本發(fā)明公開一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的預(yù)防肺癌自助健康云服務(wù)系統(tǒng)，包括用于深度學(xué)習(xí)和訓(xùn)練識別的卷積神經(jīng)網(wǎng)絡(luò)、基于全卷積神經(jīng)網(wǎng)絡(luò)的從CT影像圖像中分割出肺部區(qū)域的分割模塊、用于肺癌診斷分類的深度卷積神經(jīng)網(wǎng)絡(luò)和一種用于根據(jù)所識別的疑似肺癌類型進行早期預(yù)防和治療的自助健康云服務(wù)平臺。本發(fā)明能有效提高基于移動互聯(lián)網(wǎng)肺癌篩查的自動化和智能化水平、能讓更多國民了解并參與自助健康檢測、評估、指導(dǎo)，提高早期肺癌篩檢臨床診斷的敏感性、特異性和準(zhǔn)確性，實現(xiàn)肺癌的“早發(fā)現(xiàn)早診斷早治療”，增加自我健康管理能力。

1.一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的預(yù)防肺癌自助健康云服務(wù)系統(tǒng)，其特征在于：包括用
于深度學(xué)習(xí)和訓(xùn)練識別的卷積神經(jīng)網(wǎng)絡(luò)、基于全卷積神經(jīng)網(wǎng)絡(luò)的從CT影像圖像中分割出肺
部區(qū)域的分割模板、用于肺部病灶診斷分類的深度卷積神經(jīng)網(wǎng)絡(luò)和用于根據(jù)所識別的疑似
肺癌類型進行早期預(yù)防和治療的健康云服務(wù)平臺；
所述的卷積神經(jīng)網(wǎng)絡(luò)，共分為八層，由卷積層、激活層和下采樣層交替構(gòu)成的深度結(jié)
構(gòu)；輸入圖像在網(wǎng)絡(luò)中進行層層映射，得到各層對于圖像不同的表示形式，實現(xiàn)圖像的深度
表示；
所述的基于全卷積神經(jīng)網(wǎng)絡(luò)的從CT影像圖像中分割出肺部區(qū)域的分割模塊，采用全卷
積神經(jīng)網(wǎng)絡(luò)，就是將所述的卷積神經(jīng)網(wǎng)絡(luò)改為全卷積神經(jīng)網(wǎng)絡(luò)，將所述的卷積神經(jīng)網(wǎng)絡(luò)的
全連接層改為反卷積層，這樣輸入一幅圖像后直接在輸出端得到密集預(yù)測，也就是每個像
素所屬的類，從而得到一個端對端的方法來實現(xiàn)肺部對象圖像語義分割；
所述的深度卷積神經(jīng)網(wǎng)絡(luò)是在所述的卷積神經(jīng)網(wǎng)絡(luò)的第八層的反卷積層后連接了一
個Softmax分類器，用于對疑似肺癌類型進行分類識別；
所述的健康云服務(wù)平臺，主要包括了接收和讀取用戶發(fā)送過來的胸部X光片或者CT影
像圖像的圖像讀取模塊，以用戶訪問平臺的裝備的用戶名或號碼為文件夾名的文件夾生成
模塊，基于深度卷積神經(jīng)網(wǎng)絡(luò)對分割后的肺部區(qū)域圖像進行分類的疑似肺癌類型分類模
塊，生成早期預(yù)防和治療的健康文件的健康文件生成模塊，用于將用戶的健康咨詢文件反
饋給訪問用戶的文件自動傳輸模塊，用于將早期預(yù)防和治療的健康文件提供給用戶到所述
的健康云服務(wù)平臺的網(wǎng)站上下載的下載服務(wù)模塊；
所述的卷積神經(jīng)網(wǎng)絡(luò)，對所述的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練是一個反向傳播過程，通過誤差函
數(shù)反向傳播，利用隨機梯度下降法對卷積參數(shù)和偏置進行優(yōu)化調(diào)整，直到網(wǎng)絡(luò)收斂或者達
到最大迭代次數(shù)停止；
反向傳播需要通過對帶有標(biāo)簽的訓(xùn)練樣本進行比較，采用平方誤差代價函數(shù)，對于c個
類別，N個訓(xùn)練樣本的多類別進行識別，網(wǎng)絡(luò)最終輸出誤差函數(shù)用公式(4)來計算誤差，

式中，E^N為平方誤差代價函數(shù)，為第n個樣本對應(yīng)標(biāo)簽的第k維，為第n個樣本對應(yīng)
網(wǎng)絡(luò)預(yù)測的第k個輸出；
對誤差函數(shù)進行反向傳播時，采用BP計算方法，如公式(5)所示，

