基于深度学习的皮肤癌识别系统技术方案

本发明专利技术公开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，图像输入模块用于读取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并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；CNN卷积神经网络模块的输入层输入矩阵，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；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。

Skin cancer recognition system based on deep learning

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，经过四个卷积层和三个maxpooling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maxpooling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。在上述技术方案中，所述卷积层卷积时，在矩阵边缘加上一个边缘层，帮助控制卷积输出的特征图的尺寸大小。在上述技术方案中，所述Maxpooling层用于舍弃掉图片不重叠地分隔的多个大小相同的小块中的不必要的结点，减少不必要的参数。本专利技术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，图像输入模块用于读取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并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；CNN卷积神经网络模块的输入层输入矩阵，经过四个卷积层和三个maxpooling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maxpooling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；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。附图说明图1为本专利技术结构图；图2为本专利技术中CNN卷积网络模块的基本架构图。具体实施方式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，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作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。如图1所示，本专利技术所述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卷积网络模块与推断模块连接，以下是对上述各模块的详细说明。(1)图像输入模块：图像输入模块所接收的图像文件对格式的要求为DICOM图像文件。图像输入模块获取图像文件后，首先读取该DICOM图像文件的文件头。根据代码映射关系，读取出文件头中的各项基本信息，注册于识别记录表中，以便于将识别结果与对应的图像进行匹配，同时便于识别结果的输出。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。(2)CNN卷积网络模块：CNN卷积网络模块的基本结构包括两层，分别是特征提取层和特征映射层。特征提取层本质上包括多层卷积，每一层都是由上一层经过卷积得来，从而提取上一层局部的特征；而特征映射层中每一个特征映射是一个平面，平面上各个结点的权值相等。CNN卷积网络模块的最底层是输入层，输入的是经过图像输入模块将图像转换所得的矩阵。随后经过在输入层上，用若干个滤波器，对输入层中的矩阵进行局部连接。一个滤波器，对一个局部区域可以进行线性组合，得到一个像素点。一个滤波器对整个矩阵完全抓取后，可得到一个特征图，该特征图上的像素点本质上就是滤波器对一个局部区域线性组合后得到的一个点。该特征图可以平摊为向量，若干张特征图可以组合为一个矩阵，进入下一个卷积层进行卷积。卷积的运算通过矩阵乘法实现。如下所示，这是一个权重矩阵，每一行是一组权重，相当于一个滤波器。而如下所示的另一个矩阵，则是需要进行组合的向量所组成的矩阵。该矩阵中每一列是一个向量，由局部区域的各个像素点组成。在下图中，每一列是一个向量，该向量中的各个点代表着局部区域的各个像素点。进行卷积操作时，多个滤波器对于同一个局部区域进行矩阵乘法，得到的值作为下一层次的一个结点。如此类推，经过多个滤波器对矩阵的特征提取之后，可以得到下一层次的一个矩阵，从而在下一个层次执行更高层次的特征提取。在进行卷积操作之后，常常需要进行Maxpooling操作，也就是将图片不重叠地分隔为若干个大小相同的小块。如此一来，舍弃了每一个小区域中不必要的结点，由于特征图中存在大量不必要的冗余信息，真正起作用的是每个小区域当中的关键结点，通过maxpooling能够舍弃掉不必要的结点，同时保留最重要的特征，减少不必要的参数。与此同时，增加了对微小位移的不变性，某个特征的微小位移对于该特征的识别没有影像，因此通过maxpooling提高特征的位移不变形。在卷积时，由于滤波器自身的尺寸容易使得卷积后的图像缩小，因此需要在矩阵边缘加上一个边缘层，帮助控制卷积输出的特征图的尺寸大小。一般滤波器与边缘层的组合有两种，分别为3×3的滤波器加上1层边缘层，以及5×5的滤波器加上2层边缘层.在第一层输入层之后，都是隐藏层，在隐藏层中进行着多次卷积。每个卷积层后常常伴随着maxpooling层。在本CNN卷积神经网络模块中，包括四个卷积层，三个maxpooling层，一个全连接层以及最底的输入层。经过上述卷积处理后，抓取到足够用来识别图像的特征之后，需要对图像进行分类，这就需要全连接层将maxpooling层的输出转换为一个一维向量，并且用激活函本文档来自技高网...

【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