The invention discloses a deep learning based on skin cancer recognition system, including image input module, CNN module and convolutional neural network inference module, the image input module and convolutional neural network CNN module is connected, the convolutional neural network CNN module and the inference module is connected with the image input module, the basic information for file access DICOM image file in the register in recognition of records in a table and read out pixel the memory matrix conversion to skin cancer identification system built-in, conversion matrix; CNN neural network input layer convolution module input matrix, after four volumes and three layer pooling layer Max convolution processing then, to capture features used to identify the image classification, the connection layer will output Max pooling conversion into a one-dimensional vector, and activation Function stochastic is used to find out the probability that the input image belongs to a certain disease. The inference module is used to transform the probability of CNN convolution neural network module to the specific diagnosis.
【技术实现步骤摘要】
基于深度学习的皮肤癌识别系统
本专利技术涉及医疗
,特别是指一种基于深度学习的皮肤癌识别系统。
技术介绍
皮肤癌是一种高发的恶性肿瘤,包括基底细胞癌、恶性黑色素瘤以及鳞状细胞癌等,其中以恶性黑色素瘤预后最差,死于恶性黑素素瘤的患者占死于皮肤肿瘤患者总数的75%以上,恶性黑色素瘤的五年存活率不足1%。在临床上,皮肤癌的诊断首先需要进行临床筛查,然后进行皮肤镜检查,随后进行活检以及组织病理学检查。随着卷积神经网络(ConvolutionalNeuralNetwork,CNN)的技术发展,使用深度学习来进行皮肤肿瘤自动识别已经成为了一种可能。深度学习作为机器学习
当中的最新技术,已证实在有极大数据集作为输入的基础之上,能够在视觉识别领域达到较高水准(如人脸识别),并且在策略类游戏如围棋中能够超过人类能力(如AlphaGo)。因此,有必要设计一种新的基于深度学习的皮肤癌识别系统,以解决上述技术问题。
技术实现思路
针对
技术介绍
中存在的问题,本专利技术的目的是提供一种基于深度学习的皮肤癌识别系统,利用训练所得的权重值,对新输入的图片进行多个层次的特征提取,最终能够根据图片进行不同类型皮肤癌及相关疾病的判断。本专利技术的技术方案是这样实现的:一种基于深度学习的皮肤癌识别系统,包括图像输入模块、CNN卷积神经网络模块以及推断模块,所述图像输入模块与CNN卷积神经网络模块连接,所述CNN卷积神经网络模块与推断模块连接,其中,所述图像输入模块:用于根据代码映射关系,读取DICOM图像文件的文件头中的各项基本信息,注册于识别记录表中;完成图像注册后,图像输入模块从DI ...
【技术保护点】
一种基于深度学习的皮肤癌识别系统,其特征在于:包括图像输入模块、CNN卷积神经网络模块以及推断模块,所述图像输入模块与CNN卷积神经网络模块连接,所述CNN卷积神经网络模块与推断模块连接,其中,所述图像输入模块:用于根据代码映射关系,读取DICOM图像文件的文件头中的各项基本信息,注册于识别记录表中;完成图像注册后,图像输入模块从DICOM图像文件中读取出其中的像素点,转换至皮肤癌识别系统内置的矩阵存储器中,转换为矩阵,便于下一步CNN卷积网络模块对该矩阵的特征提取;所述CNN卷积神经网络模块:包括四个卷积层,三个max pooling层,一个全连接层以及最底层的输入层,输入层输入所述矩阵,经过四个卷积层和三个max pooling层卷积处理后,抓取到用来识别图像的特征之后对图像进行分类,全连接层将max pooling层的输出转换为一个一维向量,并且用激活函数stochastic求出输入的图像属于某一种疾病的概率;所述推断模块:用于将CNN卷积神经网络模块得出的概率转化为具体的诊断。
【技术特征摘要】
1.一种基于深度学习的皮肤癌识别系统,其特征在于:包括图像输入模块、CNN卷积神经网络模块以及推断模块,所述图像输入模块与CNN卷积神经网络模块连接,所述CNN卷积神经网络模块与推断模块连接,其中,所述图像输入模块:用于根据代码映射关系,读取DICOM图像文件的文件头中的各项基本信息,注册于识别记录表中;完成图像注册后,图像输入模块从DICOM图像文件中读取出其中的像素点,转换至皮肤癌识别系统内置的矩阵存储器中,转换为矩阵,便于下一步CNN卷积网络模块对该矩阵的特征提取;所述CNN卷积神经网络模块:包括四个卷积层,三个maxpooling层,一个全连接层以及最底层的输入层,输入层输入所述矩阵,经过四个...
【专利技术属性】
技术研发人员:彭逢安,邝洋辉,李鑫,
申请(专利权)人:广州慧扬健康科技有限公司,
类型:发明
国别省市:广东,44
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。