本发明涉及大数据云计算技术领域，特别涉及一种基于深度学习的医疗影像识别系统。
背景技术：
随着医学影像技术的快速发展，医院信息系统应用范围的不断扩大，存储在医院数据库中的影像数据呈几何级增长。这些数量庞大的医学影像数据来源于各种医学成像设备，如超声、X射线计算机断层摄影(CT)、核磁共振(MRI)、数字血管剪影(DSA)、正电子断层摄影(PET)等，而且对应了不同的人体组织器官，如颅脑、胸、肺、肝等，同时每个组织器官所患的病症也存在很多种可能，如肝部可能有肝硬化、肝瘤、肝内胆管结石等。庞大的数据量、种类繁多的成像设备，再加上不同的患病部位以及不同的疾病种类，给医学影像数据的高效组织管理和精确识别带来了极大的挑战。
深度学习技术正在渗透向各行各业，包括一直被认为专业度、复杂度最高的医疗行业。有在医疗服务当中着眼于辅助诊断的尝试，比如半个医生、医渡云；也有在医学影像当中尝试人工智能，比如雅森科技等。DeepCare同样是尝试在医学影像当中引入人工智能，通过深度学习技术，来实现对医学影像的智能分析判断。
技术实现要素：
因此，有必要提供一种能够精确识别医疗影像中病灶的基于深度学习的医疗影像识别系统。
一种基于深度学习的医疗影像识别系统，其包括如下单元：
模型建立单元，用于建立基于深度学习的医疗影像识别模型；包括：
初始化子单元，用于建立初始卷积网络CNN1；通过500个样本对初始卷积网络CNN1进行训练，初始权重均匀分布在-0.04-0.04中随机参数，网络迭代次数为36次；
第一进化子单元，用于根据网络生长队长对初始卷积网络CNN1进行一次生长得到深度网络CNN2；网络迭代次数为36次；
第二进化子单元，用于再次对深度网络CNN2进行生长得到深度网络CNN3，对CNN3进行训练使得评价误差达到预设指标，且误差收敛速度小于设置阈值；从而得到基于深度学习的医疗影像识别模型；
识别单元，用于输入待识别的医疗影像，并根据基于深度学习的医疗影像识别模型对待识别的医疗影像进行识别，并输出识别结果。
在本发明所述的基于深度学习的医疗影像识别系统中，模型建立单元中建立初始卷积网络CNN1包括：
建立初始卷积网络CNN1；CNN1包括1个输入层，2级卷积，1个全连接层，1个RBF层和1个输出层，各隐层的空间分辨率逐层递增，特征平面的数量逐层递增，共4级8层结构；
C1层是一个由2个特征图构成的卷积层，是2个大小为5×5的卷积核对输入图像进行卷积获得；特征图的大小为28×28，特征图中每个神经元与输入层中5×5的邻域相连；同一特征图的上的所有神经元共享权值，每个滤波器25个连接权值参数和1个偏置参数，一共2个滤波器，C1层共需训练的参数52个；
S2层是一个由2个14×14的特征图组成的降采样层；S2层特征图中的每个神经元与C1层中相对神经元的2×2并不重叠，因此，S2中每个特征图的大小是C1中特征图大小的1/4；S2层需要训练参数一共有4个；
C3层是一个卷积层，通过3种不同的5×5卷积核去卷积层S2，由3张10×10特征图组成，即每张含10×10个神经元；C3中的每个特征图连接到S2中的所有1个或者2个特征图，表示本层的特征图是上一层提取到的特征图的不同组合，需要训练的权重为103个；
S4层是一个由3张5×5大小的特征图构成的降采样层；特征图中的每个单元与C3中相应特征图的2×2邻域相连接，与C1和S2之间的连接和抽样过程相同；每个特征图1个权值系数和1个偏置，S4层需训练参数为6个；
C5层是一个卷积层，根据输出层和RBF层的神经元数量决定C5层含32个神经元，抽取前一层32个隐性特征；每个神经元与S4层的全部单元的5×5邻域相连。由于S4层特征图的大小与卷积核的大小相同，都为5x5，所以C5特征图的大小为1×1，即每个特征图只含有1个神经元：因此S4和C5之间是全连接；
