[發明專利]基于半監督學習的腦部腫瘤識別模型的訓練方法及裝置

在審

• 申請號: 202010794964.3
• 申請日: 2020-08-10
• 公開（公告）號: CN112102237A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 徐楓;葉葳蕤;郭雨晨;楊東;雍俊海;戴瓊海
• 申請（專利權）人: 清華大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 白雪靜

本發明提出一種基于半監督學習的腦部腫瘤識別模型的訓練方法及裝置，所述腦部腫瘤識別模型包括檢測網絡和分類網絡，所述方法包括：獲取第一訓練樣本集和第二訓練樣本集；利用所述第一訓練樣本集，分別對所述檢測網絡和所述分類網絡進行無監督學習，生成預訓練檢測網絡和預訓練分類網絡；利用所述第二訓練樣本集，對所述預訓練檢測網絡和所述預訓練分類網絡進行訓練，生成經過訓練后的檢測網絡和經過訓練后的分類網絡；輸出經過訓練后的腦部腫瘤識別模型，所述經過訓練后的腦部腫瘤識別模型包括所述經過訓練后的檢測網絡和所述經過訓練后的分類網絡。本發明通過半監督學習方式充分利用精標與粗標數據，從而得到更加魯棒的深度卷積神經網絡。

技術領域

本發明涉及計算機視覺技術領域，尤其涉及醫學圖像分類及深度學習技術，更具體地，涉及一種基于半監督學習的腦部腫瘤識別模型的訓練方法及裝置。

背景技術

醫學圖像(如CT圖像、MRI圖像等)是醫學領域一類重要數據，在輔助醫生進行診斷、病理研究等方面有舉足輕重的作用。利用人工智能技術對醫學圖像進行智能、自動分析，對提升醫療效率、節省醫療成本、減少患者痛苦等方面有重要意義，將為我國醫療信息化、智能化建設、提高我國醫療水平提供有力保障。其中，針對醫學圖像的分類是基于醫學圖像的智能分析中的一個最為基礎的任務，它在疾病類型的識別、病灶嚴重程度的判斷、病人恢復狀況的量化等多種具體場景中有重要的需求。因此，發展準確的醫學圖像自動分類方法與系統在實際場景中有急迫的需求和重要的意義。

腦部CT的相關任務是目前醫學圖像領域中較為流行的話題之一。但由于醫學圖像數據的獲取與標注較為困難，且CT圖像中腫瘤的位置、大小等特征不固定，使得腫瘤識別也較為困難，利用模型進行腦部腫瘤識別的準確率較低。

發明內容

針對上述問題，本發明提出一種基于半監督學習的腦部腫瘤識別模型的訓練方法及裝置，旨在解決在腦部CT序列的識別等任務中，醫學圖像的可利用精標數據稀少從而為模型訓練帶來的挑戰，通過半監督學習方式充分利用精標與粗標數據，從而得到更加魯棒的深度卷積神經網絡，進而提升醫學圖像分類及腦部腫瘤識別的準確性。

本發明第一方面實施例提出了一種基于半監督學習的腦部腫瘤識別模型的訓練方法，所述腦部腫瘤識別模型包括檢測網絡和分類網絡，所述方法包括：

獲取第一訓練樣本集和第二訓練樣本集，所述第一訓練樣本集中包括多個粗標數據和/或無標數據，所述第二訓練樣本集中包括多個精標數據，所述數據為腦部醫學圖像；

利用所述第一訓練樣本集，分別對所述檢測網絡和所述分類網絡進行無監督學習，生成預訓練檢測網絡和預訓練分類網絡；

利用所述第二訓練樣本集，對所述預訓練檢測網絡和所述預訓練分類網絡進行訓練，生成經過訓練后的檢測網絡和經過訓練后的分類網絡；

輸出經過訓練后的腦部腫瘤識別模型，所述經過訓練后的腦部腫瘤識別模型包括所述經過訓練后的檢測網絡和所述經過訓練后的分類網絡。

本發明第二方面實施例提出了一種基于腦部腫瘤識別模型的腦部腫瘤識別方法，所述腦部腫瘤識別模型通過如前述第一方面實施例所述的基于半監督學習的腦部腫瘤識別模型的訓練方法訓練得到，所述腦部腫瘤識別模型包括檢測網絡和分類網絡，所述方法包括：

獲取待識別的腦部醫學圖像；

將所述腦部醫學圖像輸入至所述腦部腫瘤識別模型的所述檢測網絡中，以獲取所述腦部醫學圖像中的腫瘤潛在區域；

將所述腫瘤潛在區域和所述腦部醫學圖像輸入至所述腦部腫瘤識別模型的所述分類網絡中，以獲取所述腦部醫學圖像中包含腫瘤的預測概率；

當所述預測概率大于預設閾值時，確定所述腦部醫學圖像中包含腫瘤。