一种基于深度神经网络的肺癌识别系统的制作方法

本发明涉及医疗图像处理技术领域，尤其是一种基于深度神经网络的肺癌识别系统。

背景技术：

肺癌是威胁人类健康和生命的最严重的恶性肿瘤之一。研究发现，而如果能及早发现和治疗，肺癌病人的5年存活率将提高接近50％，组织病理学图像的分析是肺癌诊断的金标准。然而每张组织病理学图片内包含的细胞都是百亿级别，只靠人工对癌细胞的查找和诊断工作量大，并且容易出错。因此组织病理学图片进行自动检测和分析是目前非常热门的一个研究方向。目前有一些应用传统机器学习的方法，如svm方法对癌细胞进行检测和分类。这些算法的准确度依赖于基于人工设计的特征提取方法，如对细胞的颜色，纹理，形状等底层特征。

深度学习是机器学习研究中的一个新的领域，其目的在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。目前深度学习已被广泛应用于语音识别、图像识别、自然语言处理等领域，推动人工智能的前进，带来了机器学习的一个新浪潮，受到从学术界到工业界的广泛重视。

技术实现要素：

本发明提供一种基于深度神经网络的肺癌识别系统，防止因人为疏忽造成的误诊，为患者早发现、早治疗赢得了时间。

本发明具体采用如下技术方案实现：

一种基于深度神经网络的肺癌识别系统，包括用户服务系统和神经网络训练系统，所述用户服务系统与神经网络训练系统之间通过网关隔离，其中，

所述神经网络训练系统包含应用服务器、管理系统、gpu集群、医疗影像数据库，所述医疗影像数据库用于存储正常的人体肺部医疗影像及患有肺癌的人体肺部医疗影像，所述管理系统控制所述gpu集群，所述应用服务器包括神经网络模型，进行肺癌的识别；

所述用户服务系统用于为用户提供服务接口，其包含web页面、业务逻辑处理模块和数据库，用户通过访问所述web页面，提交需要诊断的肺部医疗影像图片，所述业务逻辑处理模块用于将用户的提交的图片预处理后发送给所述应用服务器，所述应用服务器利用已训练好的神经网络对该图片进行分析，然后将分析结果反馈给所述业务处理模块，并将分析结果存储在所述数据库中，所述业务处理模块再将其反馈给用户。

作为优选，所述神经网络训练系统的训练方法为有导师学习或无导师学习或自监督学习或有导师和无导师混合学习。

作为优选，所述神经网络训练系统的训练方法如下：

步骤1、设计神经网络模型；

步骤2、获取大量肺部图片；

步骤3、训练神经网络，如果达到精度要求，进行步骤4，如果未达到精度要求，进行步骤5；

步骤4、提供给应用服务器；

步骤5、反向传播，调整神经网络模型，经过多次的迭代后，返回步骤3。

作为优选，所述神经网络模型为不含反馈的前向网络或有反馈的前向网络或层内有反馈的前向网络或相互结合型网络。

本发明提供的一种基于深度神经网络的肺癌识别系统，其有益效果在于：利用深度学习的自动学习特性改善了传统方法中的图像预处理和人工参与进行特征提取的复杂性，降低了对数据集的质量要求，在神经网络训练完成之后自动将模型交给应用服务器为用户提供服务，用户只需提供医疗影像即可得知诊断结果，为患者早发现、早治疗赢得了时间，可以为医生的诊断提供帮助，防止因认为疏忽造成的误诊。与传统的细胞检测方法相比较，本申请在准确度和训练时间上有很大的优势。

附图说明

图1是本发明肺癌识别系统的原理框图；

图2是神经网络训练系统的原理框图；

图3是神经网络训练系统的训练流程图；

图4是神经网络学习流程图；

图5是用户服务系统的原理框图；

图6是用户服务系统的工作流程图。

具体实施方式

为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。

现结合附图和具体实施方式对本发明进一步说明。

如图1所示，本实施提供的一种基于深度神经网络的肺癌识别系统，包括用户服务系统和神经网络训练系统，用户服务系统与神经网络训练系统之间通过网关隔离。

其中，如图2所示，神经网络训练系统包含应用服务器、管理系统、gpu集群、医疗影像数据库，医疗影像数据库用于存储正常的人体肺部医疗影像及患有肺癌的人体肺部医疗影像，管理系统控制所述gpu集群，应用服务器包括已训练好的神经网络模型，进行肺癌的识别。如图3所示，具体的训练方法如下：

步骤1、设计神经网络模型；

步骤2、获取大量肺部图片；

步骤3、训练神经网络，如果达到精度要求，进行步骤4，如果未达到精度要求，进行步骤5；

步骤4、提供给应用服务器；

步骤5、反向传播，调整神经网络模型，经过多次的迭代后，返回步骤3。

学习是神经网络一种最重要也最令人注目的特点，而学习的方法主要包括为有导师学习或无导师学习或自监督学习或有导师和无导师混合学习，本实施例选择有导师学习，有导师学习为待分类的模式类别属性己知。它需要准备一批正确的输入输出数据对将输入数据加载到网络输入端后，把网络的实际响应输出与期望的输出(教师输出)相比较得到误差，然后根据误差修改各连接权，使网络朝着能正确响应的方向不断变化下去，直到实际响应的输出与期望的输出之差在一个可接受的范围内这种学习算法称为误差修正算法，对应每次模式样本的输入，网络输出端都有一个对应的指导(监督)信号与其属性相匹配。

而神经网络又分为不含反馈的前向网络或有反馈的前向网络或层内有反馈的前向网络或相互结合型网络。本实施例选用有反馈的前向网络，通过调整、训练来使一个特定的输入导致一个指定的输出，如图4所示，图中网络通过不断的比较输出和目标值，直到网络的输出和目标值接近一致后训练结束，通常网络在这种有监督的训练方式下含有很多这种输入输出对。

如图5、6所示，用户服务系统用于为用户提供服务接口，其包含web页面、业务逻辑处理模块和数据库，用户通过访问web页面，提交需要诊断的肺部医疗影像图片，业务逻辑处理模块用于将用户的提交的图片预处理后发送给应用服务器，应用服务器利用已训练好的神经网络对该图片进行分析，然后将分析结果反馈给所述业务处理模块，并将分析结果存储在数据库中，业务处理模块再将其反馈给用户。

本申请利用深度学习的自动学习特性改善了传统方法中的图像预处理和人工参与进行特征提取的复杂性，降低了对数据集的质量要求，在神经网络训练完成之后自动将模型交给应用服务器为用户提供服务，用户只需提供医疗影像即可得知诊断结果，为患者早发现、早治疗赢得了时间，可以为医生的诊断提供帮助，防止因认为疏忽造成的误诊。与传统的细胞检测方法相比较，本申请在准确度和训练时间上有很大的优势。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。