式中，δ^l代表當(dāng)前層的誤差函數(shù)，δ^l+1代表上一層的誤差函數(shù)，W^l+1為上一層映射矩陣，f'
表示激活函數(shù)的反函數(shù)，即上采樣，u^l表示未通過激活函數(shù)的上一層的輸出，x^l-1表示下一
層的輸入，W^l為本層映射權(quán)值矩陣，b^l為當(dāng)前網(wǎng)絡(luò)的加性偏置。
2.如權(quán)利要求1所述的基于深度卷積神經(jīng)網(wǎng)絡(luò)的預(yù)防肺癌自助健康云服務(wù)系統(tǒng)，其特
征在于：所述的卷積神經(jīng)網(wǎng)絡(luò)，共分為八層，卷積神經(jīng)網(wǎng)絡(luò)是由卷積層、激活層和下采樣層
交替構(gòu)成的深度結(jié)構(gòu)；
第一層：輸入圖像數(shù)據(jù)為224×224像素圖像，填充值是3，輸出數(shù)據(jù)227×227×3；然后
經(jīng)過96個過濾器、窗口大小為11×11、步長為4的卷積層1處理，得到[(227-11)/4]+1＝55個
特征，以后的層就分為兩組處理，輸出特征為55×55×96，然后進行ReLU激活層1處理，輸出
特征為55×55×96，經(jīng)過池化層1進行最大池化3×3的核，步長為2，得到[(55-3)/2]+1＝27
個特征，總的特征數(shù)為27×27×96，然后進行正則化處理，用于求和的通道數(shù)為5，最后得到
27×27×96數(shù)據(jù)；
第二層：輸入數(shù)據(jù)27×27×96，填充值是2，256個過濾器，窗口大小為5×5，得到[(27-5
+2×2)/1]+1＝27個特征，輸出特征為27×27×256，然后進行ReLU激活層2處理，輸出特征
為27×27×256，經(jīng)過池化層2進行最大池化3×3的核，步長為2，得到[(27-3)/2]+1＝13個
特征，總的特征數(shù)為13×13×256，然后進行正則化處理，用于求和的通道數(shù)為5，最后得到
13×13×256數(shù)據(jù)；
第三層：輸入數(shù)據(jù)13×13×256，填充值是1，384個過濾器，窗口大小為3×3，得到[(13-
3+1×2)/1]+1＝13個特征，輸出特征為13×13×384，然后進行ReLU激活層3處理，最后得到
13×13×384數(shù)據(jù)；
第四層：輸入數(shù)據(jù)13×13×384，填充值是1，384個過濾器，窗口大小為3×3，得到[(13-
3+2×1)/1]+1＝13個特征，輸出特征為13×13×384，然后進行ReLU激活層4處理，最后得到
13×13×384數(shù)據(jù)；
第五層：輸入數(shù)據(jù)13×13×384，填充值是1，256個過濾器，窗口大小為3×3，得到[(13-
3+2×1)/1]+1＝13個特征，輸出特征為13×13×256，然后進行ReLU激活層5處理，輸出特征
為13×13×256，經(jīng)過池化層5進行最大池化3×3的核，步長為2，得到[(13-3)/2]+1＝6個特
征，總的特征數(shù)為6×6×256，最后得到6×6×256數(shù)據(jù)；
第六層：輸入數(shù)據(jù)6×6×256，全連接，得到4096個特征，然后進行ReLU激活層6處理，輸
出特征為4096，經(jīng)過dropout6處理，最后得到4096數(shù)據(jù)；
第七層：輸入數(shù)據(jù)4096，全連接，得到4096個特征，然后進行ReLU激活層7處理，輸出特
征為4096，經(jīng)過dropout7處理，最后得到4096數(shù)據(jù)；
第八層：輸入數(shù)據(jù)4096，全連接，得到1000個特征數(shù)據(jù)。
3.如權(quán)利要求1所述的基于深度卷積神經(jīng)網(wǎng)絡(luò)的預(yù)防肺癌自助健康云服務(wù)系統(tǒng)，其特
征在于：所述的卷積神經(jīng)網(wǎng)絡(luò)，其學(xué)習(xí)過程是一個前向傳播過程，上一層的輸出即為當(dāng)前層
的輸入，并通過激活函數(shù)逐層傳遞，因此整個網(wǎng)絡(luò)的實際計算輸出用公式(1)表示，
O_p＝F_n(…(F₂(F₁(XW₁)W₂)…)W_n) (1)
式中，X表示原始輸入，F(xiàn)_l表示第l層的激活函數(shù)，W_l表示第l層的映射權(quán)值矩陣，O_p表示
整個網(wǎng)絡(luò)的實際計算輸出，l＝1，2，…，n；
當(dāng)前層的輸出用(2)表示，
X^l＝f^l(W^lX^l-1+b^l) (2)
式中，l代表網(wǎng)絡(luò)層數(shù)，X^l表示當(dāng)前層的輸出，X^l-1表示上一層的輸出，即當(dāng)前層的輸入，
W^l代表已經(jīng)訓(xùn)練好的、當(dāng)前網(wǎng)絡(luò)層的映射權(quán)值矩陣，b^l為當(dāng)前網(wǎng)絡(luò)的加性偏置，f^l是當(dāng)前網(wǎng)
絡(luò)層的激活函數(shù)；采用的激活函數(shù)f^l為糾正線性單元，即ReLU，用公式(3)表示，

