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的制作方法

技术特征：

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影像图像中分割出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影像图像中分割出肺部区域的分割模块，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，将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反卷积层后连接了一个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模块，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模块，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，生成早期预防和治疗的健康文件的健康文件生成模块，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模块，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模块；

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，

式中，E^N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BP计算方法，如公式(5)所示，

式中，δ^l代表当前层的误差函数，δ^l+1代表上一层的误差函数，W^l+1为上一层映射矩阵，f'表示激活函数的反函数，即上采样，u^l表示未通过激活函数的上一层的输出，x^l-1表示下一层的输入，W^l为本层映射权值矩阵，b^l为当前网络的加性偏置。

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)/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，l＝1，2，…，n；

当前层的输出用(2)表示，

X^l＝f^l(W^lX^l-1+b^l) (2)

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

式中，l代表网络层数，W^l代表已经训练好的、当前网络层的映射权值矩阵，f^l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：所述的深度卷积神经网络是在所述的卷积神经网络的第八层的反卷积层后连接了一个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：

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：

代价函数对第j个类别的第l个参数的偏导数为：

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。

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：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影像图像中分割出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，就结合病理学专家临床诊断报告进行综合分析，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。

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，那么能检测出直径为3mm的肺结节，一个病例检查会产生140层的二维CT影像。

7.如权利要求1或5或6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；

为了得到的疑似肺癌类型识别精度，要求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；

采用如下图像数据增强变换方法中的一种或几种增加输入数据的量：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，进行放大或缩小；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：采用椒盐噪声或高斯噪声对图像的每个像素RGB进行随机扰动；⑨颜色变换。

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：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。