[發明專利]一種基于CT切片的多模型假陽衰減的疾病分類方法及裝置

在審

• 申請號: 202110144190.4
• 申請日: 2021-02-02
• 公開（公告）號: CN112836744A
• 公開（公告）日: 2021-05-25
• 發明（設計）人: 杜強;李德軒;郭雨晨;聶方興;唐超
• 申請（專利權）人: 北京小白世紀網絡科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06T7/00;G06T7/11
• 代理公司: 北京八月瓜知識產權代理有限公司 11543
• 代理人: 秦瑩

本發明公開了一種基于CT切片的多模型假陽衰減的疾病分類方法及裝置，所述方法包括：S1.一次篩查模型自動對輸入的CT序列圖像進行處理，即用卷積神經網絡對所述CT序列圖像進行特征提取，對疑似結節的特征區域進行分割定位，輸出一次篩查模型結果；S2.將所述一次篩查結果中置信度低于最低置信度預設值的部分單獨取出，得到假性數據；S3.對選取的二次篩查模型的參數進行設置，選取所用損失函數和優化器；S4.將步驟S2中所述假性數據添加標簽作為訓練標簽，輸入到選取的所述二次篩查模型進行訓練，進行精準分類，得到假陽性數據和真陽性數據。

技術領域

本發明涉及人工智能領域中的深度學習與醫學影像處理技術領域，尤其是涉及一種基于CT切片的多模型假陽衰減的疾病分類方法及裝置。

背景技術

目前AI技術進展飛速，特別是深度學習方面的應用日新月異，比如在甲狀腺篩查，肺癌拆查，等很多情況下，AI模型的表現能夠達到甚至超越人類表現早已不是秘密。在醫療領域同樣如此。

目前深度學習在醫療上的應用主要使用CT圖片。當使用現有基于深度學習的訓練模型對CT圖像進行檢查時，因為CT圖像的分辨率相對不高，僅為數百乘以數百，這個數字雖然可以反應出人體內部疾病的很多情況，但是對比目前普通手機幾百萬幾千萬的像素效果明顯不足；而且CT圖像在造影時會有很多噪點。比如患者為了更好地顯示身體內部某些器官的圖像需要飲用的造影劑，這些不屬于身體本身的東西，本質上屬于噪點；另外由于機器的質量的品牌的差異，或者患者在機器上掃描時身體的不慎抖動也會使生成的CT圖像有偽影之類的干擾，而這些細小的噪點或者偽影，會對圖像的特征造成混淆，從而破壞最終深度學習模型的訓練和使用。當人工觀察CT圖像進行診斷時，醫師通過掃描出來的CT圖片序列觀察判斷疾病的存在與否，這對于醫師的診斷水平倚賴很大，般水平的醫師的診斷可能不夠準確，而高水平的醫師的時間又沒有太多的時間，所以往往導致看病的患者扎堆名醫一票難求。

發明內容

本發明的目的在于提供一種基于CT切片的多模型假陽衰減的疾病分類方法及裝置，旨在解決現有模型對有些疾病診斷不夠準確的問題。

本發明提供一種基于CT切片的多模型假陽衰減的疾病分類方法，包括：

S1.將CT序列圖像輸入一次篩查模型，通過所述一次篩查模型自動對所述CT序列圖像進行處理，即使用卷積神經網絡對所述CT序列圖像進行特征提取，對疑似結節的特征區域進行分割定位，輸出一次篩查模型結果；

S2.將所述一次篩查結果中置信度低于最低置信度預設值的部分單獨取出，得到假性數據；

S3.選取二次篩查模型，并對選取的二次篩查模型的參數進行設置，選取所用損失函數和優化器；

S4.將步驟S2中所述假性數據添加所述二次篩查模型的標簽作為訓練標簽，輸入到選取的所述二次篩查模型進行訓練，進行精準分類，得到假陽性數據和真陽性數據。

本發明提供一種基于CT切片的多模型假陽衰減的疾病分類裝置，包括：

一次篩查模塊：用于將CT序列圖像輸入一次篩查模型，通過所述一次篩查模型自動對所述CT序列圖像進行處理，即使用卷積神經網絡對所述CT序列圖像進行特征提取，對疑似結節的特征區域進行分割定位，輸出一次篩查模型結果；

假陽數據選取模塊：用于將所述一次篩查結果中置信度低于最低置信度預設值的部分單獨取出，得到假性數據。

參數設置模塊：用于對選取的二次篩查模型的參數進行設置，選取所用損失函數和優化器。

二次篩查模塊：用于將步驟S2中所述假性數據添加所述二次篩查模型的標簽作為訓練標簽，輸入到選取的所述二次篩查模型進行訓練，進行精準分類，得到假陽性數據和真陽性數據。