RBF层由欧式径向基函数单元组成，有16个神经单元，由输出层的设计决定，与C5层全相连；每个输出RBF单元计算输入向量和参数向量之间的欧式距离，采用高斯函数作为基函数；
输出层由6个独立的神经元组成，对应医疗影像中需要辨识出的病灶类型。
在本发明所述的基于深度学习的医疗影像识别系统中，根据网络生长队长对初始卷积网络CNN1进行一次生长得到深度网络CNN2；网络迭代次数为36次后训练收敛误差大于16％。
在本发明所述的基于深度学习的医疗影像识别系统中，对深度网络CNN2进行生长得到深度网络CNN3，其中C1层、S2层特征图数量生长为6，C3层、S4层特征图数量匹配生长为16。
在本发明所述的基于深度学习的医疗影像识别系统中，
模型建立单元中深度网络CNN3包括：
C1卷积层，由6个特征图构成，每个特征图含有28×28个神经元，每个神经元分别与输入层即原始图像中对应的5×5邻域相连；Cl共有6个卷积核，每个卷积核有25个连接权值参数和一个偏置参数，一共6个卷积核，共计156个可训练参数；
S2降采样层，有6个特征图，每个特征图含有14×14个神经元，每个单元与C1中相对应特征图的2×2邻域相连接，S2中每个特征图缩小到C1层特征图的1/4大小；S2层一共有12个可训练参数；
C3卷积层，通过16种不同的5×5的卷积核去卷积S2层得到的16个特征图，每个特征图含10×10个神经元；C3层与S2层之间的连接采取不全连接方式；C3层共16个特征图，其中6个特征图抽取S2层中3个相邻的特征图子集信息；6个特征图抽取S2中4个相邻特征图子集信息；3个抽取不相邻的4个特征图子集信息，1个抽取S2中所有特征图组合信息；C3层一共有1516个可训练参数；
S4降采样层，由16个特征图构成，每个特征图有5×5个神经单元，每个单元与C3中相应特征图的2×2邻域相连接，与C1和S2之间的连接和抽样过程相同；每个特征图有1个权值系数和1个偏置参数，S4层有32个可训练参数；
C5层、RBF层及输出层的结构和神经元数量与CNN1相同。
实施本发明提供的基于深度学习的医疗影像识别系统与现有技术相比具有以下有益效果：通过建立基于深度学习的医疗影像识别模型，在深度学习模型中特征抽取层和降采样层的监督训练实现方法，及通过多层映射单元提取医疗影像中病灶的主要本质信息，具有较高的病灶识别准确率。
附图说明
图1是本发明实施例的基于深度学习的医疗影像识别系统结构框图。
具体实施方式
如图1所示，一种基于深度学习的医疗影像识别系统，其包括如下单元：
模型建立单元，用于建立基于深度学习的医疗影像识别模型；包括：
初始化子单元，用于建立初始卷积网络CNN1；通过500个样本对初始卷积网络CNN1进行训练，初始权重均匀分布在-0.04-0.04中随机参数，网络迭代次数为36次。
第一进化子单元，用于根据网络生长队长对初始卷积网络CNN1进行一次生长得到深度网络CNN2；网络迭代次数为36次。
第二进化子单元，用于再次对深度网络CNN2进行生长得到深度网络CNN3，对CNN3进行训练使得评价误差达到预设指标，且误差收敛速度小于设置阈值；从而得到基于深度学习的医疗影像识别模型。
识别单元，用于输入待识别的医疗影像，并根据基于深度学习的医疗影像识别模型对待识别的医疗影像进行识别，并输出识别结果。
可选地，在本发明实施例所述的基于深度学习的医疗影像识别系统中，模型建立单元中建立初始卷积网络CNN1包括：
建立初始卷积网络CNN1；CNN1包括1个输入层，2级卷积，1个全连接层，1个RBF层和1个输出层，各隐层的空间分辨率逐层递增，特征平面的数量逐层递增，共4级8层结构。
C1层是一个由2个特征图构成的卷积层，是2个大小为5×5的卷积核对输入图像进行卷积获得；特征图的大小为28×28，特征图中每个神经元与输入层中5×5的邻域相连；同一特征图的上的所有神经元共享权值，每个滤波器25个连接权值参数和1个偏置参数，一共2个滤波器，C1层共需训练的参数52个。
