
    机或者其他移动设备拍摄来获取胸部X光片或者CT数字图像,首先用户先将电脑屏幕打开
    空白的word或者PPT,全屏显示后,将片子放置在电脑屏幕前,然后打开智能手机上的相机
    软件;在影像片拍照时,要看清上面的汉字或英文字母,字的方向通常就是片子的正确方
    向,要放正位置拍照;然后在手机或数码相机上进行预览,质量好的标准是能够清晰地看见
    英文字母;如果显示模糊,说明拍照时手抖动了或没有正确对焦,需要删除重拍;最后将胸
    部X光片或者CT图像通过手机上的微信或者彩信或者QQ发送给健康云服务平台;健康云服
    务平台自动读取从微信或彩信或者QQ发送过来的图像,同时生成一个微信或彩信或者QQ号
    的文件夹,将原始图像保存在该文件夹内;

    要求用户上传的图像文件名根据胸部X光片及CT图像的类型进行命名,胸部X光正
    面位片的文件名用胸部X光正.GIF,胸部X光侧面位片的文件名用胸部X光侧.GIF,CT图像的
    文件名用CT+层.GIF,比如第一层的CT图像的文件名为CT1.GIF;

    所述的预防肺癌自助健康云服务系统根据用户发送过来的胸部X光片或者CT图
    像,采用基于全卷积神经网络的从CT图像中肺部区域的分割方法对CT图像进行肺部对象的
    分割,得到分割后的肺部图像;然后根据肺癌类型分类规范用深度卷积神经网络对分割后
    的肺部图像进行识别分类;如果该用户有历史胸部X光片或者CT图像,就再与该用户的历史
    胸部X光片或者CT图像进行比对,对比其不同点;如果该用户有病理学专家临床诊断报告,
    就结合这些信息进行综合分析,提出诊断和治疗建议,参照美国放射学会的肺部影像报告
    的格式要求自动生成自助健康检测结果报告,然后将健康检测结果报告递交给资深放射科
    医生进行确认,最后将健康检测结果报告信息反馈给用户。健康咨询文件名是以用户传输
    给健康云服务平台微信号、或者手机号、或者QQ号来命名;最后将健康咨询文件以用户的微
    信号、或者手机号、或者QQ号反馈给访问用户并保存在服务器中,或者通知用户来访问健康
    云服务平台获取用户的自助健康检测结果报告。

    由于诱发肺癌既有外因条件也有内因条件,如图21所示;为了能更为精准的识别
    和分类判断,平台要求用户在提交胸部X光片或者CT图像的同时还需要用户提交年龄、吸烟
    史(现在和既往)、氡暴露史、职业史、患癌史、肺癌家族史、疾病史(慢阻肺或肺结核)、烟雾
    接触史(被动吸烟暴露)的信息以及用户目前的常见体征。

    健康咨询文件中还包括了中医治疗肺癌早期和食疗方面的健康指导。

    实施例2

    其余与实施例1相同,所不同的是本发明的基于深度卷积神经网络的预防肺癌自
    助健康云服务系统可以直接应用于医院和各级卫生院,为医生进一步临床病例检查和诊断
    提供参考;也可以在肺癌筛查的健康体检中应用本平台,在减轻放射科医生的工作强度同
    时提高了肺癌筛查精度,全面提升了肺癌筛查手段的全面信息化、客观化和标准化水平。

    实施例3

    其余与实施例1相同,所不同的是本发明的基于深度卷积神经网络的预防肺癌自
    助健康云服务系统可以用于肺部病变的动态分析;由于自助健康云服务平台详细记录了访
    问平台的用户的详细影像资料,对每个时间段的影像资料可以进行对比分析,观察肺部相
    关疾病随病情的发展而有相应的变化,观察时亦应随病情发展变化而作动态分析,尤其是
    与原有历史胸部X光片或者CT图像比对中发现有新的变化点;据此为早期诊断和早期治疗
    提供重要依据;本发明中详细记录了用户访问健康云服务平台的肺部自诊所有结果,并记
    录的访问的时间,这些信息有助于肺部病变的动态分析。

    以上所述仅为本发明的较佳实施举例,并不用于限制本发明,凡在本发明精神和
    原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的?;し段е?。

    关于本文
    本文标题:一种基于深度卷积神经网络的预防肺癌自助健康云服务系统.pdf
    链接地址://www.4mum.com.cn/p-6013904.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 福建福彩老时时彩 欢乐生肖开奖结果记录 博雅彩苹果 内蒙古快3基本走势一定牛 电玩下载app领取38元彩金 重庆时时彩开奖网站 顶呱刮吧_百度贴吧 北京快乐8开奖数据 大乐透周三走势图2012 山东十一运夺金360 闪电养鸡赚钱吗 22选5选号组合技巧 福建11选5走势图任选走势 奇人透码三期必中 华夏娱乐苹果 河北快3任选基本