基于深度神经网络的慢性阻塞性肺病的检测系统技术方案

本发明专利技术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。本发明专利技术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进行检测，对病例作出高可靠的预测，从而提高了COPD检测的准确度。

【技术实现步骤摘要】
基于深度神经网络的慢性阻塞性肺病的检测系统
本专利技术涉及神经网络
，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。
技术介绍
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。
技术实现思路
(一)要解决的技术问题本专利技术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，本专利技术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，本专利技术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，本专利技术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，本专利技术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)有益效果本专利技术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为依照本专利技术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为本专利技术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专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，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，都属于本专利技术保护的范围。实施例1：图1为依照本专利技术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，本专利技术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，本专利技术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：预处理模块本文档来自技高网...

【技术保护点】
一种基于深度神经网络的慢性阻塞性肺病的检测系统，其特征在于，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。

【技术特征摘要】
1.一种基于深度神经网络的慢性阻塞性肺病的检测系统，其特征在于，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。2.根据权利要求1所述的系统，其特征在于，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。3.根据权利要求1所述的系统，其特征在于，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。4.根据权利要求1所述的系统，其特征在于，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。5.根据权利要求2所述的系统，其特征在于，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...

【专利技术属性】
技术研发人员：夏一帆，杨琼，吴诗展，
申请(专利权)人：北京医拍智能科技有限公司，
类型：发明
国别省市：北京,11