本發(fā)明涉及圖像識(shí)別，尤其涉及一種基于神經(jīng)網(wǎng)絡(luò)的罕見(jiàn)疾病識(shí)別系統(tǒng)。

背景技術(shù)：

1、全球有超過(guò)6000種罕見(jiàn)病，影響著超過(guò)3億人群。早期的準(zhǔn)確診斷一直是罕見(jiàn)病臨床實(shí)踐的重要目標(biāo)。其中，約80％與遺傳因素有關(guān)。罕見(jiàn)病診斷難度大、確診耗時(shí)長(zhǎng)。罕見(jiàn)病病灶區(qū)域的準(zhǔn)確識(shí)別是一項(xiàng)很大的挑戰(zhàn)。如今，計(jì)算機(jī)視覺(jué)快速發(fā)展，如何將計(jì)算機(jī)視覺(jué)技術(shù)引入檢測(cè)醫(yī)學(xué)影像的工作，以提高影像診斷的效率和準(zhǔn)確度，在計(jì)算機(jī)視覺(jué)識(shí)別方法中，卷積神經(jīng)網(wǎng)絡(luò)(cnn)是一種特別適合處理圖像數(shù)據(jù)的深度學(xué)習(xí)模型。cnn由多個(gè)卷積層和池化層組成，能夠自動(dòng)學(xué)習(xí)圖像的分層特征表示，并且具有強(qiáng)大的表達(dá)能力和泛化能力，在圖像分類(lèi)、目標(biāo)檢測(cè)、語(yǔ)義分割等領(lǐng)域取得了巨大的成功，同時(shí)也被廣泛應(yīng)用于影像分析中。

2、公開(kāi)號(hào)為cn112472048a的專(zhuān)利文獻(xiàn)公開(kāi)了一種用于心血管疾病患者脈象識(shí)別的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括下述步驟：s1，脈象數(shù)據(jù)采集；s2，脈象數(shù)據(jù)預(yù)處理；s3，建立所述神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；s4，訓(xùn)練過(guò)程；由此可見(jiàn)，現(xiàn)有的疾病檢測(cè)技術(shù)中，缺乏一種適應(yīng)于肺部罕見(jiàn)病的識(shí)別系統(tǒng)，通過(guò)準(zhǔn)確快速且準(zhǔn)確地對(duì)輸入的影響數(shù)據(jù)集進(jìn)行篩選，從而將高質(zhì)量影像輸入cnn模型，以精準(zhǔn)截取病灶區(qū)域的粗分割區(qū)域，提高識(shí)別效率。

技術(shù)實(shí)現(xiàn)思路

1、為此，本發(fā)明提供一種基于神經(jīng)網(wǎng)絡(luò)的罕見(jiàn)疾病識(shí)別系統(tǒng)，用以克服現(xiàn)有技術(shù)中由于缺乏對(duì)輸入的大量數(shù)據(jù)集進(jìn)行快速精準(zhǔn)篩選，使輸入cnn模型的影像質(zhì)量低下，導(dǎo)致識(shí)別效率低的問(wèn)題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供一種基于神經(jīng)網(wǎng)絡(luò)的罕見(jiàn)疾病識(shí)別系統(tǒng)，包括，

3、樣本采集模塊，其與外部的大數(shù)據(jù)平臺(tái)相連，用以以預(yù)設(shè)采集周期采集罕見(jiàn)病樣本，得到原始數(shù)據(jù)集；

4、樣本篩分模塊，對(duì)所述原始數(shù)據(jù)集依次進(jìn)行預(yù)處理和篩選，得到目標(biāo)數(shù)據(jù)集；

5、樣本掃描模塊，用以獲取所述目標(biāo)數(shù)據(jù)集中的各掃描圖像，根據(jù)第一標(biāo)準(zhǔn)線條區(qū)域占比和第二標(biāo)準(zhǔn)線條區(qū)域占比對(duì)實(shí)時(shí)線條區(qū)域占比進(jìn)行判定，根據(jù)判斷結(jié)果選擇處理模式，根據(jù)所述處理模式和卷積神經(jīng)網(wǎng)絡(luò)識(shí)別各所述掃描圖像中對(duì)應(yīng)的病灶區(qū)域并進(jìn)行分割，得到粗分割圖像；

