利用DNN学习的细胞异常与否诊断系统及诊断管理方法技术方案

本发明专利技术涉及利用DNN学习的细胞异常与否诊断系统的技术，该细胞异常与否诊断系统包括针对检查对象的细胞照片基于神经网络判断是正常细胞还是危险细胞且设置于个别医院的细胞诊断检查装置以及通过因特网连接且进行该细胞诊断检查装置对神经网络的DNN学习的神经网络学习服务器。尤其是，本发明专利技术涉及如下技术：将在个别医院获得的检查对象细胞照片以及诊断结果数据上传提供给神经网络学习服务器，则学习服务器基于这样的信息，对设置于该医院的细胞诊断检查装置的神经网络模型进行DNN学习，生成升级神经网络模型，并将其再次下载提供给细胞诊断检查装置，由此，细胞诊断检查装置能够升级形成针对该设置的医院的诊断环境进行了优化的神经网络模型。

Cell abnormality diagnosis system and diagnostic management method based on DNN learning

The present invention relates to the technique of using DNN to diagnose a system of cell abnormalities or not. The cell abnormal diagnosis system includes a cell photo based on a neural network to determine the cell photo of the inspected object, a cell diagnostic inspection device set in a individual hospital, and a connection through the Internet and carried out by the Internet. The neural network learning server for DNN learning neural network. In particular, the invention relates to the following techniques: to provide an object cell photograph obtained in a individual hospital and a diagnosis result data uploaded to the neural network learning server, and the learning server is based on such information and DNN learning for the neural network model set up in the cell diagnosis and inspection device in the hospital. Upgrading the neural network model and downloading it again to the cell diagnosis inspection device, thus the cell diagnosis and inspection device can upgrade the neural network model that has been optimized for the diagnosis environment of the hospital.

