基于深度卷积神经网络的肺结节图像识别系统技术方案

一种基于深度卷积神经网络的肺结节图像识别系统，包括：预处理模块、训练模块、元数据库以及预测模块，其中：预处理模块使用三维数据矩阵处理脚本从原始的肺部CT模型中通过三维坐标将疑似肺结节与训练数据的三维图像切割出来，形成肺结节图像并输出至元数据库，元数据库向训练模块提供训练数据并保存预测模块预测完毕、标注完成的图像，训练模块通过训练数据对预搭建的深度卷积神经网络进行训练，并将训练后的深度卷积神经网络模型输出至预测模块；预测模块根据训练后的深度卷积神经网络模型对待测肺结节图像进行预测，并将预测完成的图像做上标记后输出至元数据库以及训练模块进行训练。

Lung nodule image recognition system based on deep convolution neural network

A pulmonary nodule image recognition system, depth based on convolutional neural network includes: preprocessing module, training module, meta database and prediction module, including: preprocessing module using 3D data matrix processing scripts from the original CT model in the lungs through three-dimensional coordinates of the suspected pulmonary nodules and three-dimensional images of the training data of cutting, forming pulmonary nodule image and output to the meta database, meta database provides training data to training module and save prediction module is completed, the completion of image annotation prediction, training module through the training of pre built deep convolutional neural network training data, and the depth of the neural network model to predict the convolution output module after training; the prediction module based on depth convolutional neural network model trained to test the pulmonary nodule image prediction, and the prediction of the complete image After being marked, output to the meta database and training module for training.

【技术实现步骤摘要】
基于深度卷积神经网络的肺结节图像识别系统
本专利技术涉及的是一种医学图像识别领域的技术，具体是一种基于深度卷积神经网络的肺结节图像识别系统。
技术介绍
肺部结节乃至由肺部结节发展导致的肺癌，已经成为现代人健康的第一杀手，而在医学界对于肺部结节的诊断一直由人眼判断和CAD技术来进行，在准确率上一直没有达到一个高且稳定的状态。深度卷积神经网络是在深度学习技术中被广泛采用的网络类型，可以在高纬度提取人眼无法提取的信息，并进行进一步的分类工作。
技术实现思路
本专利技术针对现阶段的技术大多以CAD和支持向量机作为基础，以CT切片的二维图像作为输入，只能在二维平面空间中提取有限的肺结节图像特征，并且具有模型精确度低，可靠性差等缺陷，提出一种基于深度卷积神经网络的肺结节图像识别系统，能够以三维的CT模型为输入，完全保留肺结节的空间信息，在高维度对肺结节图像进行高精确度、高稳定性、高普适性的分类和预测，辅助医生进行肺结节病症的诊断。并且，针对二维的平面图像，能够对图像做径向重组，具备对二维肺结节图像的兼容性，从而成为能够广泛应用的辅助性肺结节图像识别系统。本专利技术是通过以下技术方案实现的：本专利技术本文档来自技高网...

【技术保护点】
一种基于深度卷积神经网络的肺结节图像识别系统，其特征在于，包括：预处理模块、训练模块、元数据库以及预测模块，其中：预处理模块使用三维数据矩阵处理脚本从原始的肺部CT模型中通过三维坐标将疑似肺结节与训练数据的三维图像切割出来，形成训练肺结节图像并输出至元数据库或形成待测肺结节图像并输出至预测模块，元数据库向训练模块提供训练数据并保存预测模块预测完毕、标注完成的图像，训练模块通过训练数据对预搭建的深度卷积神经网络进行训练，并将训练后的深度卷积神经网络模型输出至预测模块；预测模块根据训练后的深度卷积神经网络模型对待测肺结节图像进行预测，并将预测完成的图像做上标记后分别输出至元数据库以及训练模块进行训...

【技术特征摘要】
1.一种基于深度卷积神经网络的肺结节图像识别系统，其特征在于，包括：预处理模块、训练模块、元数据库以及预测模块，其中：预处理模块使用三维数据矩阵处理脚本从原始的肺部CT模型中通过三维坐标将疑似肺结节与训练数据的三维图像切割出来，形成训练肺结节图像并输出至元数据库或形成待测肺结节图像并输出至预测模块，元数据库向训练模块提供训练数据并保存预测模块预测完毕、标注完成的图像，训练模块通过训练数据对预搭建的深度卷积神经网络进行训练，并将训练后的深度卷积神经网络模型输出至预测模块；预测模块根据训练后的深度卷积神经网络模型对待测肺结节图像进行预测，并将预测完成的图像做上标记后分别输出至元数据库以及训练模块进行训练。2.根据权利要求1所述的系统，其特征是，所述的预处理模块包括：原始数据采集单元、三维图形切割单元以及数据传输单元，其中：原始数据采集单元从医疗设备中获得模拟图像，经模数转换后输出原始的肺部CT图像至三维图形切割单元，三维图形切割单元根据三维数据矩阵处理脚本根据原始肺部CT模型中的三维坐标将模拟图像中的三维图像切割出来并形...

【专利技术属性】
技术研发人员：易平，顾双驰，柳宁，李林森，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海,31