基于深度神经网络的慢性阻塞性肺病的检测系统的制作方法

本发明涉及神经网络技术领域，尤其涉及一种基于深度神经网络的慢性阻塞性肺病的检测系统。

背景技术：

随着计算机技术的飞速发展与广泛应用，计算机辅助诊断对人类的健康发挥出越来越重要的作用。

现有技术中，通过计算机辅助诊断方法对慢性阻塞性肺病(chronicobstructivepulmonarydisease，copd)的检测系统的检测方法如下：首先，获取患者的电子计算机断层扫描(computedtomography，ct)影像，然后通过对ct图像进行图像处理，然后根据ct图像每个像素的像素值，判断该像素与预设像素阈值的关系，得出该像素是否为病变区域图像像素，最后根据病变区域图像像素占整个肺部图像像素的比例判断该患者患copd的概率。

由于现有技术的检测系统中，影响预设像素阈值的因素较多，选择不同的阈值就会得出不同的结果，区分度不明显，导致对copdct影像的分析结果不准确。

技术实现要素：

(一)要解决的技术问题

本发明的目的是提供一种基于深度神经网络的慢性阻塞性肺病的检测系统，利用深度神经网络去发现并辨别肉眼难以识别的早期细微的肺小叶病变，解决了现有技术中的copd检测系统的检测结果不准确的技术问题。

(二)技术方案

为了解决上述技术问题，一方面，本发明提供一种基于深度神经网络的慢性阻塞性肺病的检测系统，包括：

预处理模块，用于对获取的第一患者的胸部ct图像进行灰度化处理，并提取经过灰度化处理后的所述胸部ct图像中的多个肺小叶区域图像；

检测模块，用于将获取的所述第一患者的身体质量指数bmi，以及所述多个肺小叶区域图像，输入训练好的深度神经网络模型，获取所述第一患者患慢性阻塞性肺病的概率值。

进一步地，所述深度神经网络模型包括深度神经网络单元和计算单元，其中，

深度神经网络单元，用于根据获取的所述第一患者的身体质量指数bmi和每个肺小叶区域图像，获取每个肺小叶病变的概率；

计算单元，用于根据每个肺小叶病变的概率，获取所述第一患者患慢性阻塞性肺病的概率。

进一步地，还包括：

训练模块，用于获取训练样本集，所述训练样本集包含多组训练样本，每组训练样本包含一位样本患者的bmi和病变肺小叶的直径，所述病变肺小叶的直径由所述样本患者的胸部ct图像中获得；

