本發明公開一種基于深度卷積神經網絡的預防肺癌自助健康云服務系統，包括用于深度學習和訓練識別的卷積神經網絡、基于全卷積神經網絡的從CT影像圖像中分割出肺部區域的分割模塊、用于肺癌診斷分類的深度卷積神經網絡和一種用于根據所識別的疑似肺癌類型進行早期預防和治療的自助健康云服務平臺。本發明能有效提高基于移動互聯網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，提高早期肺癌篩檢臨床診斷的敏感性、特異性和準確性，實現肺癌的“早發現早診斷早治療”，增加自我健康管理能力。

1.一種基于深度卷積神經網絡的預防肺癌自助健康云服務系統，其特征在于：包括用
于深度學習和訓練識別的卷積神經網絡、基于全卷積神經網絡的從CT影像圖像中分割出肺
部區域的分割模板、用于肺部病灶診斷分類的深度卷積神經網絡和用于根據所識別的疑似
肺癌類型進行早期預防和治療的健康云服務平臺；
所述的卷積神經網絡，共分為八層，由卷積層、激活層和下采樣層交替構成的深度結
構；輸入圖像在網絡中進行層層映射，得到各層對于圖像不同的表示形式，實現圖像的深度
表示；
所述的基于全卷積神經網絡的從CT影像圖像中分割出肺部區域的分割模塊，采用全卷
積神經網絡，就是將所述的卷積神經網絡改為全卷積神經網絡，將所述的卷積神經網絡的
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肺部對象圖像語義分割；
所述的深度卷積神經網絡是在所述的卷積神經網絡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；
所述的健康云服務平臺，主要包括了接收和讀取用戶發送過來的胸部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，基于深度卷積神經網絡對分割后的肺部區域圖像進行分類的疑似肺癌類型分類模
塊，生成早期預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，用于將早期預防和治療的健康文件提供給用戶到所述
的健康云服務平臺的網站上下載的下載服務模塊；
所述的卷積神經網絡，對所述的卷積神經網絡訓練是一個反向傳播過程，通過誤差函
數反向傳播，利用隨機梯度下降法對卷積參數和偏置進行優化調整，直到網絡收斂或者達
到最大迭代次數停止；
反向傳播需要通過對帶有標簽的訓練樣本進行比較，采用平方誤差代價函數，對于c個
類別，N個訓練樣本的多類別進行識別，網絡最終輸出誤差函數用公式(4)來計算誤差，

式中，E^N為平方誤差代價函數，為第n個樣本對應標簽的第k維，為第n個樣本對應
網絡預測的第k個輸出；
對誤差函數進行反向傳播時，采用BP計算方法，如公式(5)所示，

式中，δ^l代表當前層的誤差函數，δ^l+1代表上一層的誤差函數，W^l+1為上一層映射矩陣，f'
表示激活函數的反函數，即上采樣，u^l表示未通過激活函數的上一層的輸出，x^l-1表示下一
層的輸入，W^l為本層映射權值矩陣，b^l為當前網絡的加性偏置。
2.如權利要求1所述的基于深度卷積神經網絡的預防肺癌自助健康云服務系統，其特
征在于：所述的卷積神經網絡，共分為八層，卷積神經網絡是由卷積層、激活層和下采樣層
交替構成的深度結構；
第一層：輸入圖像數據為224×224像素圖像，填充值是3，輸出數據227×227×3；然后
經過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，總的特征數為27×27×96，然后進行正則化處理，用于求和的通道數為5，最后得到
27×27×96數據；
第二層：輸入數據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，總的特征數為13×13×256，然后進行正則化處理，用于求和的通道數為5，最后得到
13×13×256數據；
第三層：輸入數據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數據；
第四層：輸入數據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數據；
第五層：輸入數據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，總的特征數為6×6×256，最后得到6×6×256數據；
第六層：輸入數據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，經過dropout6處理，最后得到4096數據；
第七層：輸入數據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，經過dropout7處理，最后得到4096數據；
第八層：輸入數據4096，全連接，得到1000個特征數據。
3.如權利要求1所述的基于深度卷積神經網絡的預防肺癌自助健康云服務系統，其特
征在于：所述的卷積神經網絡，其學習過程是一個前向傳播過程，上一層的輸出即為當前層
的輸入，并通過激活函數逐層傳遞，因此整個網絡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_l表示第l層的激活函數，W_l表示第l層的映射權值矩陣，O_p表示
整個網絡的實際計算輸出，l＝1，2，…，n；
當前層的輸出用(2)表示，
X^l＝f^l(W^lX^l-1+b^l) (2)
式中，l代表網絡層數，X^l表示當前層的輸出，X^l-1表示上一層的輸出，即當前層的輸入，
W^l代表已經訓練好的、當前網絡層的映射權值矩陣，b^l為當前網絡的加性偏置，f^l是當前網
絡層的激活函數；采用的激活函數f^l為糾正線性單元，即ReLU，用公式(3)表示，

