[发明专利]一种基于弱监督的长短轴辅助肠胃淋巴结像素标注的方法

说明书

本发明公开了一种基于弱监督的长短轴辅助肠胃淋巴结像素标注的方法，涉及医学影像的处理分析技术领域，包括如下步骤：数据准备、数据预处理、长短轴标注到初始分割掩码、基于迭代法的神经网络模型构建与训练和模型分割结果辅助医生标注。本发明提出了一种辅助医生进行像素级标注的方法，基于这种方法能够大大提高标注效率，节约医生的时间和精力；提出了一种新的依据肠胃淋巴结形态规律生成前景和背景种子的方法思路，相比常规的生成方法，科学性更强；提出了一种弱监督和医学数据结合的方案，具有可靠的移植性。

技术领域

本发明涉及医学影像的处理分析技术领域，更具体的是涉及基于弱监督的长短轴辅助肠胃淋巴结像素标注的方法技术领域。

背景技术

在临床实践和药物试验中，肠胃淋巴结分析起着至关重要的作用。例如，临床医生通常评估淋巴结的大小、形状、形态和关系，用以监测疾病的进展或评估潜在的治疗方法，因为许多恶性肿瘤会导致淋巴结扩大。肿大的淋巴结在固体肿瘤的反应评价标准(RECIST)指南中标准定义的病变亚型中其短轴直径在CT中10mm以上的，更有可能是恶性的，并且医生关注度的也更高。手工分割CT扫描中的淋巴结需要很高的专业知识和注意力，并且是极为耗时的，并且不同的医生有时会有歧义性。因此，自动分割算法，特别是基于深度卷积神经网络(DCNN)的分割算法引起了越来越多的研究关注。然而现在面临着两大挑战，首先，不仅淋巴结在CT切片上与其周围组织之间表现出较差的强度/纹理对比，而且它们在连续切片上可能具有高度复杂的形态和可变的外观。第二，完全标注的CT扫描(其中每个像素都被正确标注)是难以获得且稀少的，不足以训练出一个可靠的网络，这和标注人手和像素标注难度相关。

现有的计算机断层扫描（CT）扫描是一种快速，无痛的过程，可捕获腹部的清晰图像，被广泛用于帮助诊断和监测肠胃淋巴结。肠胃淋巴结分析一直是临床分析中的重点之一，淋巴结的形态、大小等特征可以从CT图像中观测，但是肉眼区分是一件比较麻烦的事，计算机辅助观察逐渐进入医生的视野。目前，淋巴结的自动分割已被越来越多的研究和发表，大多数现有的解决方案是针对CT扫描和其他磁共振图像和超声图像设计的，传统的淋巴结分割方法分为几类，包括区域生长、能量优化、三维变形表面形状模型和基于放射线的算法。

但是现有的分割算法大多都是基于大量的像素级标注数据才能很好地实现的，所以对于医生标注的负担是相当巨大的，一个经过专业训练医生就算一天全部用来标注也标注不到十例，而且医生通常也没有那么多时间用于标注，所以训练数据问题一直是现有技术的瓶颈。

总体而言，其实不仅仅是肠胃淋巴结，很多其它的医学数据标注都面临相同的问题，由于医学图像标注相比自然图像标注要求更高的专业水平，而且医学组织具有很高的复杂性和异质性，所以想要靠人工标注获取能够训练一个效果比较好的强监督分割网络是相当耗时耗力的。

发明内容

本发明的目的在于：为了解决如何利用计算机在多分辨率CT图像中自动、高效、准确地定位医生感兴趣的关键区域，并在该关键区域内检测淋巴结的技术问题，本发明提供一种基于弱监督的长短轴辅助肠胃淋巴结像素标注的方法。

本发明为了实现上述目的具体采用以下技术方案：

一种基于弱监督的长短轴辅助肠胃淋巴结像素标注的方法，包括如下步骤：

步骤1、数据准备：把CT影像数据从医院数据系统导入，然后通过RECIST标准来标定淋巴结的位置和长短轴，然后把标定好的CT影像数据导入训练数据库；

步骤2、数据预处理：对步骤1中的训练数据库中的CT影像数据进行预处理，具体包括归一化CT值和归一化CT尺寸的预处理；

步骤3、长短轴标注到初始分割掩码：采用Grabcut算法在经过步骤2处理后的RECIST标准长短轴数据上产生初始病变分割，得到分割数据；

步骤4、基于迭代法的神经网络模型构建与训练：基于步骤3的分割数据，设计一个基于Boxsup方法的迭代式网络模型，并进行训练；