[發明專利]一種基于MIL的醫學圖像病灶點精確標注方法

在審

• 申請號: 201810677693.6
• 申請日: 2018-06-27
• 公開（公告）號: CN108922599A
• 公開（公告）日: 2018-11-30
• 發明（設計）人: 唐鵬;萬加龍;金煒東
• 申請（專利權）人: 西南交通大學
• 主分類號: G16H30/20
• 分類號: G16H30/20;G06N3/04
• 代理公司: 成都信博專利代理有限責任公司 51200
• 代理人: 王沙沙

本發明公開了一種基于MIL的醫學圖像病灶點精確標注方法，包括以下步驟：步驟1：采集醫學圖像數據集，分為正樣本集和負樣本集；步驟2：進行分類模型的初始化；步驟3：對于正樣本集中的每個樣本均采集S個示例，把每個示例輸入到分類器模型中；記錄有病灶點概率值最大的示例，然后將該示例加入到數據集D中；步驟4：對于負樣本集中的每個樣本均采集S個示例，把每個示例輸入到分類器模型中；記錄最不可能有病灶點的示例，然后也將該示例加入到數據集D中；步驟5：在神經網絡分類器模型中進行迭代訓練，得到訓練模型；步驟6：根據分類模型進行新樣本的檢測和標注；本發明可大批量地對病灶點樣本進行精確標注，且速度快、成本低、具有極高的效率性。

技術領域

本發明涉及一種醫學圖像處理方法，具體涉及一種基于MIL（Multiple InstanceLearning）的醫學圖像病灶點精確標注方法。

背景技術

醫學領域的圖像標注為：將DR片、CT片等影像數據中的腫瘤、結節、鈣化點等病灶區域由醫生通過人機交互的形式在dicom等影像數據中標注出來；隨著深度學習在醫學圖像處理領域中的拓展，訓練就需要大型標準的數據集來支撐；因此，大量數據集的精確標注問題就顯得尤為重要；和普通圖像的標注不同，醫學圖像的標注需要有專業知識和技能的人來做；因此難以獲得大量的精確標注數據集供深度神經網絡學習；目前，將傳統的深度學習廣泛應用在醫學圖像領域，仍存在以下問題：第一，醫學領域的影像精確標注需要高水平的醫生來完成，非醫療領域人員對醫學影像的標注沒有意義；但客觀上，我國醫生的工作強度大，難以有精力進行醫學影像的精確標注；并且現實中存在著大量的不同種類的病灶圖像，但很多存儲的圖片都沒有來得及標注和使用，資源利用率較低；第二，即使醫生能夠精確標注的醫療圖像，但由于數據標注需要消除個人的主觀性，需要多人多次標注，取綜合平均結果；這就導致能夠達到應用級別的有效標注數據事實上數量較少；第三，疾病的影像樣本受限于該疾病的發病率，某些疾病由于是非常見疾病，存在樣本稀少難以構建足夠量級數據集的問題。

目前現有醫療機構中廣泛開展了數字化病歷的改革，建設了諸多PACS系統等包含醫療影像數據、生化數據等醫療病歷數據庫；這些病歷中包含了診斷結論，卻并未對病灶區域精確標記；當前的醫療影像數據多是非精確標注數據（僅僅標記了有何病和無病），但未精確給出病灶位置坐標；因此導致當前的深度學習算法難以直接適應。

發明內容

本發明提供一種速度快、成本低，效率高的基于MIL的醫學圖像病灶點精確標注方法。

本發明采用的技術方案是：一種基于MIL的醫學圖像病灶點精確標注方法，包括以下步驟：

步驟1：采集醫學圖像數據集，分為正樣本集和負樣本集；

步驟2：進行分類模型的初始化；

步驟3：對于正樣本集中的每個樣本均采集S個示例，把每個示例輸入到分類器模型中；記錄有病灶點概率值最大的示例，然后將該示例加入到數據集D中；

步驟4：對于負樣本集中的每個樣本均采集S個示例，把每個示例輸入到分類器模型中；記錄最不可能有病灶點的示例，然后將該示例加入到步驟3得到的數據集D中；

步驟5：將步驟4得到的數據集D在神經網絡分類器模型中進行迭代訓練，得到訓練模型；

步驟6：根據步驟5得到的模型進行新樣本的檢測和標注。

進一步的，所述分類模型采用基于LeNet的神經網絡模型，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、激活函數層、第二全連接層和用于實現分類和歸一化的softmax層。

進一步的，所述步驟6中檢測和標注過程中每個新樣本采樣S個示例，對每個示例用分類器模型進行分類；若有一個及以上示例有病灶點，則判定該樣本為有病灶點圖片；否則判定該樣本為無病灶點圖片；直至檢測完所有新樣本。