[發(fā)明專(zhuān)利]一種基于MIL的醫(yī)學(xué)圖像病灶點(diǎn)精確標(biāo)注方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810677693.6
• 申請(qǐng)日: 2018-06-27
• 公開(kāi)（公告）號(hào): CN108922599A
• 公開(kāi)（公告）日: 2018-11-30
• 發(fā)明（設(shè)計(jì)）人: 唐鵬;萬(wàn)加龍;金煒東
• 申請(qǐng)（專(zhuān)利權(quán)）人: 西南交通大學(xué)
• 主分類(lèi)號(hào): G16H30/20
• 分類(lèi)號(hào): G16H30/20;G06N3/04
• 代理公司: 成都信博專(zhuān)利代理有限責(zé)任公司 51200
• 代理人: 王沙沙

1.一種基于MIL的醫(yī)學(xué)圖像病灶點(diǎn)精確標(biāo)注方法，其特征在于，包括以下步驟：

步驟1：采集醫(yī)學(xué)圖像數(shù)據(jù)集，分為正樣本集和負(fù)樣本集；

步驟2：進(jìn)行分類(lèi)模型的初始化；

步驟3：對(duì)于正樣本集中的每個(gè)樣本均采集S個(gè)示例，把每個(gè)示例輸入到分類(lèi)器模型中；記錄有病灶點(diǎn)概率值最大的示例，然后將該示例加入到數(shù)據(jù)集D中；

步驟4：對(duì)于負(fù)樣本集中的每個(gè)樣本均采集S個(gè)示例，把每個(gè)示例輸入到分類(lèi)器模型中；記錄最不可能有病灶點(diǎn)的示例，然后將該示例加入到步驟3得到的數(shù)據(jù)集D中；

步驟5：將步驟4得到的數(shù)據(jù)集D在神經(jīng)網(wǎng)絡(luò)分類(lèi)器模型中進(jìn)行迭代訓(xùn)練，得到訓(xùn)練模型；

步驟6：根據(jù)步驟5得到的模型進(jìn)行新樣本的檢測(cè)和標(biāo)注。

2.根據(jù)權(quán)利要求1所述的一種基于MIL的醫(yī)學(xué)圖像病灶點(diǎn)精確標(biāo)注方法，其特征在于，所述分類(lèi)模型采用基于LeNet的神經(jīng)網(wǎng)絡(luò)模型，包括輸入層、第一卷積層、第一池化層、第二卷積層、第二池化層、第一全連接層、激活函數(shù)層、第二全連接層和用于實(shí)現(xiàn)分類(lèi)和歸一化的softmax層。

3.根據(jù)權(quán)利要求1所述的一種基于MIL的醫(yī)學(xué)圖像病灶點(diǎn)精確標(biāo)注方法，其特征在于，所述步驟6中檢測(cè)和標(biāo)注過(guò)程中每個(gè)新樣本采樣S個(gè)示例，對(duì)每個(gè)示例用分類(lèi)器模型進(jìn)行分類(lèi)；若有一個(gè)及以上示例有病灶點(diǎn)，則判定該樣本為有病灶點(diǎn)圖片；否則判定該樣本為無(wú)病灶點(diǎn)圖片；直至檢測(cè)完所有新樣本。

4.根據(jù)權(quán)利要求1所述的一種基于MIL的醫(yī)學(xué)圖像病灶點(diǎn)精確標(biāo)注方法，其特征在于，所述步驟5中的迭代訓(xùn)練過(guò)程中，每一次訓(xùn)練之前重復(fù)步驟3和步驟4獲取更新后的數(shù)據(jù)集D。

5.根據(jù)權(quán)利要求1所述的一種基于MIL的醫(yī)學(xué)圖像病灶點(diǎn)精確標(biāo)注方法，其特征在于，所述步驟2中初始化過(guò)程為選取帶有標(biāo)簽的樣本進(jìn)行有監(jiān)督學(xué)習(xí)。