[发明专利]基于深度卷积脉冲神经网络的肺结核辅助决策系统

权利要求书

1.一种基于深度卷积脉冲神经网络的肺结核辅助决策系统，其特征在于，包括以下步骤：

一、建立并训练深度脉冲卷积神经网络模型

步骤a1)数据处理：选取肺结核胸片图像数据，对数据进行操作并划分出训练集和测试集的部分；

步骤a2)建立基于LIF(Leaky Integrate-and-Fire)模型的深度脉冲卷积神经网络模型，深度脉冲卷积神经网络模型包括输入模块、学习模块和输出模块；

输入模块用于将输入的肺结核胸片图像转换成脉冲信息；

学习模块通过连续“卷积-池化”操作对输入的脉冲信息进行处理，逐层提取更高层次的特征表示，结合STDP(Spike Timing-Dependent Plasticity)和R-STDP(Reward-Modulated STDP)学习规则，训练深度脉冲卷积神经网络模型并对输入的肺结核胸片图像进行分类；学习模块包括至少三个卷积层和池化层，延信息传递方向分别为卷积层1-池化层1-卷积层2-池化层2-卷积层3-池化层3....卷积层n-池化层n；连接到卷积层1至卷积层n-1的突触权值采用STDP规则调权值，连接到卷积层n的突触权值通过R-STDP规则和池化层n反馈的奖励信号或惩罚信号调整权值；

输出模块通过池化层n中的神经元输出分类结果，池化层n包含两个输出神经元，分别表示两种不同的类别信息；深度脉冲卷积神经网络做出类别信息的决策后，与输入肺结核胸片图像的原始标签信息进行比较；如果决策信息与原始标签信息一致，说明深度脉冲卷积神经网络决策正确，深度脉冲卷积神经网络生成奖励信号；如果决策信息与原始标签信息不一致，说明深度脉冲卷积神经网络决策错误，深度脉冲卷积神经网络生成惩罚信号；奖励信号和惩罚信号通过R-STDP规则调整卷积层n的突触权值的改变量；

步骤a3)训练集数据转化脉冲信息：将步骤a1)的训练集肺结核图像进行图像预处理，图像预处理包括图像分割和图像下采样；采用首脉冲触发时间编码(Time-to-First SpikeCoding)将预处理后的肺结核图像编码成脉冲信息；

步骤a4)训练深度脉冲卷积神经网络模型：将编码后的脉冲信息输入到基于深度脉冲卷积神经网络模型中进行训练；

基于深度脉冲卷积神经网络模型根据输入的脉冲信息进行无监督学习：根据输入脉冲和LIF神经元模型计算出卷积层1的输出特征图，再根据局部最大池化方法映射到池化层1；同时根据STDP规则更新调整卷积层1中神经元的突触权值；将池化层1的输出特征图输入到卷积层2，根据输入脉冲和LIF神经元模型计算出卷积层2的输出特征图，再根据局部最大池化方法映射到池化层2，计算池化层2的输出；同时根据STDP规则更新调整卷积层2中神经元的突触权值；使用训练集数据重复计算过程，直至计算得到池化层n-1的输出，即无监督学习过程完成；

基于深度脉冲卷积神经网络根据无监督学习过程中最终输出的特征图进行下一阶段的强化学习：卷积层n根据池化层n-1的输入的信息和LIF模型计算出输出特征图，再根据全局最大池化方法计算出基于深度脉冲卷积神经网络模型的决策信息；使用训练集数据计算过程，直至迭代完成，即强化学习过程完成；

步骤a5)深度脉冲卷积神经网络模型训练达到最大迭代次数后学习结束，保存训练后的深度脉冲卷积神经网络模型的权值参数；

二、测试深度脉冲卷积神经网络模型

步骤b1)：输入步骤a1)划分的测试集，将输入的肺结核胸片图像转换成脉冲信息；

步骤b2)将步骤b1)的脉冲信息输入步骤a5)训练得到的深度脉冲卷积神经网络模型中进行测试，通过运算对测试的样本进行决策分类获得决策信息，并将决策信息与测试集原始标签信息进行比较，获得决策正确的比例；若决策正确比例大于期望值说明深度脉冲卷积神经网络模型可以使用，若决策正确比例小于期望值则重新训练深度脉冲卷积神经网络模型，直至决策正确比例大于期望值；

三、使用深度脉冲卷积神经网络模型

步骤c1)选取需要确定的患者肺结核胸片图像，将图像转换成脉冲信息；

步骤c2)将脉冲信息输入到步骤b2)测试完成的深度脉冲卷积神经网络模型中，进行疾病图像的诊断分类；

步骤c3)输出决策信息，代表了输入肺结核图像所属病历是否患有肺结核疾病的判别信息。