式中，l代表網(wǎng)絡(luò)層數(shù)，W^l代表已經(jīng)訓(xùn)練好的、當(dāng)前網(wǎng)絡(luò)層的映射權(quán)值矩陣，f^l是當(dāng)前網(wǎng)
絡(luò)層的激活函數(shù)；其作用是如果卷積計算結(jié)果小于0，則讓其為0；否則保持其值不變。
4.如權(quán)利要求1所述的基于深度卷積神經(jīng)網(wǎng)絡(luò)的預(yù)防肺癌自助健康云服務(wù)系統(tǒng)，其特
征在于：所述的深度卷積神經(jīng)網(wǎng)絡(luò)是在所述的卷積神經(jīng)網(wǎng)絡(luò)的第八層的反卷積層后連接了
一個Softmax分類器，用于依據(jù)疑似肺癌類型進行分類識別；
所述的Softmax分類器，將深度神經(jīng)網(wǎng)絡(luò)中的學(xué)習(xí)結(jié)果作為softmax分類器的輸入數(shù)
據(jù)；Softmax回歸是面向多類分類問題的Logistic回歸；
對于訓(xùn)練集{(x⁽¹⁾,y⁽¹⁾,…,x^(m),y^(m))}，有y⁽¹⁾∈{1,2,…,k}，對于給定的樣本輸入x，輸
出一個k維的向量來表示每一種分類結(jié)果出現(xiàn)的概率為p(y＝i|x)，假設(shè)函數(shù)h(x)如下：