6、樣本識(shí)別模塊，對(duì)所述粗分割圖像進(jìn)行識(shí)別，提取圖像特征，將所述圖像特征與病變特征進(jìn)行對(duì)比，將匹配的所述粗分割圖像標(biāo)記為目標(biāo)影像樣本；

7、樣本評(píng)估模塊，計(jì)算模型正確預(yù)測(cè)的目標(biāo)影像樣本個(gè)數(shù)占總影像樣本的百分比，得到實(shí)時(shí)準(zhǔn)確率，以確定是否對(duì)篩選參數(shù)進(jìn)行調(diào)整；

8、其中，所述篩選參數(shù)為第二標(biāo)準(zhǔn)線條區(qū)域占比。

9、進(jìn)一步地，所述樣本篩分模塊包括預(yù)處理單元、初篩單元和迭代篩選單元，其中，

10、所述預(yù)處理單元，用以獲取所述原始數(shù)據(jù)集中的影像數(shù)據(jù)作為原始圖像，對(duì)所述原始圖像進(jìn)行輪廓增強(qiáng)處理，得到中間圖像；

11、所述初篩單元，對(duì)各所述中間圖像進(jìn)行初次篩選，以刪除質(zhì)量不合格的中間圖像，得到中間數(shù)據(jù)集；

12、所述迭代篩選單元，對(duì)所述中間數(shù)據(jù)集中的中間圖像進(jìn)行連續(xù)擴(kuò)展掃描，得到所述目標(biāo)數(shù)據(jù)集。

13、進(jìn)一步地，所述樣本掃描模塊包括窗口滑動(dòng)單元、分析單元、選擇處理單元和分割單元，其中，

14、所述窗口滑動(dòng)單元能夠獲取任一掃描圖像的像素總數(shù)，根據(jù)滑動(dòng)掃描系數(shù)與像素總數(shù)計(jì)算預(yù)設(shè)滑動(dòng)窗口尺寸，以預(yù)設(shè)滑動(dòng)窗口尺寸將所述掃描圖像劃分為若干待掃描區(qū)域，對(duì)所述待掃描區(qū)域進(jìn)行滑動(dòng)掃描；

15、所述分析單元，用以獲取所述待掃描區(qū)域內(nèi)的標(biāo)記線條像素，根據(jù)標(biāo)記線條像素計(jì)算單元線條像素占比和實(shí)時(shí)線條區(qū)域占比；

16、所述選擇處理單元，用以根據(jù)所述判斷結(jié)果選擇處理模式，以根據(jù)各處理模式和卷積神經(jīng)網(wǎng)絡(luò)識(shí)別各所述掃描圖像中對(duì)應(yīng)的病灶區(qū)域并進(jìn)行分割，得到粗分割圖像；

17、所述分割單元，用以對(duì)所述待分析圖像和所述待掃描區(qū)域進(jìn)行分割，得到粗分割圖像。

18、進(jìn)一步地，所述分析單元包括判定子單元、標(biāo)記子單元和計(jì)算子單元，其中，

19、所述判定子單元用以將單元線條像素占比與標(biāo)準(zhǔn)線條像素占比進(jìn)行對(duì)比；

20、所述標(biāo)記子單元用以在單元線條像素占比大于等于標(biāo)準(zhǔn)線條像素占比時(shí)，對(duì)當(dāng)前滑動(dòng)窗口對(duì)應(yīng)圖像區(qū)域進(jìn)行標(biāo)記，標(biāo)記為線條區(qū)域；

21、所述計(jì)算子單元用以獲取線條區(qū)域的個(gè)數(shù)占總待掃描區(qū)域的個(gè)數(shù)的百分比，得到實(shí)時(shí)線條區(qū)域占比。