式中，l代表網絡層數，W^l代表已經訓練好的、當前網絡層的映射權值矩陣，f^l是當前網
絡層的激活函數；其作用是如果卷積計算結果小于0，則讓其為0；否則保持其值不變。
4.如權利要求1所述的基于深度卷積神經網絡的預防肺癌自助健康云服務系統，其特
征在于：所述的深度卷積神經網絡是在所述的卷積神經網絡的第八層的反卷積層后連接了
一個Softmax分類器，用于依據疑似肺癌類型進行分類識別；
所述的Softmax分類器，將深度神經網絡中的學習結果作為softmax分類器的輸入數
據；Softmax回歸是面向多類分類問題的Logistic回歸；
對于訓練集{(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果出現的概率為p(y＝i|x)，假設函數h(x)如下：

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

代價函數對第j個類別的第l個參數的偏導數為：

式中，j為類別數，m為訓練集的類別數，p(y⁽ⁱ⁾＝j|x⁽ⁱ⁾；θ)為x分為類別j的概率，λ為規
則項參數，也稱為權重衰減項，該規則項參數主要是防止過擬合的；
最后，通過最小化J(θ)，實現softmax的分類回歸，將分類回歸結果保存到特征庫中；
在依據疑似肺癌類型對被檢肺部對象圖像識別分類時，將提取到的輸入數據特征與學
習訓練得到肺癌類型特征庫中的數據進行比對，計算出每一個分類結果的概率，然后取概
率最高的前5個結果進行輸出，并標出疑似肺癌的位置、類型及概率，以提高影像學臨床診
斷效率。
5.如權利要求1所述的基于深度卷積神經網絡的預防肺癌自助健康云服務系統，其特
征在于：所述的預防肺癌自助健康云服務系統根據用戶發送過來的胸部X光片或者CT影像
圖像，采用基于全卷積神經網絡的從CT影像圖像中分割出肺部區域的分割方法對CT影像圖
像進行肺部對象的分割，得到分割后的肺部圖像；然后根據疑似肺癌類型分類規范用深度
卷積神經網絡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
用戶有病理學專家臨床診斷報告，就結合病理學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果報告，然后將健康檢測結果報告遞交給資深放
射科醫生進行確認，最后將健康檢測結果報告信息反饋給用戶；
所述的預防肺癌自助健康云服務系統還包括用戶傳輸胸部X光片或者CT影像圖像給健
康云服務平臺或從云服務平臺接受健康檢測結果報告的用戶端。
6.如權利要求1所述的基于深度卷積神經網絡的預防肺癌自助健康云服務系統，其特
征在于：所述的肺部病灶診斷分類的深度卷積神經網絡，為解決肺結節與肺血管在二維層
片上灰度級相似而難以區分的問題，首先在所有CT圖像上標示出疑似肺結節或者肺血管的
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
的相同位置上出現類圓形區域就判斷為肺血管，否則初步判定為疑似肺結節，即孤立性結
節；當然這種檢測精度是與CT圖像的掃描精度相關，如果CT圖像的掃描步長設置為2mm，那
么能檢測出直徑為3mm的肺結節，一個病例檢查會產生140層的二維CT影像。
7.如權利要求1或5或6所述的基于深度卷積神經網絡的預防肺癌自助健康云服務系
統，其特征在于：所述的深度卷積神經網絡中的疑似肺癌類型圖像特征數據集，包括了各種
疑似肺癌類型圖像數據，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，
可采用數據增強變換技術來增加輸入數據的量；
采用如下圖像數據增強變換方法中的一種或幾種增加輸入數據的量：①旋轉|反射變
換：隨機旋轉圖像一定角度，改變圖像內容的朝向；②翻轉變換：沿著水平或者垂直方向翻
轉圖像；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造尺
度空間；改變圖像內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H不變；對每個像素的S和V分量進行指數運算，指數因子在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.如權利要求1所述的基于深度卷積神經網絡的預防肺癌自助健康云服務系統，其特
征在于：用戶端將胸部X光片或者CT圖像通過移動端發送給健康云服務平臺；對于一些用戶
沒有胸部X光片或者CT數字圖像時，用戶用手機或者其他移動設備拍攝來獲取胸部X光片或
者CT數字圖像，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；然后在手機或數碼相機上進
行預覽，質量好的標準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圖像通過用戶端發送給健康云服務
平臺。