【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 ...
【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 ...
【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,...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。