基于所述训练样本集，对所述深度神经网络模型进行训练。

进一步地，所述训练好的深度神经网络模型的激活函数为：

其中，p(i)为第i个肺小叶病变的概率，xi为第i个特征变量，k为特征变量的总数，w为连接权重。

进一步地，所述根据每个肺小叶病变的概率，获取所述第一患者患慢性阻塞性肺病的概率具体为：

其中，p为第一患者患慢性阻塞性肺病的概率，p(i)为第i个肺小叶病变的概率，n为第一患者胸部ct图像中的肺小叶区域图像的总数。

进一步地，所述系统还包括：

可视化模块，根据每个肺小叶病变的概率，将病变概率大与预设阈值的肺小叶区域进行可视化处理。

另一方面，本发明提供一种用于慢性阻塞性肺病检测的电子设备，包括：

存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下步骤：

对获取的第一患者的胸部ct图像进行灰度化处理，并提取经过灰度化处理后的所述胸部ct图像中的多个肺小叶区域图像；

将获取的所述第一患者的身体质量指数bmi，以及所述多个肺小叶区域图像，输入训练好的深度神经网络模型，获取所述第一患者患慢性阻塞性肺病的概率值。

再一方面，本发明提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如下步骤：

对获取的第一患者的胸部ct图像进行灰度化处理，并提取经过灰度化处理后的所述胸部ct图像中的多个肺小叶区域图像；

将获取的所述第一患者的身体质量指数bmi，以及所述多个肺小叶区域图像，输入训练好的深度神经网络模型，获取所述第一患者患慢性阻塞性肺病的概率值。

又一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：

对获取的第一患者的胸部ct图像进行灰度化处理，并提取经过灰度化处理后的所述胸部ct图像中的多个肺小叶区域图像；

将获取的所述第一患者的身体质量指数bmi，以及所述多个肺小叶区域图像，输入训练好的深度神经网络模型，获取所述第一患者患慢性阻塞性肺病的概率值。

(三)有益效果

本发明提供的基于深度神经网络的慢性阻塞性肺病的检测系统，通过将深度神经网络与医学影像相结合，利用人工对copd进行诊断的临床经验知识作为先验，再利用深度神经网络去发现并辨别肉眼难以识别的早期细微的肺小叶病变，对病例作出高可靠的预测，从而提高了copd检测的准确度。

附图说明

图1为依照本发明实施例的基于深度神经网络的慢性阻塞性肺病的检测系统示意图；

图2为本发明实施例提供的用于慢性阻塞性肺病检测的电子设备的结构示意图。

具体实施方式

为了使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

图1为依照本发明实施例的基于深度神经网络的慢性阻塞性肺病的检测系统示意图，如图1所示，本发明实施例提供一种基于深度神经网络的慢性阻塞性肺病的检测系统，包括预处理模块10和检测模块20，其中，

预处理模块10用于对获取的第一患者的胸部ct图像进行灰度化处理，并提取经过灰度化处理后的所述胸部ct图像中的多个肺小叶区域图像；

检测模块20用于将获取的所述第一患者的身体质量指数bmi，以及所述多个肺小叶区域图像，输入训练好的深度神经网络模型，获取所述第一患者患慢性阻塞性肺病的概率值。

进一步地，所述深度神经网络模型包括深度神经网络单元和计算单元，其中，

深度神经网络单元，用于根据获取的所述第一患者的身体质量指数bmi和每个肺小叶区域图像，获取每个肺小叶病变的概率；

计算单元，用于根据每个肺小叶病变的概率，获取所述第一患者患慢性阻塞性肺病的概率。

进一步地，还包括：

训练模块，用于获取训练样本集，所述训练样本集包含多组训练样本，每组训练样本包含一位样本患者的bmi和病变肺小叶的直径，所述病变肺小叶的直径由所述样本患者的胸部ct图像中获得；

基于所述训练样本集，对所述深度神经网络模型进行训练。

进一步地，所述训练好的深度神经网络模型的激活函数为：

其中，p(i)为第i个肺小叶病变的概率，xi为第i个特征变量，k为特征变量的总数，w为连接权重。

进一步地，所述根据每个肺小叶病变的概率，获取所述第一患者患慢性阻塞性肺病的概率具体为：

其中，p为第一患者患慢性阻塞性肺病的概率，p(i)为第i个肺小叶病变的概率，n为第一患者胸部ct图像中的肺小叶区域图像的总数。

进一步地，所述系统还包括：

可视化模块，根据每个肺小叶病变的概率，将病变概率大与预设阈值的肺小叶区域进行可视化处理。

具体的，本发明实施例提供的基于深度神经网络的慢性阻塞性肺病的检测系统包括两大部分，第一部分：预处理模块10；第二部分：检测模块20。

在利用系统中的深度神经网络模型对慢性阻塞性肺病进行检测之前，需要通过系统中的训练模块对深度神经网络进行训练，具体如下：

首先，通过训练模块，获取训练样本集，所述训练样本集包含多组训练样本，每组训练样本包含一位样本患者的bmi和病变肺小叶的直径，所述病变肺小叶的直径由所述样本患者的胸部ct图像中获得，所述病变肺小叶的直径是由职业医生对样本患者的胸部ct图像中的树芽征进行标注得到。

