一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统技术方案

本发明专利技术公开一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统，主要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乳腺钼靶摄片图像中乳房区域的分割模块、用于BI‑RADS分类和评估的深度卷积神经网络和一种用于根据所识别的乳腺内结构、肿块和钙化类型进行乳房自助健康云服务平台。本发明专利技术能有效提高基于移动互联网乳腺癌筛查的自动化和智能化水平、能让更多妇女了解并参与自助健康检测、评估、指导，进而提高民众的健康意识，增加自我健康管理能力。

【技术实现步骤摘要】

本专利技术涉及医学影像诊断、移动互联网、数据库管理、计算机视觉、图像处理、模式识别、深度神经网络和深度学习等技术在自助式健康保健领域的应用，尤其涉及一种基于深度卷积神经网络的乳腺癌早期发现和早期诊断的自助健康云服务系统。
技术介绍
近几年来，乳腺癌在我国的发生率逐年上升，尤其是在一些大城市，如上海、北京等地，乳腺癌在女性的恶性肿瘤发病率中已跃居首位。筛查是乳腺癌早期检出的重要手段，高质量的乳腺摄影检查(即钼靶摄片)结合临床门诊、乳腺超声检查是目前最主要的筛查方式。乳腺钼靶摄片是目前国际上公认的检查乳腺疾病中最为简单、便捷、准确的方法。随着高频及数字乳腺机的广泛使用，使乳腺微小病灶及细微钙化灶的显示率达到95％，极大地提高了乳腺癌的早期检出率。研究表明乳腺癌的早期发现和早期诊断的预后率达到95％。目前在经济比较发达地区，在健康普查时对40岁以上的妇女都进行乳腺钼靶摄片技术来检查是否有乳腺疾病。然而对大量普查乳腺图片进行诊断，对于放射科医生来说是一项艰巨任务。诊断病例是一个主观判断历程，会受到医生的经验、知识水平与疲劳程度的影响；其次诊断时，尤其是在普查中，容易遗漏某些细微改变，如乳腺内的细微钙化等。可见放射科医生在病例诊断过程中漏诊、误诊的情况是不可避免的。目前预防与治疗乳腺癌的关键还是在于“早发现、早诊断，早治疗”。钼靶摄片是目前乳腺疾病最主要的诊断手段。放射科医生对于乳腺癌的漏诊率达15％～30％，乳腺癌普查时这个比例还更高，尤其对于早期病变在确定乳腺内肿块与微小钙化有时十分困难。研究表明两位放射科医师对同一病例进行诊断可以明显提高诊断的准确率。为缓解放射科医师的工作强度以及提高临床诊断的准确性，特别是降低真阳性病例误诊的概率，计算机辅助诊断开始被广泛应用于临床诊断中。目前，医学影像学中的计算机辅助诊断技术通常可以分为三类：(1)图像分割处理。图像处理的是让计算机易于识别可能存在的病变，让计算机从复杂的解剖背景中将病变及可疑结构识别出来。如乳腺癌图像，需要先分割出乳房部位；然后针对各种病变运用不同的图像处理方法，基本原则是图像增强与过滤将可疑病变从正常解剖背景中分离、显示出来；(2)特征描述与图像分析。对图像中感兴趣的目标进行检测和测量(特征提取)，它是一个从图像到数据的过程。最为典型的就是运用计算机视觉进行辅助检测(ComputerAidedDetection)。当进行诊断工作时，计算机视觉提取出感兴趣区域(RangeOfInterest，ROI)，提醒要特别注意这些区域的细微改变。而对于感兴趣区域的性质的识别，还是需要人工判断，这样可以减轻放射科医生的工作强度；(3)图像理解。研究图像中各目标的性质和相互关系、理解图像含义。它是一个从图像到高级描述、识别的过程，这就是计算机人工智能的高级阶段-计算机辅助诊断。这个阶段计算机收集大量同病种、同部位的影像学信息建立“知识库”。利用机器学习技术针对“知识库”进行训练，使计算机“学会”根据以往的“经验”对当前的影像病变做出诊断建议。这些医学影像学中的计算机辅助诊断技术属于前深度学习时代的计算机视觉技术。中国专利技术专利申请号为201510031345.8公开了一种基于核自优化Fisher判别的X光乳腺组织图像分类方法，该方法包括图像预处理和分类两个关键步骤。首先预处理过程包括乳腺背景、标签以及肌肉组织的去除，然后用提出的核自优化Fisher判别分类器进行乳腺组织分类。该分类器包括四个阶段框架，第一步：标签去除，第二步：胸肌去除，利用形态滤波和CCL算法去除胸肌部分。第三步：特征提取，计算无背景、标签和胸肌的像素的统计特征，包括平均值、标准差、平滑度、平均直方图、均匀度、峰度，组成统计特征向量。第四步：分类，采用增强核Fisher判别，即核自优化Fisher判别进行分类输入图像的统计特征。中国专利技术专利申请号为200710052747.1公开了一个基于乳腺X线摄片的乳腺癌计算机辅助诊断系统。该专利技术首先给系统输入一个待诊断的乳腺X线摄片，通过感兴趣区域提取模块、可疑肿块区域分割模块和可疑肿块区域的特征提取模块的处理，得到有关可疑肿块区域的一系列相关特征值，然后将这些特征值输入已训练的分类器对可疑肿块区域进行分类识别，最后将计算机自动检测的最终可疑肿块区域的分割结果定位在输入的待诊断的乳腺X线摄片上，提示放射科医生需要重点关注的区域和区域相关重点参数。中国专利技术专利申请号为201510219765.9公开了一种基于分形的早期乳腺癌钙化点计算机辅助检测方法。包括如下步骤：1.利用直方图均衡化、高通滤波器、Sobel边缘检测的图像处理方法，找到疑似乳腺癌钙化点的感兴趣区域；2.基于分形理论，提取感兴趣区域的纹理特征，即分形谱和分形维数；3.通过机器学习的方法，找到将含有钙化点的乳腺X光片与未含有钙化点的医学图像分类的约束条件，以此约束条件作为判断乳腺X光片是否含有钙化点。中国专利技术专利申请号为201610040330.2公开了一种乳腺癌病理学图像有丝分裂核自动分割方法，该方法首先根据BR图的不同尺度LoG滤波的最大响应初略估计出前景像素和背景像素。在此基础上对当前的前景像素和背景像素分别训练一个高斯混合模型GMM以描述前景像素和背景像素的颜色分布；并建立s-t图G＝{V,E本文档来自技高网...

