[發明專利]一種CT圖像的臟器或偽影辨別方法及裝置

在審

• 申請號: 202010909769.0
• 申請日: 2020-09-02
• 公開（公告）號: CN111968111A
• 公開（公告）日: 2020-11-20
• 發明（設計）人: 諶高峰;張浩;蔡敏占
• 申請（專利權）人: 廣州海兆印豐信息科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04
• 代理公司: 佛山市廣盈專利商標事務所(普通合伙) 44339
• 代理人: 楊樂兵

1.一種CT圖像的臟器或偽影辨別方法，其特征在于，所述方法包括：

獲取待辨別的CT圖像數據；

將所述待辨別的CT圖像數據輸入訓練好的辨識器中進行CT圖像投影重建時的臟器或偽影辨別，輸出高精度CT圖像的臟器或偽影辨識結果。

2.根據權利要求1所述CT圖像的臟器或偽影辨別方法，其特征在于，所述訓練好的辨識器的訓練過程，包括：

基于查詢函數在未標記的數據集中進行訓練樣本數據的選擇，獲得訓練樣本數據，所述訓練樣本數據中包含有最大信息量；

基于專家或者醫生對所述訓練樣本數據進行類別標記，獲得標記的訓練樣本數據，并添加至標記數據集中；

基于主動增量學習策略利用所述標記數據集中的訓練樣本數據對辨識器進行訓練學習，直至所述辨識器訓練滿足結束條件為止，獲得訓練好的辨識器；

所述主動增量學習策略是將專家或醫生對所述訓練樣本數據進行類別標記后的添加到所述標記數據集中的更新標記的訓練樣本數據輸入所述辨識器中進行訓練學習；

所述滿足結束條件為訓練后的辨識器在測試數據集上的分類標識精度錯誤率低于預設的5%。

3.根據權利要求2所述CT圖像的臟器或偽影辨別方法，其特征在于，所述基于主動增量學習策略利用所述標記數據集中的訓練樣本數據對辨識器進行訓練學習，包括：

基于增量學習算法利用所述標記數據集中的訓練樣本數據對辨識器進行訓練學習；以及，

基于主動學習算法利用所述標記數據集中的訓練樣本數據對辨識器進行訓練學習。

4.根據權利要求3所述CT圖像的臟器或偽影辨別方法，其特征在于，所述基于增量學習算法利用所述標記數據集中的訓練樣本數據對辨識器進行訓練學習，包括：

隨機選取少量標記的訓練樣本數據對辨識器進行初始訓練；

選擇與隨機選取的標記的訓練樣本數據分布一致的新增等量的標記訓練樣本數據對初始訓練后的辨識器進行再度訓練，直至所述辨識器訓練滿足結束條件為止；

所述基于主動學習算法利用所述標記數據集中的訓練樣本數據對辨識器進行訓練學習，包括：

在所述標記數據集中新增標記的訓練樣本數據之后，利用所述標記數據集中新增標記的訓練樣本數據對所述辨識器進行訓練學習，直至所述辨識器訓練滿足結束條件為止。

5.根據權利要求2所述CT圖像的臟器或偽影辨別方法，其特征在于，所述辨識器為生成對抗網絡模型結構，所述生成對抗網絡模型結構包括生成識別網絡和判別網絡。

6.根據權利要求5所述CT圖像的臟器或偽影辨別方法，其特征在于，所述生成對抗網絡模型結構為采用一定量的“CT投影數據-含偽影辨識數據”數據對集合和/或“CT投影數據-含臟器辨識數據”數據對集合進行端到端訓練的，確定所述生成對抗網絡模型結構的超參數和網絡層參數；

生成對抗網絡模型結構的損失函數表示如下：

；

其中，表示CT投影數據，表示含偽影辨識數據和/或含臟器辨識數據；表示生成對抗網絡模型學習中的映射關系：G:X→Y。

7.根據權利要求2所述CT圖像的臟器或偽影辨別方法，其特征在于，所述標記數據集中包含有“CT投影數據-含偽影辨識數據”數據對集合和/或“CT投影數據-含臟器辨識數據”數據對集合。

8.根據權利要求7所述CT圖像的臟器或偽影辨別方法，其特征在于，所述含偽影辨識數據為CT投影數據所對應的圖像偽影標注數據；所述含臟器辨識數據為CT投影數據所對應的圖像臟器標注數據；

所述含偽影辨識數據包括：射束硬化偽影、散射偽影、環形偽影、噪聲偽影、金屬偽影、運動偽影；所述含臟器辨識數據包括：各類器官及病灶。