本发明涉及医疗技术领域，尤其涉及一种ct肺结核检测人工智能诊疗系统。
背景技术：
结核病是由结核分枝杆菌引起的慢性传染病，可侵及许多脏器，以肺部结核感染最为常见。排菌者为其重要的传染源。人体感染结核菌后不一定发病，当抵抗力降低或细胞介导的变态反应增高时，才可能引起临床发病。浸润型肺结核，x线常为云絮状或小片状浸润阴影，边缘模糊(渗出性)或结节、索条状(增殖性)病变，大片实变或球形病变(干酪性—可见空洞)或钙化，慢性纤维空洞型肺结核，多在两肺上部，亦为单侧，大量纤维增生，其中空洞形成，呈破棉絮状，肺组织收缩，肺门上提，肺门影呈“垂柳样”改变，胸膜肥厚，胸廓塌陷，局部代偿性肺气肿，结核性胸膜炎(ⅳ型)病侧胸腔积液，小量为肋膈角变浅，中等量以上积液为致密阴影，上缘呈弧形，按分期划分可以分为进展期、好转期和稳定器，进展期：新发现的活动性肺结核，随访中病灶增多增大，出现空洞或空洞扩大，痰菌检查转阳性，发热等临床症状加重，好转期：随访中病灶吸收好转，空洞缩小或消失，痰菌转阴，临床症状改善，稳定期。
经检索,中国专利公开了一种基于dr的肺结核智能识别方法及系统，(授权公告号cn107729911a)，该专利技术公开了一种基于dr的肺结核智能识别方法及系统，其通过大量人工标注的样本来训练形成深度神经网络，该深度神经网通过自主学习肺结核影像特征，并以此来识别dr图像中肺结核影像特征。由此构成的肺结核智能识别方案能够实现对dr图像中的肺结核影像特征进行自动化识别，可实现基于dr的肺结核自动筛查，有效降低筛查成本。再者，本方案识别效率高，识别精度高，有效避免漏检未识别的现象，有效解决现有技术所存在的问题，但是，没有采用肺实质分割、提取感兴趣区域以及特征参数提取步骤对肺结节进行分类判别不同质量的ct影像和各类结节，且没有采用多通道、异构三维卷积融合算法，不同提高不同尺度、不同形态肺结节的检测敏感性和准确性。因此，本领域技术人员提供了一种ct肺结核检测人工智能诊疗系统，以解决上述背景技术中提出的问题。
技术实现要素：
本发明的目的在于提供一种ct肺结核检测人工智能诊疗系统，可以解决上述背景技术中提出的问题。
为了实现上述目的，本发明采用了如下技术方案：一种ct肺结核检测人工智能诊疗系统，包括特征样本库、供神经元网络学习模块、深度卷积神经网络学习模块、输出模块和计算机终端，所述特征样本库内设置有可供神经元网络学习模块以及深度卷积神经网络学习模块学习的大量样本，神经元网络学习模块通过学习后可对诊断数据与原始影像获取模块的影像进行自动诊断，并将诊断结果传递给输出模块，深度卷积神经网络学习模块通过学习后对原始影像获取模块的影像依次进行肺实质分割、提取感兴趣区域以及特征参数提取步骤后分类判别得到肺结节，并将检测结果传递给输出模块，输出模块将检测数据传递给计算机终端。
作为本发明进一步的方案：所述深度卷积神经网络学习模块包括对ct图像进行预处理的图像预处理单元，预测肺结节分割图像的二维卷积神经网络unet以及预测肺结节真假阳性概率的三维深度残神经网络resnet3d。
作为本发明再进一步的方案：所述特征样本库包含有大量正常人胸片影像以及肺结节患者的胸片影像，在标注时首先从历史样本数据中筛选出候选样本，再对候选样本进行审核。
作为本发明再进一步的方案：所述神经元网络学习单元采用多通道、异构三维卷积融合算法。
作为本发明再进一步的方案：所述提取感兴趣区域中感兴趣区域指的是结节与结节特征相似的血管和支气管。
作为本发明再进一步的方案：所述输出模块的输入端分别通过数据线与神经元网络学习模块以及深度卷积神经网络学习模块的输出端电性连接，且输出模块的输出端与计算机终端的输入端通过数据线电性连接。
与现有技术相比，本发明的有益效果是：本发明设计新颖，操作方面，肺结节人工智能诊疗断系统使神经元网络学习模块以及深度卷积神经网络学习模块对特征样本库内已有标记的影像进行深度学习，得到精准的肺部结节分类策略，进而实现肺部结节的检测，结节大小形态和良恶性判定，并自动出具结构化报告供医生参考，由此为医师提供基于肺结节影像的智能阅片、辅助诊疗功能，为医师提供诊疗建议，从而提升医师诊断的精度和效率，扩大了医师的服务能力，降低了医生的劳动强度，节约了诊断时间，增加了患者日检查人数，为患者的及时治疗提供了宝贵时间，降低了患者痛苦。
附图说明
图1为一种ct肺结核检测人工智能诊疗系统的结构示意图。
图2为一种ct肺结核检测人工智能诊疗系统深度卷积神经网络学习模块的结构示意图。
具体实施方式