θ₁,θ₂,…θ_k是模型的參數(shù)，并且所有的概率和為1；加入規(guī)則項后的代價函數(shù)為：

代價函數(shù)對第j個類別的第l個參數(shù)的偏導(dǎo)數(shù)為：

式中，j為類別數(shù)，m為訓(xùn)練集的類別數(shù)，p(y⁽ⁱ⁾＝j(luò)|x⁽ⁱ⁾；θ)為x分為類別j的概率，λ為規(guī)
則項參數(shù)，也稱為權(quán)重衰減項，該規(guī)則項參數(shù)主要是防止過擬合的；
最后，通過最小化J(θ)，實現(xiàn)softmax的分類回歸，將分類回歸結(jié)果保存到特征庫中；
在依據(jù)疑似肺癌類型對被檢肺部對象圖像識別分類時，將提取到的輸入數(shù)據(jù)特征與學(xué)
習(xí)訓(xùn)練得到肺癌類型特征庫中的數(shù)據(jù)進行比對，計算出每一個分類結(jié)果的概率，然后取概
率最高的前5個結(jié)果進行輸出，并標(biāo)出疑似肺癌的位置、類型及概率，以提高影像學(xué)臨床診
斷效率。
5.如權(quán)利要求1所述的基于深度卷積神經(jīng)網(wǎng)絡(luò)的預(yù)防肺癌自助健康云服務(wù)系統(tǒng)，其特
征在于：所述的預(yù)防肺癌自助健康云服務(wù)系統(tǒng)根據(jù)用戶發(fā)送過來的胸部X光片或者CT影像
圖像，采用基于全卷積神經(jīng)網(wǎng)絡(luò)的從CT影像圖像中分割出肺部區(qū)域的分割方法對CT影像圖
像進行肺部對象的分割，得到分割后的肺部圖像；然后根據(jù)疑似肺癌類型分類規(guī)范用深度
卷積神經(jīng)網(wǎng)絡(luò)對分割后的肺部圖像進行識別分類；如果該用戶有歷史胸部X光片或者CT影
像圖像，就再與該用戶的歷史胸部X光片或者CT影像圖像進行比對，對比其不同點；如果該
用戶有病理學(xué)專家臨床診斷報告，就結(jié)合病理學(xué)專家臨床診斷報告進行綜合分析，提出診
斷和治療建議，自動生成自助健康檢測結(jié)果報告，然后將健康檢測結(jié)果報告遞交給資深放
射科醫(yī)生進行確認，最后將健康檢測結(jié)果報告信息反饋給用戶；
所述的預(yù)防肺癌自助健康云服務(wù)系統(tǒng)還包括用戶傳輸胸部X光片或者CT影像圖像給健
康云服務(wù)平臺或從云服務(wù)平臺接受健康檢測結(jié)果報告的用戶端。
6.如權(quán)利要求1所述的基于深度卷積神經(jīng)網(wǎng)絡(luò)的預(yù)防肺癌自助健康云服務(wù)系統(tǒng)，其特
征在于：所述的肺部病灶診斷分類的深度卷積神經(jīng)網(wǎng)絡(luò)，為解決肺結(jié)節(jié)與肺血管在二維層
片上灰度級相似而難以區(qū)分的問題，首先在所有CT圖像上標(biāo)示出疑似肺結(jié)節(jié)或者肺血管的
位置，然后通過不同CT截面圖像來排除肺血管；排除肺血管的算法思想是：肺血管在兩個或
者多個相鄰層的CT截面圖像都是在相同位置上，如果在兩個或者多個相鄰層的CT截面圖像
的相同位置上出現(xiàn)類圓形區(qū)域就判斷為肺血管，否則初步判定為疑似肺結(jié)節(jié)，即孤立性結(jié)
節(jié)；當(dāng)然這種檢測精度是與CT圖像的掃描精度相關(guān)，如果CT圖像的掃描步長設(shè)置為2mm，那
么能檢測出直徑為3mm的肺結(jié)節(jié)，一個病例檢查會產(chǎn)生140層的二維CT影像。
7.如權(quán)利要求1或5或6所述的基于深度卷積神經(jīng)網(wǎng)絡(luò)的預(yù)防肺癌自助健康云服務(wù)系
統(tǒng)，其特征在于：所述的深度卷積神經(jīng)網(wǎng)絡(luò)中的疑似肺癌類型圖像特征數(shù)據(jù)集，包括了各種
疑似肺癌類型圖像數(shù)據(jù)，在這些疑似肺癌類型圖像中既包括了疑似肺癌類型的某個特征，
又包括了疑似肺癌類型的二個和二個以上特征的組合；
為了得到的疑似肺癌類型識別精度，要求疑似肺癌類型特征圖像至少在3000個以上，
可采用數(shù)據(jù)增強變換技術(shù)來增加輸入數(shù)據(jù)的量；
采用如下圖像數(shù)據(jù)增強變換方法中的一種或幾種增加輸入數(shù)據(jù)的量：①旋轉(zhuǎn)|反射變
換：隨機旋轉(zhuǎn)圖像一定角度，改變圖像內(nèi)容的朝向；②翻轉(zhuǎn)變換：沿著水平或者垂直方向翻
轉(zhuǎn)圖像；③縮放變換：按照一定的比例放大或者縮小圖像；④平移變換：在圖像平面上對圖
像以一定方式進行平移；⑤可以采用隨機或人為定義的方式指定平移范圍和平移步長，沿
水平或豎直方向進行平移，改變圖像內(nèi)容的位置；⑥尺度變換：對圖像按照指定的尺度因
子，進行放大或縮小；或者參照SIFT特征提取思想，利用指定的尺度因子對圖像濾波構(gòu)造尺
度空間；改變圖像內(nèi)容的大小或模糊程度；⑦對比度變換：在圖像的HSV顏色空間，改變飽和
度S和V亮度分量，保持色調(diào)H不變；對每個像素的S和V分量進行指數(shù)運算，指數(shù)因子在0.25
到4之間，增加光照變化；⑧噪聲擾動：采用椒鹽噪聲或高斯噪聲對圖像的每個像素RGB進行
隨機擾動；⑨顏色變換。
8.如權(quán)利要求1所述的基于深度卷積神經(jīng)網(wǎng)絡(luò)的預(yù)防肺癌自助健康云服務(wù)系統(tǒng)，其特
征在于：用戶端將胸部X光片或者CT圖像通過移動端發(fā)送給健康云服務(wù)平臺；對于一些用戶
沒有胸部X光片或者CT數(shù)字圖像時，用戶用手機或者其他移動設(shè)備拍攝來獲取胸部X光片或
者CT數(shù)字圖像，首先用戶先將電腦屏幕打開空白的word或者PPT，全屏顯示后，將片子放置
在電腦屏幕前，然后打開智能手機上的相機軟件；在影像片拍照時，要看清上面的漢字或英
文字母，字的方向通常就是片子的正確方向，要放正位置拍照；然后在手機或數(shù)碼相機上進
行預(yù)覽，質(zhì)量好的標(biāo)準(zhǔn)是能夠清晰地看見英文字母；如果顯示模糊，說明拍照時手抖動了或
沒有正確對焦，需要刪除重拍；最后將胸部X光片或者CT圖像通過用戶端發(fā)送給健康云服務(wù)
平臺。