一种医学图像数据集的感兴趣区域自动标注方法技术

本发明专利技术涉及一种医学图像数据集的感兴趣区域自动标注方法，首先构建感兴趣区域检测网络，获取医学图像数据集中每张医学图像中的感兴趣区域；然后从所述感兴趣区域中选取置信度最高的N个感兴趣区域；接着利用深度网络学习并分别提取所述N个感兴趣区域的特征；然后将提取得到的N个特征分别输入到感知机中，经过sotfmax函数计算N个感兴趣区域为目标类的概率；最后将上一步得到的概率与一个Leakey noisy‑or gate结合，获得最终为目标类的可能性以完成感兴趣区域的自动标注任务。本发明专利技术同时能够解决检测步骤中的感兴趣区域漏检问题，从而提供更具意义的参考意见。

An Automatic Region of Interest Marking Method for Medical Image Data Set

【技术实现步骤摘要】
一种医学图像数据集的感兴趣区域自动标注方法
本专利技术涉及图像处理
，特别是一种医学图像数据集的感兴趣区域自动标注方法。
技术介绍
医学图像数据集和普通图像数据集标注不同，医学图像数据集的标注需要有专业知识和技能。并且，标注质量受限于医学与计算机专业的鸿沟，标注质量差。因此，难以获取大型的高质量标注数据集。
技术实现思路
有鉴于此，本专利技术的目的是提出一种医学图像数据集的感兴趣区域自动标注方法，同时能够解决检测步骤中的感兴趣区域漏检问题，从而提供更具意义的参考意见。本专利技术采用以下方案实现：一种医学图像数据集的感兴趣区域自动标注方法，具体包括以下步骤：步骤S1：构建感兴趣区域检测网络，获取医学图像数据集中每张医学图像中的感兴趣区域；步骤S2：从所述感兴趣区域中选取置信度最高的N个感兴趣区域；步骤S3：利用深度网络学习并分别提取所述N个感兴趣区域的特征；步骤S4：将提取得到的N个特征分别输入到感知机中，经过sotfmax函数计算N个感兴趣区域为目标类的概率；步骤S5：将步骤S4得到的概率与一个Leakeynoisy-orgate结合，获得最终为目标类的可能性以完成感兴趣区域的自动标注任务。进一步地，所述S1中，所述感兴趣区域检测网络由一个UNet网络作为主干网络和一个RPN网络作为输出层组成。进一步地，步骤S2中，所述N为5，当感兴趣区域不足5个时，利用相同大小的非感兴趣区域图像补齐。进一步地，步骤S3中，所述深度网络为复用感兴趣检测网络的主干网络UNet。进一步地，步骤S4中，所述感知机为两层，分别为隐藏单元和输出单元，其中隐藏单元为64个，输出单元为1个，采用的激活函数为Sigmoid函数，获得感兴趣区域为目标类的概率。进一步地，步骤S5具体为：引入一个假想的感兴趣区域为目标类的概率为Pd，并利用以下公式，获得最后的目标类概率，以完成标注任务：式中，Pi表示第i个感兴趣区域为目标类的概率。与现有技术相比，本专利技术有以下有益效果：本专利技术利用扰动因子以实现医学图像数据集的自动标注，能够为AI医学影像提供大量的高质量标注数据，同时，能够减少对人工标注的依赖性。本专利技术同时能够解决检测步骤中的感兴趣区域漏检问题，从而提供更具意义的参考意见。附图说明图1为本专利技术实施例的方法原理示意图。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。如图1所示，本实施例提供了一种医学图像数据集的感兴趣区域自动标注方法，具体包括以下步骤：步骤S1：构建感兴趣区域检测网络，获取医学图像数据集中每张医学图像中的感兴趣区域；步骤S2：从所述感兴趣区域中选取置信度最高的N个感兴趣区域；步骤S3：利用深度网络学习并分别提取所述N个感兴趣区域的特征；步骤S4：将提取得到的N个特征分别输入到感知机中，经过sotfmax函数计算N个感兴趣区域为目标类的概率；步骤S5：将步骤S4得到的概率与一个Leakeynoisy-orgate结合，获得最终为目标类的可能性以完成感兴趣区域的自动标注任务。