[發(fā)明專利]基于弱監(jiān)督學習的三維圖像分類方法、系統(tǒng)、設備及介質

在審

• 申請?zhí)枺?/td>: 202210267031.8
• 申請日: 2022-03-18
• 公開（公告）號: CN114399634A
• 公開（公告）日: 2022-04-26
• 發(fā)明（設計）人: 賈士紳;薛夢凡;朱聞韜
• 申請（專利權）人: 之江實驗室
• 主分類號: G06V10/25
• 分類號: G06V10/25;G06K9/62;G06T7/00;G06T7/11;G16H30/20;G06V10/764;G06V10/762
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

本發(fā)明公開了一種基于弱監(jiān)督學習的三維圖像分類方法、系統(tǒng)、設備及介質，本發(fā)明采用多示例學習，使用具體切片標簽的數(shù)據(jù)集進行網(wǎng)絡訓練，采用遷移學習來進行三維圖像的特征提取，隨后構建一種基于雙階段注意力的多示例學習分類網(wǎng)絡，實現(xiàn)了三維圖像的快速準確分類。本發(fā)明采用一種弱監(jiān)督策略，無需大量標注的數(shù)據(jù)集，減少了數(shù)據(jù)收集與前期處理的工作量，同時提出的基于雙階段注意力的分類網(wǎng)絡，相比于其它深度學習分類方法，大幅的提升了分類速度與分類準確率，且具有更高的適應性和魯棒性，具有更高的實用性。

技術領域

本發(fā)明涉及醫(yī)療圖像處理技術領域以及人工智能、模式識別領域，更具體的，涉及一種基于弱監(jiān)督學習的三維圖像分類方法、系統(tǒng)、設備及介質。

背景技術

目前，慢性疾病已經(jīng)成為一類常見疾病，慢性疾病是我國居民死亡的主要原因，據(jù)統(tǒng)計，近年來，我國死亡人口中，約有86％死于各種慢性疾病。慢性疾病的發(fā)病率和死亡率持續(xù)地增高，給人們的健康和生命帶來極大的威脅。慢性疾病的主要特點是，持續(xù)時間較長、病情難以逆轉、致病原因較為復雜。醫(yī)學研究表明，對于各類慢性疾病，早期的準確檢測與及時治療，對于降低疾病的未來惡化及住院風險是相當關鍵的，也有助于對慢性疾病進行更為精準的治療，早期的準確發(fā)現(xiàn)能夠有效地延緩疾病進展，同時改善患者的整體預后。目前醫(yī)生主要通過兩種途徑來診斷此類疾病，一種是傳統(tǒng)的器官組織功能的檢查，該方法讓患者接受醫(yī)院相關疾病的常規(guī)檢查，然后根據(jù)相應的檢查報告做出診斷，但是常規(guī)的檢查讓很多早期慢性疾病患者沒有得到及時的診斷，影響了疾病的治療；另一種診斷慢性疾病的方法則是專業(yè)醫(yī)生通過人工觀察患者的醫(yī)學影像來判斷是否患有某病，一般而言，很多醫(yī)學影像都是三維的圖像，對這樣的三維醫(yī)學圖像進行人工診斷不僅要求醫(yī)生具有豐富的醫(yī)學知識和長期的臨床經(jīng)驗，同時也需要長時間的專注，這樣費時費力的人工診斷很容易出現(xiàn)誤診，而且由于醫(yī)療條件的限制以及醫(yī)生的人手不夠等問題的存在，并非所有患者都能得到專業(yè)醫(yī)生的及時診斷。

近年來，隨著計算機技術的不斷發(fā)展，人工智能技術在醫(yī)療領域的發(fā)展?jié)摿σ呀?jīng)不容忽視，機器學習、深度學習等算法模型已經(jīng)開始應用于醫(yī)學圖像處理，可直接提取圖像深層特征信息，并自動學習訓練模型，從識別病灶區(qū)域到提取隱藏的病灶特征應用都十分廣泛，其具有的自組織、自適應、自學習的能力和非線性、非定常性和非局域性的特點可以用來解決非線性的分類和預測問題。利用深度學習來對醫(yī)學圖像進行分類，具有效率高、穩(wěn)定性高、泛化性強等優(yōu)點。因而通過利用深度學習技術建立自動化智能診斷系統(tǒng)，可以將視覺影像信息轉化抽象為深層次的特征信息，一方面提高診斷的準確率，另一方面輔助醫(yī)生閱片，大大提高了診斷的效率，減輕了醫(yī)生的負擔。

目前基于深度學習的醫(yī)學三維圖像分類方法中，三維圖像需經(jīng)放射科醫(yī)生對病灶區(qū)域標注，隨后提取病灶區(qū)域送入網(wǎng)絡進行訓練并完成分類任務。這種有監(jiān)督分類方法的優(yōu)勢是準確率高，然而需要龐大的獲得醫(yī)生標注過的圖像數(shù)據(jù)集。由于對三維圖像的病灶標注需要耗費大量的時間和醫(yī)療資源，且大多數(shù)的慢性疾病都是一種高度復雜的異質性疾病，發(fā)病部位可能涉及各個不同組織，致其病灶部位分布不均，相對于其它諸如肺癌等的病灶區(qū)域，更難以發(fā)現(xiàn)，因而更難以獲得精準的注釋，所以這些監(jiān)督式深度學習方法存在很大的局限性，通常得不到足夠多的樣本進行訓練，因此泛化有限。目前也有學者使用未經(jīng)病灶標注的數(shù)據(jù)集進行分類研究，但由于無法有效地提取病變區(qū)域的特征，導致了分類模型的準確率低下。因此，為減輕醫(yī)生的工作量以及提高疾病的診斷率，亟需一種無需病灶區(qū)域標注的數(shù)據(jù)集卻具有較高分類精度的醫(yī)學三維圖像分類方法。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于弱監(jiān)督學習的三維圖像分類方法、系統(tǒng)、設備及介質。以解決現(xiàn)有的基于深度學習的三維醫(yī)學影像自動化判讀通常需要大量人工精細標注來訓練的問題。

為解決上述技術問題，本發(fā)明采用的技術方案如下：

一種基于弱監(jiān)督學習的三維圖像分類方法，包括：

獲取三維圖像；

根據(jù)至少兩種條件提取三維圖像的感興趣區(qū)域，獲得至少兩種顯現(xiàn)不同感興趣區(qū)域的三維圖像；