【技术实现步骤摘要】
【国外来华专利技术】利用DNN学习的细胞异常与否诊断系统及诊断管理方法
本专利技术是涉及如下技术：利用DNN学习的细胞异常与否诊断系统包括细胞诊断检查装置和神经网络学习服务器，该细胞诊断检查装置对于检查对象细胞照片基于神经网络(Neuralnetwork)判断是正常细胞还是危险细胞且设置于个别医院，该神经网络学习服务器通过因特网连接而进行该细胞诊断检查装置对神经网络的DNN学习。尤其是，本专利技术涉及如下技术：将在个别医院获得的检查对象细胞照片以及诊断结果数据上传提供给神经网络学习服务器，则学习服务器基于这样的信息，对设置于该医院的细胞诊断检查装置的神经网络模型进行DNN学习，生成升级神经网络模型，并将其再次下载提供给细胞诊断检查装置，由此，细胞诊断检查装置能够升级形成针对其所设置的医院的诊断环境进行了优化的神经网络模型。
技术介绍
现有的诊断患者是否有病的诊断方法有从患者身体采集脱落细胞进行检查的方式。从患者采集脱落细胞(检查对象细胞)的样品，通过巴氏染色以及切片包埋过程制作切片，筛查员(细胞病理技士，cytotechnologist)通过光学显微镜对这些切片进行一次显微镜检查。对于在一次显微镜检查结果出现非正常意见的切片，病理专科医生进行二次解读，确定对于病变与否的诊断。但是，目前是筛查员需要对多个切片的每一个通过手动操作进行显微镜检查，所以需要消耗非常长的时间。而且，当前具有资格的筛查员数量非常少，所以预计短期内无法实现一次显微镜检查需要消耗很长时间的问题。并且，筛查员基于自身的经验和实力来进行显微镜检查，所以存在根据筛查员的当日身体状态有可能出现不完整的一次显微镜检查结果的忧虑。以前也鉴于这个问题，采用从在一次显微镜检查得到正常意见的切片中随机选择约10％左右，复查是否正常进行一次显微镜检查的程序。但是，这一程序只能起到事后监控是否有误的手段以及对筛查员施加压力使他们正常执行业务的手段的功能，无法从根本上解决问题的原因。因此，如果有对于多个切片能够提供具有一定的一致性以及可靠性的一次诊断结果的电子化手段，则始终可以得到正确的最终诊断结果，不会仅依赖筛查员的实力。并且，将多个切片中的70～80％左右作为没有特别问题的部分筛出，仅对剩余的20～30％左右进行详细检查，由此补充或代替筛查员，则与现有相比可以缩短诊断所需时间。另一方面，受到电子产业以及计算机性能发展的影响，医疗领域也引入了电子化手段。但是，目前处于个别医院独自试着引入各种技术的水平，目前还无法认为具有一致性和高可靠性的诊断技术。并且，目前，在大型上级医院利用自主诊断的很多诊断结果数据来提高电子化手段的诊断精度的技术也缺乏。并且，一般情况下，这样的过程非常复杂，要求高水平的处理能力，所以将数据传输至远程设置的专用服务器，通过专用算法，对数据进行处理。由此，得到诊断结果需要相当长时间，而且存在对因特网的接入出现故障时无法利用的问题。针对本专利技术，申请人参照了如下现有技术。(1)韩国专利申请第10-2005-0039468号，“基于利用神经网络的心电图的心脏疾病诊断装置以及方法”(2)韩国专利申请第10-2002-0047898号，“利用人工神经网络的脸部识别方法以及装置”(3)韩国专利申请第10-2009-0117305号，“脉搏诊断机器人系统以及利用该系统的脉搏诊断方法”(4)韩国专利申请第10-2009-0117303号，“基于fNIRS的发育性残疾人障碍诊断方法以及装置”
技术实现思路
技术问题本专利技术鉴于上述问题而提出，本专利技术的目的在于提供一种如下的利用DNN学习的细胞异常与否诊断系统的技术：设置于个别医院的细胞诊断检查装置无需修改已经设置的每一个神经网络模型，通过在经由因特网连接的外部的服务器中间歇性进行的DNN学习，能够逐渐改善诊断的准确度。并且，本专利技术的目的在于提供一种如下的利用DNN学习的细胞异常与否诊断系统技术：能够持续升级设置于个别医院的细胞诊断检查装置专用的神经网络模型。解决课题的手段为了实现上述的技术问题，本专利技术提供利用DNN学习的细胞异常与否诊断系统，其包括：细胞诊断检查装置(100)，其针对检查对象细胞照片基于神经网络判断是正常细胞还是危险细胞；以及神经网络学习服务器(200)，其经由因特网与细胞诊断检查装置(100)连接且执行对于神经网络的DNN学习，所述利用DNN学习的细胞异常与否诊断系统中，细胞诊断检查装置(100)包括：神经网络模型部(110)，其存储事先学习的下位神经网络模型，以便区分正常细胞和危险细胞；细胞图像处理部(120)，其以像素单位的数据向下位神经网络模型输入从外部提供的检查对象细胞照片；细胞异常诊断部(130)，其根据由细胞图像处理部输入的检查对象细胞照片的数据，检测检查对象细胞照片是否存在异常；以及NN模型更新部(140)，其通过因特网从神经网络学习服务器(200)下载上位神经网络模型，对下位神经网络模型进行升级，神经网络学习服务器(200)包括：病变资料数据库(210)，其针对疾病类型，事先区分存储多个正常细胞照片和病变细胞照片；NN模型生成部(220)，其基于在病变资料数据库中事先区分为正常以及危险的数据，生成上位神经网络模型；DNN学习处理部(230)，其基于在病变资料数据库中事先区分为正常以及危险的数据，执行对上位神经网络模型的DNN学习；以及学习模型提供部(240)，其将上位神经网络模型下载提供至NN模型更新部。这时，细胞诊断检查装置(100)还可以包括：诊断数据提供部(150)，其获取根据患者的实际诊断结果的检查对象细胞照片以及诊断结果数据，上传到神经网络学习服务器(200)；以及NN模型累计更新部(160)，其从神经网络学习服务器(200)下载经过DNN学习处理的升级神经网络模型，来代替设定下位神经网络模型，神经网络学习服务器(200)还包括：累计学习模型生成部(250)，其接收由细胞诊断检查装置上传的检查对象细胞照片以及诊断结果数据，基于所述检查对象细胞照片以及诊断结果数据，执行对细胞诊断检查装置的下位神经网络模型的DNN学习，从而生成对于细胞诊断检查装置的升级神经网络模型；以及累计学习模型提供部(260)，其将升级神经网络模型下载提供至细胞诊断检查装置。并且，细胞诊断检查装置(100)还可以包括下位模型提供部(170)，该下位模型提供部(170)为了DNN学习处理，将自己的下位神经网络模型上传到神经网络学习服务器(200)，神经网络学习服务器(200)的累计学习模型生成部(250)对由细胞诊断检查装置的下位模型提供部提供的下位神经网络模型可以执行DNN学习。并且，神经网络学习服务器(200)还可以包括下位模型识别部(270)，该下位模型识别部(270)针对细胞诊断检查装置，存储管理最近下载提供的神经网络模型，从而识别上传了检查对象细胞照片以及诊断结果数据的细胞诊断检查装置的下位神经网络模型，提供给累计学习模型生成部(250)。另一方面，本专利技术提供在细胞异常与否诊断系统中利用DNN学习诊断细胞异常与否的方法，所述细胞异常与否诊断系统包括针对检查对象细胞照片基于神经网络判断是正常细胞还是危险细胞的细胞诊断检查装置以及经由因特网与细胞诊断检查装置连接且执行对于神经网络的DNN学习的神经网络学习服务本文档来自技高网...

