一种基于深度学习的肺部图像分析系统及其分析方法技术方案

本发明专利技术提供一种基于深度学习的肺部图像分析系统及其分析方法，包括输入模块、输出模块和检测模块；所述的输入模块用于获取待检测图像，并将待检测图像传输到所述检测模块；所述检测模块用于通过训练好的卷积神经网络检测待检测图像中的肺部轮廓区域内的病变区域的形状特点及颜色的灰度特征，并与网络训练所得的肺部疾病的病症图像特征进行对比，获取对比结果；所述输出模块用于展示检测模块的对比结果。通过构建基于深度学习的卷积神经网络，并使用所述卷积神经网络对胸片的肺部是否存在病变来进行初步的分析，给医生临床诊断提供辅助的信息分析，解决了传统检测技术中核酸检测周期长，并提高了CT检测的准确性。

【技术实现步骤摘要】
一种基于深度学习的肺部图像分析系统及其分析方法
本专利技术涉及一种基于深度学习的肺部图像分析系统及其分析方法，属于医疗设备领域中的医学胸片肺部疾病种类识别，涉及深度学习卷积神经网络、长短期记忆网络相结合的相关算法，利用深度学习方法实现医学影像计算机辅助诊断技术。
技术介绍
随着中国经济持续增长和社会人口老年化加剧，肺部疾病的致病因素以及患者越来越多，引起了人们的重视。目前，影像学检查是新型冠状病毒肺炎的重要检测方法之一，因其检测周期短而具有不可替代的作用。目前临床上尚无融入成熟可靠的读取辨识胸片的人工智能图像分析方法。一个可以准确分辨正常肺部与病变肺部的人工智能(AI)系统可以辅助医生更早的诊断、规划与治疗，弥补检查方法复杂缓慢，医护人员工作繁重等问题。
技术实现思路
针对上述问题，本专利技术提供了一种基于深度学习的肺部图像分析系统及其分析方法。一种基于深度学习的肺部图像分析系统，其包括输入模块、输出模块和检测模块；所述的输入模块用于获取待检测图像，并将待检测图像传输到所述检测模块；所述检测模本文档来自技高网...

【技术保护点】
1.一种基于深度学习的肺部图像分析系统，其特征在于，其包括输入模块、输出模块和检测模块；/n所述的输入模块用于获取待检测图像，并将待检测图像传输到所述检测模块；/n所述检测模块用于通过训练好的卷积神经网络检测待检测图像中的肺部轮廓区域内的病变区域的形状特点及颜色的灰度特征，并与网络训练所得的肺部疾病的病症图像特征进行对比，获取对比结果；/n所述输出模块用于展示检测模块的对比结果。/n

【技术特征摘要】
1.一种基于深度学习的肺部图像分析系统，其特征在于，其包括输入模块、输出模块和检测模块；
所述的输入模块用于获取待检测图像，并将待检测图像传输到所述检测模块；
所述检测模块用于通过训练好的卷积神经网络检测待检测图像中的肺部轮廓区域内的病变区域的形状特点及颜色的灰度特征，并与网络训练所得的肺部疾病的病症图像特征进行对比，获取对比结果；
所述输出模块用于展示检测模块的对比结果。


2.根据权利要求1所述的一种基于深度学习的肺部图像分析系统，其特征在于，所述检测模块包括两个子模块：建模子模块，判断子模块；
所述建模子模块用于建立基于深度学习的卷积神经网络；
所述判断子模块用于判断所述检测图像是否符合肺部疾病的胸片特征，所述对比结果为所述待检测图像与网络训练所得的肺部疾病的病症图像特征对比是否符合。


3.根据权利要求2所述的一种基于深度学习的肺部图像分析系统，其特征在于，所述建模子模块包括神经网络构建单元、神经网络训练单元；
所述神经网络构建单元用于构建卷积神经网络；所述神经网络训练单元用于对所述卷积神经网络进行训练，获得训练好的卷积神经网络。


4.根据权利要求2所述的一种基于深度学习的肺部图像分析系统，其特征在于，所述判断子模块包括检测区域识别单元、病灶检测单元、判断单元；
所述检测区域识别单元用于识别出所述待检测图像中肺部疾病进行判断的关键区域；
所述病灶检测单元用于调用所述训练好的卷积神经网络检测所述待检测图像中是否存在类似肺部疾病胸片的典型特征；
所述判断单元用于调用先调用检测区域识别单元判断该区域是否为肺部图像，若是，对所述待检测图像进行病症检测，否则，不对所述待检测图像进行病症检测；
所述病症检测包括：通过调用所述检测区域识别单元和病灶检测单元，判断所述待检测图像是否具有类似肺部疾病胸片的典型特征，若是，则所述检测结果为符合，否则，所述检测...

【专利技术属性】
技术研发人员：黄志伟，李沙，许志坚，蔡飞翔，杨懿，
申请(专利权)人：西南医科大学，
类型：发明
国别省市：四川;51