22、進(jìn)一步地，所述選擇處理單元包括比對(duì)子單元和處理子單元，其中，

23、所述比對(duì)子單元用以根據(jù)第一標(biāo)準(zhǔn)線條區(qū)域占比和第二標(biāo)準(zhǔn)線條區(qū)域占比對(duì)實(shí)時(shí)線條區(qū)域占比進(jìn)行比對(duì)；

24、所述處理子單元，用以在實(shí)時(shí)線條區(qū)域占比在第一標(biāo)準(zhǔn)線條區(qū)域占比和第二標(biāo)準(zhǔn)線條區(qū)域占比之間時(shí)，對(duì)所述待掃描區(qū)域的線條輪廓邊緣進(jìn)行加強(qiáng)處理，得到待分析圖像。

25、進(jìn)一步地，所述分割單元包括第一分割子單元、第二分割子單元和第三分割子單元，其中，

26、所述第一分割子單元在實(shí)時(shí)線條區(qū)域占比小于第一標(biāo)準(zhǔn)線條區(qū)域占比時(shí)，根據(jù)卷積神經(jīng)網(wǎng)絡(luò)對(duì)所述待掃描區(qū)域進(jìn)行結(jié)節(jié)特征識(shí)別和分割，得到粗分割圖像；

27、其中，所述第一分割子單元根據(jù)卷積神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)節(jié)特征，對(duì)結(jié)節(jié)特征所處的區(qū)域進(jìn)行分割，得到粗分割圖像；

28、所述第二分割子單元，用以對(duì)所述待分析圖像進(jìn)行識(shí)別，得到粗分割圖像；

29、所述第三分割子單元，用以在實(shí)時(shí)線條區(qū)域占比大于第二標(biāo)準(zhǔn)線條區(qū)域占比時(shí)，根據(jù)卷積神經(jīng)網(wǎng)絡(luò)對(duì)所述待掃描區(qū)域進(jìn)行識(shí)別和分割，以識(shí)別非結(jié)節(jié)性肺部病變區(qū)域，得到粗分割圖像。

30、進(jìn)一步地，所述處理子單元對(duì)線條輪廓邊緣的各漸變過(guò)渡層進(jìn)行徑向漸變過(guò)渡處理，以對(duì)線條輪廓邊緣進(jìn)行加強(qiáng)處理。

31、進(jìn)一步地，所述初篩單元包括數(shù)據(jù)刪除子單元和數(shù)據(jù)增強(qiáng)子單元，其中，

32、所述數(shù)據(jù)刪除子單元用以根據(jù)切片厚度確定是否對(duì)中間圖像進(jìn)行刪除；

33、所述數(shù)據(jù)增強(qiáng)子單元用以對(duì)所述中間圖像區(qū)域中畫(huà)面區(qū)域的邊緣像素點(diǎn)進(jìn)行輪廓邊緣標(biāo)記，依次將各原始亮度值調(diào)整為對(duì)應(yīng)的修正亮度值，以對(duì)中間圖像的亮度數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)處理。

34、進(jìn)一步地，所述數(shù)據(jù)增強(qiáng)子單元分別獲取輪廓內(nèi)區(qū)域各像素點(diǎn)的亮度值，作為若干原始亮度值，根據(jù)各原始亮度值計(jì)算平均輪廓內(nèi)亮度，獲取輪廓外區(qū)域各像素亮度值計(jì)算平均輪廓外亮度，將平均輪廓外亮度減去平均輪廓內(nèi)亮度得到實(shí)時(shí)亮度差值，依次將各原始亮度值與實(shí)時(shí)亮度差值相加，得到對(duì)應(yīng)的修正亮度值，以對(duì)中間圖像的亮度數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)處理。

35、進(jìn)一步地，所述樣本評(píng)估模塊包括比較單元和校正單元，其中，

36、所述比較單元內(nèi)設(shè)定有準(zhǔn)確率閾值，比較單元將實(shí)時(shí)準(zhǔn)確率與準(zhǔn)確率閾值進(jìn)行比較，得到比較結(jié)果；

