[發明專利]基于知識蒸餾的肺部疾病病灶無監督分割方法

在審

• 申請號: 202111285920.9
• 申請日: 2021-11-02
• 公開（公告）號: CN113902761A
• 公開（公告）日: 2022-01-07
• 發明（設計）人: 徐睿;王宇鳳;葉昕辰
• 申請（專利權）人: 大連理工大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N5/02
• 代理公司: 遼寧鴻文知識產權代理有限公司 21102
• 代理人: 苗青

本發明公開一種基于知識蒸餾的肺部疾病病灶無監督分割方法，屬于醫學圖像處理和計算機視覺領域。本發明首先通過構建和訓練一個自編碼器來獲得具有豐富CT圖像語義知識的預訓練教師網絡，然后從預訓練教師網絡中僅蒸餾正常CT圖像的知識來訓練一個與教師網絡具有相同架構的學生網絡，最終利用教師和學生網絡對含病灶圖像所提特征的差異進行病灶分割。同時，除傳統的像素級蒸餾，該方法還設計了考慮像素間關系的親和力級蒸餾，以便充分蒸餾有效知識。實驗證明，本發明在不同數據集上均能有效提高病灶分割精度。本發明方法易于構建，僅依靠正常數據即可得到未標注的肺部疾病病灶分割結果，且泛化性和運行效率都較為可觀。

技術領域

本發明屬于醫學圖像處理和計算機視覺領域，涉及利用深度學習神經網絡框架，對計算機斷層掃描(Computed Tomography，CT)圖像中的肺部疾病病灶進行像素級分割，具體涉及到基于知識蒸餾的肺部疾病病灶無監督分割方法。

背景技術

近年來，肺部疾病對人們身體健康的影響日趨嚴重，基于胸部CT圖像的計算機輔助診斷(Computer Aided Diagnosis，CAD)系統對疾病的快速診斷和評估至關重要。通常，這類CAD系統包括一個重要的處理步驟，就是在CT圖像上自動分割病灶。現有工作大多數應用監督方法進行病灶分割(Huang L,Han R,Ai T,et al.Serial quantitative chest CTassessment of COVID-19:Deep-learning approach[J].Radiology:CardiothoracicImaging,2020,2:2.)，并且依賴于大規模標記良好的數據集，而這樣的數據集獲取非常困難，需要多位經驗豐富的放射科醫生花費大量時間進行病灶標注工作，耗時耗力。然而，結合日常臨床篩查可以發現，肺部區域幾乎全是正常組織的CT圖像非常多且較易收集，如果可以很好的挖掘利用這部分正常CT圖像來開發一種無監督分割方法，那么標注數據短缺的問題將迎刃而解。本發明通過提出基于異常檢測的方法來實現這一點，該方法在訓練中僅使用正常的CT圖像，便可以在測試中分割病灶(異常陰影)。

大多數關于異常檢測的研究都集中在自然圖像相關任務上，目前也有一些研究工作致力于將異常檢測應用于醫學圖像(Baur C,Denner S,Wiestler B,etal.Autoencoders for unsupervised anomaly segmentation in brain MR images:Acomparative study[J].Medical Image Analysis,2021:101952.)。這些工作往往基于重建誤差框架，該框架通過僅使用正常醫學圖像來訓練生成模型，例如自編碼器或生成對抗網絡，然后應用訓練得到的模型重建有病灶的圖像，由于模型只見過正常圖像，那么在異常區域的重建誤差可能很高，這也正好可以作為判斷異常區域的依據。然而，上述方法在醫學圖像異常分割方面的表現并不出眾，尤其是使用傳統的分割指標(例如Dice相似系數(Dicesimilarity coefficient，DSC))進行評估。主要有以下三個原因：第一，當圖像重構較差時，性能容易嚴重退化，導致假陽性；第二，自編碼器很可能過泛化，使異常數據被成功重構，導致假陰性；第三，該方法對高分辨圖像重建效果不佳。