【技术保护点】
1.一种利用DNN学习的细胞异常与否诊断系统，该细胞异常与否诊断系统包括：细胞诊断检查装置(100)，其针对检查对象细胞照片基于神经网络判断是正常细胞还是危险细胞；以及神经网络学习服务器(200)，其经由因特网与所述细胞诊断检查装置(100)连接且执行对于所述神经网络的DNN学习，其中，所述细胞诊断检查装置(100)包括：神经网络模型部(110)，其存储事先学习的下位神经网络模型，以便区分正常细胞和危险细胞；细胞图像处理部(120)，其以像素单位的数据向所述下位神经网络模型输入从外部提供的检查对象细胞照片；细胞异常诊断部(130)，其根据由所述细胞图像处理部输入的所述检查对象细胞照片的数据，检测所述检查对象细胞照片是否存在异常；以及NN模型更新部(140)，其通过因特网从所述神经网络学习服务器(200)下载上位神经网络模型，对所述下位神经网络模型进行升级，所述神经网络学习服务器(200)包括：病变资料数据库(210)，其针对疾病类型，事先区分存储多个正常细胞照片和病变细胞照片；NN模型生成部(220)，其基于在所述病变资料数据库中事先区分为正常以及危险的数据，生成上位神经网络模型；DNN学习处理部(230)，其基于在所述病变资料数据库中事先区分为正常以及危险的数据，执行对所述上位神经网络模型的DNN学习；以及学习模型提供部(240)，其将所述上位神经网络模型下载提供至所述NN模型更新部。...

【技术特征摘要】
【国外来华专利技术】2015.11.30 KR 10-2015-01685241.一种利用DNN学习的细胞异常与否诊断系统，该细胞异常与否诊断系统包括：细胞诊断检查装置(100)，其针对检查对象细胞照片基于神经网络判断是正常细胞还是危险细胞；以及神经网络学习服务器(200)，其经由因特网与所述细胞诊断检查装置(100)连接且执行对于所述神经网络的DNN学习，其中，所述细胞诊断检查装置(100)包括：神经网络模型部(110)，其存储事先学习的下位神经网络模型，以便区分正常细胞和危险细胞；细胞图像处理部(120)，其以像素单位的数据向所述下位神经网络模型输入从外部提供的检查对象细胞照片；细胞异常诊断部(130)，其根据由所述细胞图像处理部输入的所述检查对象细胞照片的数据，检测所述检查对象细胞照片是否存在异常；以及NN模型更新部(140)，其通过因特网从所述神经网络学习服务器(200)下载上位神经网络模型，对所述下位神经网络模型进行升级，所述神经网络学习服务器(200)包括：病变资料数据库(210)，其针对疾病类型，事先区分存储多个正常细胞照片和病变细胞照片；NN模型生成部(220)，其基于在所述病变资料数据库中事先区分为正常以及危险的数据，生成上位神经网络模型；DNN学习处理部(230)，其基于在所述病变资料数据库中事先区分为正常以及危险的数据，执行对所述上位神经网络模型的DNN学习；以及学习模型提供部(240)，其将所述上位神经网络模型下载提供至所述NN模型更新部。2.根据权利要求1所述的利用DNN学习的细胞异常与否诊断系统，其特征在于，所述细胞诊断检查装置(100)还包括：诊断数据提供部(150)，其获取根据患者的实际诊断结果的检查对象细胞照片以及诊断结果数据，上传到所述神经网络学习服务器(200)；以及NN模型累计更新部(160)，其从所述神经网络学习服务器(200)下载经过DNN学习处理的升级神经网络模型，来代替设定所述下位神经网络模型，所述神经网络学习服务器(200)还包括：累计学习模型生成部(250)，其接收由所述细胞诊断检查装置上传的所述检查对象细胞照片以及诊断结果数据，基于所述检查对象细胞照片以及所述诊断结果数据，执行对所述细胞诊断检查装置的下位神经网络模型的DNN学习，从而生成对于所述细胞诊断检查装置的升级神经网络模型；以及累计学习模型提供部(260)，其将所述升级神经网络模型下载提供至所述细胞诊断检查装置。3.根据权利要求2所述的利用DNN学习的细胞异常与否诊断系统，其特征在于，所述细胞诊断检查装置(100)还包括下位模型提供部(170)，该下位模型提供部(170)为了DNN学习处理，将自己的下位神经网络模型上传到所述神经网络学习服务器(200)，其中，所述神经网络学习服务器(200)的累计学习模型生成部(250)对由所述细胞诊断检查装置的下位模型提供部...

【专利技术属性】
技术研发人员：任旭彬，
申请(专利权)人：任旭彬，
类型：发明
国别省市：韩国,KR