[发明专利]一种基于深度学习的肺部结节的检测系统及其使用方法

权利要求书

1.一种基于深度学习的肺部结节的检测系统，包含用于检测肺部结节的识别模块,其特征在于：还包含采集样片数据的样本采集模块和用于计算的计算模块；

所述计算模块包含卷积层、池化层、归一层和输出层；

所述样本采样模块的采样数据用于所述计算模块进行训练，所述样本采样模块至少包含有结节数据的正样本采样模块和包含有非结节数据的负样本采样模块；

所述识别模块包含用目标切片模块和阈值判断模块，所述目标切片模块用于将目标影像进行切片操作，切片后的影像进入被训练后的所述计算模块计算出为正样本的概率数据，所述阈值判断模块包含阈值数据，当计算出的正样本的概率数据大于等于所述阈值数据后，所述识别模块判断该影像为结节。

2.根据权利要求1所述的一种基于深度学习的肺部结节的检测系统，其特征在于：所述样本采样模块的采样数据中至少包含采样影像的中心坐标数据和直径数据。

3.根据权利要求2所述的一种基于深度学习的肺部结节的检测系统，其特征在于：所述样本采样模块发送给所述计算模块用于训练的数据还包含结节标签数据和神经元维度数据。

4.根据权利要求1所述的一种基于深度学习的肺部结节的检测系统，其特征在于：所述卷积层和所述池化层都为多层。

5.根据权利要求1或2或3或4所述的一种基于深度学习的肺部结节的检测系统，其特征在于：所述识别模块还包含参数调整模块，所述参数调整模块用于调整所述目标切片模块对图像进行切片操作后，相邻切片影像之间的重合度参数。

6.根据权利要求5所述的一种基于深度学习的肺部结节的检测系统，其特征在于：所述识别模块包含初次识别模块和二度识别模块，所述二度识别模块用于在所述初次识别模块判定为结节的切片影像进行二次计算和判断，调整切片识别的精准度。

7.根据权利要求6所述的一种基于深度学习的肺部结节的检测系统，其特征在于：所述二度识别模块包含扩展模块和概率排序模块，当所述阈值判断模块判断出为结节的切片影像后，所述扩展模块以改切片影像为中心放大指定范围且进行重新切片，得到扩展切片影像组并进入所述计算模块再次进行计算，所述概率排序模块将再次计算后的扩展切片影像组根据正样本的概率数据进行排序。

8.一种基于深度学习的肺部结节的检测系统的使用方法，其特征在于，包含如下步骤：

步骤1：包括构建深度学习系统，该系统首先包含计算模块，在该步骤中搭建出计算模块的卷积层、池化层、归一层和输出层；

步骤2：将已公开的数据或者人工标注的数据进行采集输入，采集数据包含有标注为结节的正样本数据和标注为非结节的负样本数据；

步骤3：将步骤2中的样本数据导入步骤1中搭建出来的计算模块，使计算模块使用样本数据来进行训练；

步骤4：将目标影像切为多个指定尺寸的影片切片；

步骤5：将步骤4中得到的影片切片导入步骤3中已经进行训练完毕的计算模块，计算模块计算出各个影片切片为结节的概率数据；

步骤6：预设概率数据的阈值，当该影片切片对应的概率数据大于等于该阈值后，则判断该影片切片为结节。

9.根据权利要求8所述的一种基于深度学习的肺部结节的检测系统的使用方法，其特征在于：在步骤6后，还包含二度识别步骤，在该步骤中，对已经判断为结节的影片切片进行二度识别，将该影片切片对应的位置进行指定范围的扩展，将扩展范围内的影片重新进行切片操作，得到新的切片组，随后导入计算模块进行二度计算，得到每个切片的概率数据，并以概率数据进行排序。

10.根据权利要求8所述的一种基于深度学习的肺部结节的检测系统的使用方法，其特征在于：在步骤2中，采样数据中至少包含采样影像的中心坐标数据和直径数据。