请参阅图1～2，本发明实施例中，一种ct肺结核检测人工智能诊疗系统，包括特征样本库、供神经元网络学习模块、深度卷积神经网络学习模块、输出模块和计算机终端，所述特征样本库内设置有可供神经元网络学习模块以及深度卷积神经网络学习模块学习的大量样本，特征样本库包含有大量正常人胸片影像以及肺结节患者的胸片影像，在标注时首先从历史样本数据中筛选出候选样本，再对候选样本进行审核，影像含括有(内窥镜影像、ct、眼底照相、病理、钼靶、mri)，提高了特征样本库资料的全面性，增加了神经元网络学习模块以及深度卷积神经网络学习模块的学习深度，保障了检查结果的精准性。
神经元网络学习模块通过学习后可对诊断数据与原始影像获取模块的影像进行自动诊断，并将诊断结果传递给输出模块，神经元网络学习单元采用多通道、异构三维卷积融合算法提高了对不同尺度、不同形态肺结节的检测敏感性和准确性，在通过大量的影像以及诊断数据不断的对神经元网络进行深度学习训练，促使其掌握“诊断”的能力，最终全自动的识别ct影像中所有结节，识别率高达98％，并计算出结节的医学特征，协助医生撰写诊断报告并辅助进行最终诊断，降低了医生的劳动强度，节约了诊断时间，增加了患者日检查人数，为患者的及时治疗提供了宝贵时间，降低了患者痛苦。
深度卷积神经网络学习模块通过学习后对原始影像获取模块的影像依次进行肺实质分割、提取感兴趣区域以及特征参数提取步骤后分类判别得到肺结节，并将检测结果传递给输出模块，提取感兴趣区域中感兴趣区域指的是结节与结节特征相似的血管和支气管，深度卷积神经网络学习模块包括对ct图像进行预处理的图像预处理单元，预测肺结节分割图像的二维卷积神经网络unet以及预测肺结节真假阳性概率的三维深度残神经网络resnet3d，首先图像预处理单元对ct图像进行预处理，使全部ct图像像素间隔统一，图像对比度统一，然后训练二维卷积神经网络unet预测肺结节分割图像，基于肺结节分割图像推荐候选结节，最后训练三维深度残神经网络resnet3d预测肺结节的真假阳性概率，筛除假阳性结合，以提高肺结节小病情的检出，该技术充分将al于医疗知识相结合，适应于不同质量的ct影像和各类结节，如：肺壁便于结节，肺底部尖角处结节，磨玻璃结节，边缘小结节，不同体积的肺结节，形状怪异的肺结节，贴近纵膈钙化结节，图像质量差的结节影像，常规肺结节等等，检测正确率可高达98％左右，可以作为影像科医生的得力辅助工具。
输出模块将检测数据传递给计算机终端，输出模块的输入端分别通过数据线与神经元网络学习模块以及深度卷积神经网络学习模块的输出端电性连接，且输出模块的输出端与计算机终端的输入端通过数据线电性连接，便于医生直接从计算机终端观看的自能科技的检测结果。
本发明的工作原理；神经元网络学习模块以及深度卷积神经网络学习模块对特征样本库内已有标记的影像进行深度学习，得到精准的肺部结节分类策略，再对ct影像进行自动检测，实现了人工智能化，首先神经元网络学习单元采用多通道、异构三维卷积融合算法提高了对不同尺度、不同形态肺结节的检测敏感性和准确性，在通过大量的影像以及诊断数据不断的对神经元网络进行深度学习训练，促使其掌握“诊断”的能力，最终全自动的识别ct影像中所有结节，识别率高达98％，并计算出结节的医学特征，协助医生撰写诊断报告并辅助进行最终诊断，降低了医生的劳动强度，节约了诊断时间，增加了患者日检查人数，为患者的及时治疗提供了宝贵时间，降低了患者痛苦，然后深度卷积神经网络学习模块通过学习后对原始影像获取模块的影像依次进行肺实质分割、提取感兴趣区域以及特征参数提取步骤后分类判别得到肺结节，并将检测结果传递给输出模块，提取感兴趣区域中感兴趣区域指的是结节与结节特征相似的血管和支气管，深度卷积神经网络学习模块包括对ct图像进行预处理的图像预处理单元，预测肺结节分割图像的二维卷积神经网络unet以及预测肺结节真假阳性概率的三维深度残神经网络resnet3d，首先图像预处理单元对ct图像进行预处理，使全部ct图像像素间隔统一，图像对比度统一，然后训练二维卷积神经网络unet预测肺结节分割图像，基于肺结节分割图像推荐候选结节，最后训练三维深度残神经网络resnet3d预测肺结节的真假阳性概率，筛除假阳性结合，以提高肺结节小病情的检出，该技术充分将al于医疗知识相结合，适应于不同质量的ct影像和各类结节，如：肺壁便于结节，肺底部尖角处结节，磨玻璃结节，边缘小结节，不同体积的肺结节，形状怪异的肺结节，贴近纵膈钙化结节，图像质量差的结节影像，常规肺结节等等，检测正确率可高达98％左右，可以作为影像科医生的得力辅助工具，最后有输出模块将检测数据传递给计算机终端，便于医生直接从计算机终端观看的自能科技的检测结果。