[發明專利]醫學圖像樣本篩查方法、裝置、計算機設備和存儲介質

在審

• 申請號: 202010468690.9
• 申請日: 2020-05-28
• 公開（公告）號: CN111666993A
• 公開（公告）日: 2020-09-15
• 發明（設計）人: 王俊;高鵬
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G16H30/40;G16H50/20
• 代理公司: 北京鴻元知識產權代理有限公司 11327
• 代理人: 陳英俊;董永輝

本發明涉及一種醫學圖像樣本篩查方法、裝置、計算機設備和存儲介質，用于對未標注的醫學圖像樣本進行智能篩查，利用Mask?RCNN模型對已標注樣本集進行模型訓練，以獲取病灶目標檢測深度模型；根據病灶目標檢測深度模型對未標注醫學圖像樣本集進行預測，得到每個醫學圖像樣本的預測結果并判斷標注價值；選取標注價值高的醫學圖像樣本進行標注確認后，對病灶目標檢測深度模型進行迭代更新，直到病灶目標檢測深度模型的性能不能繼續標注新的樣本時結束迭代更新。本發明方法在有限的計算資源或者標注成本條件下，主動挖掘抽取高價值的小數據集，通過模擬醫學專家智能學習模式去高效地診斷和決策，智能化程度高，處理速度快，有效地解決了標注效率低的問題。

技術領域

本發明涉及計算機視覺技術領域，特別是涉及一種醫學圖像樣本篩查方法、裝置、計算機設備和存儲介質。

背景技術

基于醫學圖像進行病灶、關鍵器官等目標的檢測，是醫療影響人工智能輔助診療領域使用頻率較高的任務之一，臨床采集的實際醫學影像數據本身具有復雜語義和目標布局，不同類型病變區域之間的遮擋使得準確有效的醫學影像目標檢測變得異常困難。

目前，通過深度學習為主的監督學習算法在很多計算機視覺應用領域取得了一定的效果，其需要基于大量的標注訓練樣本，訓練數據的質量對于模型的性能影響至關重要，意味著學習到較好的特征和檢測模型需要大量的標注樣本。在應用到醫學影像進行病灶目標檢測時，標注數據需要具有相關專業知識的醫生，而醫生往往很難有時間來進行專門的標注工作，聘請醫生或專門的標注技術人員進行標注導致標注的成本很高，判讀或標注的周期都很長。

深度卷積神經網絡模型憑借良好的特征表達和學習能力可處理復雜醫學圖像數據，但是，相比基于醫學圖像實現分類，比如診斷患者是否患病、病情輕重程度分級，目標檢測需要進一步準確地定位出病變區域用于智能輔助診斷，因此，難度指數更高，更加需要大量標記的訓練樣本才能充分發揮其潛力。醫學圖像智能分析這類領域中，不同疾病類型和嚴重程度的圖像紛繁復雜，需要從海量的未標注樣本中優先找出價值最大的圖像樣本，提供足夠的信息給模型學習，以用于醫學圖像目標檢測的穩健深度學習模型訓練，當病灶之間存在嚴重的數量不平衡的情況時，高價值樣本的篩選也越發關鍵和重要。

因此，對于醫學影像數據進行標注的成本很高，且圖像判讀的時間周期很長。

發明內容

基于此，有必要針對醫學圖像樣本檢測監督學習時，智能篩選樣本的模型效率低下，準確率不高的問題，提出一種利用深度卷積神經網絡模型智能篩選有價值的醫學圖像樣本，并根據有價值的醫學圖像樣本對模型進行迭代改進，以進一步提高模型智能標注病灶目標的水平。

一種醫學圖像樣本篩查方法，用于對未標注的醫學圖像樣本進行智能篩查，包括如下步驟：

選取針對當前醫療影像病灶目標檢測任務的初始已標注樣本集L，利用Mask-RCNN模型對所述初始已標注樣本集L進行模型訓練，以獲取當前醫療影像病灶目標檢測的病灶目標檢測深度模型C；

根據所述初始病灶目標檢測深度模型C對未標注醫學圖像樣本集U進行逐一預測，得到所述未標注醫學圖像樣本集U中每個醫學圖像樣本的預測結果，并根據預測結果判斷每個醫學圖像樣本的標注價值；

選取所述未標注醫學圖像樣本集U中標注價值高的醫學圖像樣本進行標注確認后，對當前的病灶目標檢測深度模型C進行迭代更新；

根據迭代更新后的病灶目標檢測深度模型C對新的醫學圖像病灶樣本進行驗證，直到病灶目標檢測深度模型C的性能不能再繼續標注新的樣本時，則結束迭代更新。

在其中一個實施例中，根據所述初始病灶目標檢測深度模型C對未標注的醫學圖像樣本集U進行逐一預測包括如下步驟：

計算未標注的醫學圖像樣本集U中每個醫學圖像樣本的病灶目標置信度值；