S2层是一个由2个14×14的特征图组成的降采样层；S2层特征图中的每个神经元与C1层中相对神经元的2×2并不重叠，因此，S2中每个特征图的大小是C1中特征图大小的1/4；S2层需要训练参数一共有4个。
C3层是一个卷积层，通过3种不同的5×5卷积核去卷积层S2，由3张10×10特征图组成，即每张含10×10个神经元；C3中的每个特征图连接到S2中的所有1个或者2个特征图，表示本层的特征图是上一层提取到的特征图的不同组合，需要训练的权重为103个。
S4层是一个由3张5×5大小的特征图构成的降采样层；特征图中的每个单元与C3中相应特征图的2×2邻域相连接，与C1和S2之间的连接和抽样过程相同；每个特征图1个权值系数和1个偏置，S4层需训练参数为6个。
C5层是一个卷积层，根据输出层和RBF层的神经元数量决定C5层含32个神经元，抽取前一层32个隐性特征；每个神经元与S4层的全部单元的5×5邻域相连。由于S4层特征图的大小与卷积核的大小相同，都为5x5，所以C5特征图的大小为1×1，即每个特征图只含有1个神经元：因此S4和C5之间是全连接。
RBF层由欧式径向基函数单元组成，有16个神经单元，由输出层的设计决定，与C5层全相连；每个输出RBF单元计算输入向量和参数向量之间的欧式距离，采用高斯函数作为基函数。
输出层由6个独立的神经元组成，对应医疗影像中需要辨识出的病灶类型。
可选地，在本发明实施例所述的基于深度学习的医疗影像识别系统中，根据网络生长队长对初始卷积网络CNN1进行一次生长得到深度网络CNN2；网络迭代次数为36次后训练收敛误差大于16％。
可选地，在本发明实施例所述的基于深度学习的医疗影像识别系统中，对深度网络CNN2进行生长得到深度网络CNN3，其中C1层、S2层特征图数量生长为6，C3层、S4层特征图数量匹配生长为16。
可选地，在本发明实施例所述的基于深度学习的医疗影像识别系统中，模型建立单元中深度网络CNN3包括：
C1卷积层，由6个特征图构成，每个特征图含有28×28个神经元，每个神经元分别与输入层即原始图像中对应的5×5邻域相连；Cl共有6个卷积核，每个卷积核有25个连接权值参数和一个偏置参数，一共6个卷积核，共计156个可训练参数；
S2降采样层，有6个特征图，每个特征图含有14×14个神经元，每个单元与C1中相对应特征图的2×2邻域相连接，S2中每个特征图缩小到C1层特征图的1/4大小；S2层一共有12个可训练参数；
C3卷积层，通过16种不同的5×5的卷积核去卷积S2层得到的16个特征图，每个特征图含10×10个神经元；C3层与S2层之间的连接采取不全连接方式；C3层共16个特征图，其中6个特征图抽取S2层中3个相邻的特征图子集信息；6个特征图抽取S2中4个相邻特征图子集信息；3个抽取不相邻的4个特征图子集信息，1个抽取S2中所有特征图组合信息；C3层一共有1516个可训练参数；
S4降采样层，由16个特征图构成，每个特征图有5×5个神经单元，每个单元与C3中相应特征图的2×2邻域相连接，与C1和S2之间的连接和抽样过程相同；每个特征图有1个权值系数和1个偏置参数，S4层有32个可训练参数；
C5层、RBF层及输出层的结构和神经元数量与CNN1相同。
实施本发明提供的基于深度学习的医疗影像识别系统与现有技术相比具有以下有益效果：通过建立基于深度学习的医疗影像识别模型，在深度学习模型中特征抽取层和降采样层的监督训练实现方法，及通过多层映射单元提取医疗影像中病灶的主要本质信息，具有较高的病灶识别准确率。
可以理解的是，对于本领域的普通技术人员来说，可以根据本发明的技术构思做出其它各种相应的改变与变形，而所有这些改变与变形都应属于本发明权利要求的保护范围。