[發明專利]一種醫學影像輔助診斷及半監督樣本生成系統

在審

• 申請號: 201710737538.4
• 申請日: 2017-08-24
• 公開（公告）號: CN107563383A
• 公開（公告）日: 2018-01-09
• 發明（設計）人: 程國華;徐攀;何林陽;謝瑋宜;季紅麗
• 申請（專利權）人: 杭州健培科技有限公司
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06K9/62;G06N3/08;G06F19/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及一種醫學影像輔助診斷及半監督樣本生成系統，尤其涉及一種利用醫生少量指導信息、半監督標注肺結節精確語義樣本的技術。

背景技術

電子計算機斷層掃描(即CT掃描)，利用精確準直的X線束、伽馬射線、超聲波等，與靈敏度極高的探測器一同圍繞人體的某一部位一個接一個斷層的掃描，具有掃描時間快，圖像清晰等特點，臨床結果初步證明其是檢測早期無癥狀肺癌最有效的影像學方法。在臨床診斷中，大量肺部疾病(包括肺癌)在CT影像上通常表現為肺結節。因此，利用CT影像肺結節的檢測和識別是肺部疾病診斷的重要途徑[1]。一般一個病例的肺部CT掃描至少有200個切片，醫生診斷時間長、工作量大、易于疲勞，人工誤差不可避免。計算機輔助診斷系統大大減輕了醫生的工作量，提高診斷效率和準確度[2]。近年來，由于多個圖像處理數據庫的開源，加上圖像處理單元的性能提升，基于深度學習的卷積神經網絡在計算機圖像處理領域取得了突飛猛進的發展，在物體檢測領域首次超越人類。不出意外地，基于深度學習的計算機輔助診斷系統也大幅提高了診斷的精度[3]。

然而，基于深度學習的計算機輔助診斷系統十分依賴大量、高質量標注的圖像樣本。同時，幾乎所有相關學者認為，樣本越多標注越準確，基于深度學習的算法性能更好[3]。現如今，大多數的樣本是由人力手工標注完成，不僅樣本生成的效率低下，而且標注人員工作量大、易于疲勞，加上主觀經驗不容，不可避免的帶來人工誤差。

本發明采用基于深度學習的語義分割方法，利用全卷積神經網絡技術，只需少量人工指導，就能生成精確的語義標注[4]。肺結節精確的語義標注含有肺結節的輪廓以及肺結節的征象，即鈣化區域、毛刺和棘突區域、空洞和空泡區域、分葉區域。該技術能夠應用于基于深度學習的計算機輔助診斷系統，解決計算機輔助軟件無法反饋閉環、無法生成高質量樣本、無法自學習的問題。

發明內容

為了解決上述技術問題，本發明提供一種醫學影像輔助診斷及半監督樣本生成系統，能夠根據醫生少量指導，即醫生標記的關注點，自動計算得到關注區域內的肺結節輪廓與輪廓內各像素點的預測概率，生成含有精確語義輪廓的肺結節標注樣本，供自學習系統學習。

具體包括如下內容：

1.卷積神經網絡的語義分割模型的設計

1.1.提取圖像特征的全卷積神經網絡。采用圖像卷積公式，對輸入影像序列進行3D卷積，得到訓練和測試樣本的卷積特征圖；采用多種不同尺度的平均池化方法，對訓練樣本和測試樣本的卷積特征圖進行多種不同尺度的池化處理，得到訓練樣本和測試樣本的多種不同尺度的池化特征圖；卷積層、不同尺度的池化層堆疊構成用于提取不同分辨率圖像特征的卷積神經網絡。

1.2.重構圖像特征的卷積神經網絡。利用圖像3D上采樣方法，對不同分辨率圖像特征進行3D上采樣，轉化為同一分辨率的卷積特征圖；串聯不同尺度同一分辨率的卷積特征圖；采用Softmax函數得到與基于深度學習的肺結節分割模型輸入形狀一致的3D正方體概率圖塊。

1.3.訓練網絡參數。將肺部CT影像數據庫中的圖像序列經過去噪、調整窗位、肺組織分割、歸一化獲得候選樣本，并結合醫生對樣本集的標注和注釋，分為訓練樣本和測試樣本；利用訓練樣本訓練卷積神經網絡，利用測試樣本調試卷積神經網絡，得到基于深度學習的語義分割模型。

2.系統使用

2.1.數據準備

2.1.1.讀取CT影像序列；

2.1.2.利用現有基于深度學習的肺結節自動檢測模塊，對CT影像序列進行結節檢測，得到所有疑似肺結節的位置；

2.1.3.將結節檢測結果顯示在醫生終端，并給予醫生標記注釋的權限；

2.1.4.醫生根據經驗判斷漏檢、錯檢的結節，并使用終端在漏檢結節內部標注關注點，剔除錯檢的結節；其中醫生僅對漏檢的結節內部標記關注點，不對結節半徑、輪廓進行標注。

2.2.語義標注生成

2.2.1.將醫生標注信息傳輸給語義標注生成模塊；

2.2.2.根據醫生標注的關注點獲取關注區域；

2.2.3.對于關注區域，利用設計好的卷積神經網絡語義分割模型進行計算，得到該關注區域肺結節的語義標注，包括肺結節精確的輪廓、鈣化區域、毛刺和棘突區域、空洞和空泡區域、分葉區域。

2.3.將生成的肺結節語義標注反饋至醫生端，經過醫生判斷后，合格的語義標注存入樣本庫，不準確的語義標注經醫生微調后存入樣本庫。

2.4.肺結節自動檢測模塊、語義標注生成模塊讀取樣本庫中的若干樣本，更新各自模型參數，以獲得更好的性能。