[发明专利]一种基于机器学习的肺结核图像辅助诊断系统

说明书

本发明公开了一种基于机器学习的肺结核图像辅助诊断系统，包括用户模块、存储模块、检测诊断模块、数据检索模块和医生修正模块；所述检测诊断模块基于改进的CNN网络构建得到，根据脉冲信息计算对应的决策信息，输出层将解码后的决策信息传输至医生修正模块，并将特征信息传输至数据检索模块；所述数据检索模块根据检测诊断模块的输出特征图，在存储模块中找出与待处理的病人肺结核图像相似度最高的历史病人肺结核图像信息，由医生修正模块结合解码后的决策信息和历史病人肺结核图像信息，给出最终诊断信息。本发明使用哈希检索算法提高病例检索效率，智能化的提供以往病例信息给诊断医生提供参考，帮助医生更快诊疗。

技术领域

本发明属于医疗预警技术领域，具体涉及一种基于机器学习的肺结核图像辅助诊断系统。

背景技术

结核病是结核分枝杆菌引起的传染性疾病，主要通过空气在人与人之间传播并累及肺部。如果患者在早期就可以被诊断并及时接受治疗，结核病患者的治愈率可达90%以上。

以往的医疗诊断中，医生诊断往往是利用自身的知识和经验，并未能直观地利用现有的病例数据，不仅仅效率低下，还有可能因为医生的经验和状态等带来误判误诊等问题；在医生诊疗过程中，也仅仅利用少量经典案例，并未能充分利用病例数据库中庞大的实例数据。

现有的图像检索方法中采用基于量化的检索方法。基于量化的检索方法通过矢量量化的方式对提取出来的特征进行编码，并通过比较数据库中编码的欧氏距离来进行相似检索。其通常检索效果较好，但由于生成量化编码和计算欧氏距离开销巨大导致矢量量化检索的时间长和内存消耗大，在大规模数据集中难以应用。

公开号为CN106649782A的发明中公开了一种图片检索方法和系统，首先建立图片数据集并提取每一张图片对应的特征数据进行处理以得到特征数据矩阵；然后根据图片所属种类信息构建类别矩阵和类别属性矩阵，并将特征数据矩阵划分为训练矩阵和测试矩阵，进而求取哈希转换函数；再通过哈希转换函数分别对训练矩阵和测试矩阵进行编码，并从训练编码矩阵和测试编码矩阵中选取预设数量张图片构成检索库，最后，从测试编码矩阵中选取图片，计算并依据该图片的哈希码与检索库中的图片的哈希码之间的汉明距离，依次输出检索结果。该发明实施例能够有效提高图片检索效率，降低图片检索成本。但是该发明只能检索图像之间的相似性，需要结合大量图片数据求取哈希转换函数，运算量大，并且其采用基于Caffe的CNN框架，扩展性和精度较差。同时，其处理图片和检索图片算法不能直接用来处理和检索肺结核CT图像。

公开号为CN114611684A的发明中公开了一种基于STDP在线学习的卷积脉冲神经网络的硬件加速器，采用STDP与RSTDP两种算法结合训练，支持网络的在线学习，能够适应动态变化的环境。该发明虽然支持小样本学习，但是网络结构并不适合肺结核图像诊断分类，数据集中的样本图像相互独立，不具有交融学习特性, 并且其着重研究基于FPGA实现硬件加速，对于肺结核图像诊断问题不具有针对性。

发明内容

解决的技术问题：本发明针对医生诊断过程中未能充分利用病例数据库、传统图像特征提取方法提取图像特征不够细致以及矢量量化检索的时间和内存消耗大等问题，提出了一种基于机器学习的肺结核图像辅助诊断系统。

技术方案：

一种基于机器学习的肺结核图像辅助诊断系统，所述肺结核图像辅助诊断系统包括用户模块、存储模块、检测诊断模块、数据检索模块和医生修正模块；

所述用户模块用于提供用户以登录入口；所述存储模块分为用户信息存储子模块和病例信息存储子模块，用户信息存储子模块存储所有用户信息，病例信息存储子模块存储历史病人肺结核图像信息和最终诊断信息；

所述检测诊断模块基于改进的CNN网络构建得到；所述检测诊断模块包括图像预处理层、脉冲编码层、m个卷积层、m个池化层和输出层；m个卷积层和m个池化层交替连接；