37、所述校正單元獲取所述比較結(jié)果，在實(shí)時(shí)準(zhǔn)確率小于準(zhǔn)確率閾值時(shí)，將第二標(biāo)準(zhǔn)線條區(qū)域占比修正為第二修正線條區(qū)域占比。

38、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于，通過(guò)與大數(shù)據(jù)平臺(tái)相連，自動(dòng)化采集罕見(jiàn)病樣本，提高數(shù)據(jù)收集的效率和一致性，通過(guò)樣本篩分模塊對(duì)原始數(shù)據(jù)集進(jìn)行預(yù)處理和篩選，提高數(shù)據(jù)處理的效率，確保數(shù)據(jù)質(zhì)量，樣本掃描模塊通過(guò)圖像識(shí)別技術(shù)，精確分割出掃描圖像中的病灶區(qū)域，為后續(xù)分析提供了準(zhǔn)確的基礎(chǔ)，通過(guò)樣本評(píng)估模塊計(jì)算實(shí)時(shí)準(zhǔn)確率，以根據(jù)實(shí)時(shí)準(zhǔn)確率動(dòng)態(tài)調(diào)整篩選參數(shù)，優(yōu)化識(shí)別過(guò)程，提高識(shí)別的準(zhǔn)確性。

39、進(jìn)一步地，通過(guò)對(duì)圖像的切片厚度進(jìn)行判定，以自動(dòng)篩選出切片厚度符合標(biāo)準(zhǔn)的圖像，以確保足夠的細(xì)節(jié)捕捉。

40、進(jìn)一步地，通過(guò)設(shè)置掃描系數(shù)，以根據(jù)實(shí)際待處理圖像尺寸計(jì)算對(duì)應(yīng)的預(yù)設(shè)滑動(dòng)窗口尺寸，提高對(duì)圖像處理的適用性。

41、進(jìn)一步地，在判定實(shí)時(shí)線條區(qū)域占比在第一標(biāo)準(zhǔn)線條區(qū)域占比和第二標(biāo)準(zhǔn)線條區(qū)域占比之間時(shí)，可能存在某些線條邊緣模糊不清，由于模糊或不清晰的邊緣也與病變相關(guān)，則先通過(guò)對(duì)線條輪廓邊緣進(jìn)行加強(qiáng)處理，保障線條識(shí)別的清晰度，避免誤識(shí)別，增強(qiáng)處理后，再次對(duì)線條邊緣像素進(jìn)行分析，若仍然存在模糊和不清晰，將對(duì)應(yīng)的區(qū)域標(biāo)記為病灶區(qū)域，關(guān)聯(lián)圖像處理技術(shù)，以更準(zhǔn)確地分析圖像中的特征。

42、進(jìn)一步地，為了訓(xùn)練一個(gè)高性能的cnn模型，通常需要數(shù)千到數(shù)萬(wàn)張經(jīng)過(guò)標(biāo)注的訓(xùn)練圖像，這些圖像需要精確標(biāo)明圖像中的目標(biāo)或類(lèi)別，以便模型學(xué)習(xí)特征并進(jìn)行有效的預(yù)測(cè)，因此，通過(guò)在一個(gè)較小的目標(biāo)數(shù)據(jù)集上對(duì)篩選參數(shù)第二標(biāo)準(zhǔn)線條區(qū)域占比進(jìn)行微調(diào)，以適應(yīng)調(diào)整選擇處理單元的選擇處理模式的過(guò)程，使模型針對(duì)目標(biāo)任務(wù)進(jìn)行細(xì)化學(xué)習(xí)，以提高其在特定數(shù)據(jù)集上的表現(xiàn)，提升了模型的適用性，同時(shí)也減少了對(duì)大規(guī)模標(biāo)注數(shù)據(jù)的依賴(lài)，節(jié)省訓(xùn)練深度學(xué)習(xí)模型需要的算力資源。