【技术保护点】
一种基于深度卷积神经网络的预防乳腺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乳腺钼靶摄片图像中乳房区域的分割模块、用于乳腺癌诊断分类的深度卷积神经网络和用于根据所识别的BI‑RADS类型进行早期预防和治疗的自助健康云服务平台；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，在所述的卷积神经网络的全连接层改为反卷积层，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从乳腺钼靶摄片图像中乳房对象图像语义分割；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全连接层后连接了一个Softmax分类器，用于对BI‑RADS类型进行分类识别；所述的自助健康云服务平台，包括：用于发送乳腺钼靶摄片图像的用户终端，接收和读取用户发送过来的乳腺钼靶摄片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乳房区域图像进行分类的BI‑RADS类型分类模块，存放有以BI‑RADS类型为索引的生成健康咨询文件的早期预防和治疗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咨询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。...

【技术特征摘要】
1.一种基于深度卷积神经网络的预防乳腺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乳腺钼靶摄片图像中乳房区域的分割模块、用于乳腺癌诊断分类的深度卷积神经网络和用于根据所识别的BI-RADS类型进行早期预防和治疗的自助健康云服务平台；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，在所述的卷积神经网络的全连接层改为反卷积层，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从乳腺钼靶摄片图像中乳房对象图像语义分割；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全连接层后连接了一个Softmax分类器，用于对BI-RADS类型进行分类识别；所述的自助健康云服务平台，包括：用于发送乳腺钼靶摄片图像的用户终端，接收和读取用户发送过来的乳腺钼靶摄片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乳房区域图像进行分类的BI-RADS类型分类模块，存放有以BI-RADS类型为索引的生成健康咨询文件的早期预防和治疗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咨询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。2.如权利要求1所述的基于深度卷积神经网络的预防乳腺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+1)/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，...

【专利技术属性】
技术研发人员：汤一平，郑智茵，
申请(专利权)人：汤一平，
类型：发明
国别省市：浙江;33