[发明专利]基于深度神经网络的慢性阻塞性肺病的检测系统

说明书

技术领域

本发明涉及神经网络技术领域，尤其涉及一种基于深度神经网络的慢性阻塞性肺病的检测系统。

背景技术

随着计算机技术的飞速发展与广泛应用，计算机辅助诊断对人类的健康发挥出越来越重要的作用。

现有技术中，通过计算机辅助诊断方法对慢性阻塞性肺病(chronic obstructive pulmonary disease，COPD)的检测系统的检测方法如下：首先，获取患者的电子计算机断层扫描(Computed Tomography，CT)影像，然后通过对CT图像进行图像处理，然后根据CT图像每个像素的像素值，判断该像素与预设像素阈值的关系，得出该像素是否为病变区域图像像素，最后根据病变区域图像像素占整个肺部图像像素的比例判断该患者患COPD的概率。

由于现有技术的检测系统中，影响预设像素阈值的因素较多，选择不同的阈值就会得出不同的结果，区分度不明显，导致对COPD CT影像的分析结果不准确。

发明内容

(一)要解决的技术问题

本发明的目的是提供一种基于深度神经网络的慢性阻塞性肺病的检测系统，利用深度神经网络去发现并辨别肉眼难以识别的早期细微的肺小叶病变，解决了现有技术中的COPD检测系统的检测结果不准确的技术问题。

(二)技术方案

为了解决上述技术问题，一方面，本发明提供一种基于深度神经网络的慢性阻塞性肺病的检测系统，包括：

预处理模块，用于对获取的第一患者的胸部CT图像进行灰度化处理，并提取经过灰度化处理后的所述胸部CT图像中的多个肺小叶区域图像；

检测模块，用于将获取的所述第一患者的身体质量指数BMI，以及所述多个肺小叶区域图像，输入训练好的深度神经网络模型，获取所述第一患者患慢性阻塞性肺病的概率值。

进一步地，所述深度神经网络模型包括深度神经网络单元和计算单元，其中，

深度神经网络单元，用于根据获取的所述第一患者的身体质量指数BMI和每个肺小叶区域图像，获取每个肺小叶病变的概率；

计算单元，用于根据每个肺小叶病变的概率，获取所述第一患者患慢性阻塞性肺病的概率。

进一步地，还包括：

训练模块，用于获取训练样本集，所述训练样本集包含多组训练样本，每组训练样本包含一位样本患者的BMI和病变肺小叶的直径，所述病变肺小叶的直径由所述样本患者的胸部CT图像中获得；

基于所述训练样本集，对所述深度神经网络模型进行训练。

进一步地，所述训练好的深度神经网络模型的激活函数为：

其中，P(i)为第i个肺小叶病变的概率，x_i为第i个特征变量，K为特征变量的总数，W为连接权重。

进一步地，所述根据每个肺小叶病变的概率，获取所述第一患者患慢性阻塞性肺病的概率具体为：

其中，P为第一患者患慢性阻塞性肺病的概率，P(i)为第i个肺小叶病变的概率，N为第一患者胸部CT图像中的肺小叶区域图像的总数。

进一步地，所述系统还包括：

可视化模块，根据每个肺小叶病变的概率，将病变概率大与预设阈值的肺小叶区域进行可视化处理。

另一方面，本发明提供一种用于慢性阻塞性肺病检测的电子设备，包括：

存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下步骤：

对获取的第一患者的胸部CT图像进行灰度化处理，并提取经过灰度化处理后的所述胸部CT图像中的多个肺小叶区域图像；

将获取的所述第一患者的身体质量指数BMI，以及所述多个肺小叶区域图像，输入训练好的深度神经网络模型，获取所述第一患者患慢性阻塞性肺病的概率值。

再一方面，本发明提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如下步骤：

对获取的第一患者的胸部CT图像进行灰度化处理，并提取经过灰度化处理后的所述胸部CT图像中的多个肺小叶区域图像；

将获取的所述第一患者的身体质量指数BMI，以及所述多个肺小叶区域图像，输入训练好的深度神经网络模型，获取所述第一患者患慢性阻塞性肺病的概率值。