[发明专利]一种医学影像辅助诊断及半监督样本生成系统

说明书

技术领域

本发明涉及一种医学影像辅助诊断及半监督样本生成系统，尤其涉及一种利用医生少量指导信息、半监督标注肺结节精确语义样本的技术。

背景技术

电子计算机断层扫描(即CT扫描)，利用精确准直的X线束、伽马射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位一个接一个断层的扫描，具有扫描时间快，图像清晰等特点，临床结果初步证明其是检测早期无症状肺癌最有效的影像学方法。在临床诊断中，大量肺部疾病(包括肺癌)在CT影像上通常表现为肺结节。因此，利用CT影像肺结节的检测和识别是肺部疾病诊断的重要途径[1]。一般一个病例的肺部CT扫描至少有200个切片，医生诊断时间长、工作量大、易于疲劳，人工误差不可避免。计算机辅助诊断系统大大减轻了医生的工作量，提高诊断效率和准确度[2]。近年来，由于多个图像处理数据库的开源，加上图像处理单元的性能提升，基于深度学习的卷积神经网络在计算机图像处理领域取得了突飞猛进的发展，在物体检测领域首次超越人类。不出意外地，基于深度学习的计算机辅助诊断系统也大幅提高了诊断的精度[3]。

然而，基于深度学习的计算机辅助诊断系统十分依赖大量、高质量标注的图像样本。同时，几乎所有相关学者认为，样本越多标注越准确，基于深度学习的算法性能更好[3]。现如今，大多数的样本是由人力手工标注完成，不仅样本生成的效率低下，而且标注人员工作量大、易于疲劳，加上主观经验不容，不可避免的带来人工误差。

本发明采用基于深度学习的语义分割方法，利用全卷积神经网络技术，只需少量人工指导，就能生成精确的语义标注[4]。肺结节精确的语义标注含有肺结节的轮廓以及肺结节的征象，即钙化区域、毛刺和棘突区域、空洞和空泡区域、分叶区域。该技术能够应用于基于深度学习的计算机辅助诊断系统，解决计算机辅助软件无法反馈闭环、无法生成高质量样本、无法自学习的问题。

发明内容

为了解决上述技术问题，本发明提供一种医学影像辅助诊断及半监督样本生成系统，能够根据医生少量指导，即医生标记的关注点，自动计算得到关注区域内的肺结节轮廓与轮廓内各像素点的预测概率，生成含有精确语义轮廓的肺结节标注样本，供自学习系统学习。

具体包括如下内容：

1.卷积神经网络的语义分割模型的设计

1.1.提取图像特征的全卷积神经网络。采用图像卷积公式，对输入影像序列进行3D卷积，得到训练和测试样本的卷积特征图；采用多种不同尺度的平均池化方法，对训练样本和测试样本的卷积特征图进行多种不同尺度的池化处理，得到训练样本和测试样本的多种不同尺度的池化特征图；卷积层、不同尺度的池化层堆叠构成用于提取不同分辨率图像特征的卷积神经网络。

1.2.重构图像特征的卷积神经网络。利用图像3D上采样方法，对不同分辨率图像特征进行3D上采样，转化为同一分辨率的卷积特征图；串联不同尺度同一分辨率的卷积特征图；采用Softmax函数得到与基于深度学习的肺结节分割模型输入形状一致的3D正方体概率图块。

1.3.训练网络参数。将肺部CT影像数据库中的图像序列经过去噪、调整窗位、肺组织分割、归一化获得候选样本，并结合医生对样本集的标注和注释，分为训练样本和测试样本；利用训练样本训练卷积神经网络，利用测试样本调试卷积神经网络，得到基于深度学习的语义分割模型。

2.系统使用

2.1.数据准备

2.1.1.读取CT影像序列；

2.1.2.利用现有基于深度学习的肺结节自动检测模块，对CT影像序列进行结节检测，得到所有疑似肺结节的位置；

2.1.3.将结节检测结果显示在医生终端，并给予医生标记注释的权限；

2.1.4.医生根据经验判断漏检、错检的结节，并使用终端在漏检结节内部标注关注点，剔除错检的结节；其中医生仅对漏检的结节内部标记关注点，不对结节半径、轮廓进行标注。

2.2.语义标注生成

2.2.1.将医生标注信息传输给语义标注生成模块；

2.2.2.根据医生标注的关注点获取关注区域；

2.2.3.对于关注区域，利用设计好的卷积神经网络语义分割模型进行计算，得到该关注区域肺结节的语义标注，包括肺结节精确的轮廓、钙化区域、毛刺和棘突区域、空洞和空泡区域、分叶区域。

2.3.将生成的肺结节语义标注反馈至医生端，经过医生判断后，合格的语义标注存入样本库，不准确的语义标注经医生微调后存入样本库。

2.4.肺结节自动检测模块、语义标注生成模块读取样本库中的若干样本，更新各自模型参数，以获得更好的性能。