基于所述训练样本集，对所述深度神经网络模型进行训练。

根据连接权重公式w＝a(x+y)+b，利用样本患者的bmi和病变肺小叶的直径，通过深度神经网络不断地学习，计算得出合适的参数a和b的值使得连接权重w的值属于0和1之间，其中，x为病变肺小叶的直径，即具有树芽征的肺小叶直径，y为样本患者的bmi。

深度神经网络模型的激活函数为：

其中，p(i)为第i个肺小叶病变的概率，xi为第i个特征变量，k为特征变量的总数，w为连接权重。

对深度神经网络进行训练完成之后，即，得到深度神经网络模型。

然后，通过系统中的预处理模块10将第一患者的一次扫描的ct医学图像缩放成合适大小的图像，所述第一患者为待检测的患者；

选取ct图像合适的窗宽窗位，将医学格式图像转化为灰度图像，保存至文件夹；

对灰度图像进行适当的缩放、旋转，以满足特定的图像变形，根据图像扫描的间距构建立体图像；

提取肺小叶区域的图像，得到多个肺小叶区域图像。

最后，通过系统中的检测模块20，利用得到的深度神经网络模型对慢性阻塞性肺病进行检测，具体如下：

将上述每个肺小叶区域图像和所述第一患者的bmi，输入到训练好的深度神经网络单元中，获取每个肺小叶病变的概率。然后，根据公式通过计算单元计算出第一患者患慢性阻塞性肺病的概率，作为最终结果输出。

其中，p为第一患者患慢性阻塞性肺病的概率，p(i)为第i个肺小叶病变的概率，n为第一患者胸部ct图像中的肺小叶区域图像的总数。

优选地，本发明实施例提供的慢性阻塞性肺病的检测系统还包括：

可视化模块，根据每个肺小叶病变的概率，将病变概率大与预设阈值的肺小叶区域进行可视化处理。即，通过训练好的深度神经网络单元，获取每个肺小叶病变的概率，然后将病变概率大与预设阈值的肺小叶区域进行可视化处理，将病变的肺小叶清晰地展示出来，用于辅助人工判别诊断。所述的预设阈值可以根据具体情况来设定，此处不做限定。本发明提供的基于深度神经网络的慢性阻塞性肺病的检测系统，通过将深度神经网络与医学影像相结合，利用人工对copd进行诊断的临床经验知识作为先验，对早期的肺小叶细微病变检测，对病例作出高可靠的预测，从而提高了copd检测的准确度。

实施例2：

图2为本发明实施例提供的用于慢性阻塞性肺病检测的电子设备的结构示意图，如图2所示，所述设备包括：处理器(processor)801、存储器(memory)802和总线803；

其中，处理器801和存储器802通过所述总线803完成相互间的通信；

处理器801用于调用存储器802中的程序指令，以执行如下步骤：

对获取的第一患者的胸部ct图像进行灰度化处理，并提取经过灰度化处理后的所述胸部ct图像中的多个肺小叶区域图像；

将获取的所述第一患者的身体质量指数bmi，以及所述多个肺小叶区域图像，输入训练好的深度神经网络模型，获取所述第一患者患慢性阻塞性肺病的概率值。

实施例3：

本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行如下步骤：

对获取的第一患者的胸部ct图像进行灰度化处理，并提取经过灰度化处理后的所述胸部ct图像中的多个肺小叶区域图像；

将获取的所述第一患者的身体质量指数bmi，以及所述多个肺小叶区域图像，输入训练好的深度神经网络模型，获取所述第一患者患慢性阻塞性肺病的概率值。

实施例4：

本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下步骤：

对获取的第一患者的胸部ct图像进行灰度化处理，并提取经过灰度化处理后的所述胸部ct图像中的多个肺小叶区域图像；

将获取的所述第一患者的身体质量指数bmi，以及所述多个肺小叶区域图像，输入训练好的深度神经网络模型，获取所述第一患者患慢性阻塞性肺病的概率值。

本领域普通技术人员可以理解：以上所描述的装置及设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。