在本实施例中，所述S1中，所述感兴趣区域检测网络由一个UNet网络作为主干网络和一个RPN网络作为输出层组成。在本实施例中，步骤S2中，所述N为5，当感兴趣区域不足5个时，利用相同大小的非感兴趣区域图像补齐。在本实施例中，步骤S3中，所述深度网络为复用感兴趣检测网络的主干网络UNet。在本实施例中，步骤S4中，所述感知机为两层，分别为隐藏单元和输出单元，其中隐藏单元为64个，输出单元为1个，采用的激活函数为Sigmoid函数，获得感兴趣区域为目标类的概率。在本实施例中，步骤S5具体为：引入一个假想的感兴趣区域为目标类的概率为Pd，并利用以下公式，获得最后的目标类概率，以完成标注任务：式中，Pi表示第i个感兴趣区域为目标类的概率。具体的，本实施例通过肺部CT图像进行举例说明，所述图像为3D图像，具体包括以下实施步骤：步骤一：收集数据，所用数据集为LUNA16数据集，所述数据集中包括1186个肺结节标注，患者数量为888个。步骤二：预处理，以提取肺实质图像，所诉预处理步骤，具体如下：1、对原图像进行HU值处理；2、通过阈值做二值化处理，获得灰度图像；3、对所获得的灰度图像，进行形态学腐蚀与膨胀处理，获得肺实质图像；步骤三：将所述肺实质图像，利用大小为128x128x128x1的滑动窗口，将图像以块为基础进行输入；步骤四：利用UNet网络和一个RPN网络作为感兴趣区域检测网络模型，提取每个CT图像的感兴趣区域，具体如下：UNet网络分为下采样部分和上采样部分：下采样部分具体为：第一个块由两层3D卷积层组成，核大小为(3，3，3)，输出通道为24，BN正则化，激活函数为ReLU函数；第二个块为残差块，由2个残差单元组成，每个残差单元由两层3D卷积层，核大小为(3，3，3)，输出通道为32，BN正则化，激活函数为ReLU函数；中间层，最大池化层，核大小为(2，2，2)，步长为2；第三个块为残差块，由2个残差单元组成，每个残差单元由两层3D卷积层，核大小为(3，3，3)，输出通道为64，BN正则化，激活函数为ReLU函数；中间层，最大池化层，核大小为(2，2，2)，步长为2；第四个块为残差块，由3个残差单元组成，每个残差单元由两层3D卷积层，核大小为(3，3，3)，输出通道为64，BN正则化，激活函数为ReLU函数；中间层，最大池化层，核大小为(2，2，2)，步长为2；第五个块为残差块，由3个残差单元组成，每个残差单元由两层3D卷积层，核大小为(3，3，3)，输出通道为64，BN正则化，激活函数为ReLU函数；中间层，最大池化层，核大小为(2，2，2)，步长为2；上采样部分，具体为：第一个块中第一层为3D反卷积层，输入、输出通道为64，核大小为(2，2，2)，步长为2，BN正则化，激活函数为ReLU函数，和一个串联层，串联所述的上采样中第四块的输出与所述第一层的输出；第二个块为残差块，由3个残差单元组成，每个残差单元由两层3D卷积层，核大小为(3，3，3)，输出通道为64，BN正则化，激活函数为ReLU函数；第三个块中第一层为3D反卷积层，输入、输出通道为64，核大小为(2，2，2)，步长为2，BN正则化，激活函数为ReLU函数，和一个串联层，串联所述的上采样中第三块的输出与所述第一层的输出；第四个块为残差块由3个残差单元组成，每个残差单元由两层3D卷积层，核大小为(3，3，3)，输出通道为64，BN正则化，激活函数为ReLU函数；第五个块由两层3D卷积层组成，核大小为(1，1，1)，输出通道分别为64和15，BN正则化，激活函数为ReLU函数，输出的特征大小为32x32x32x15；将UNet网络的输出特征本文档来自技高网...

【技术保护点】
1.一种医学图像数据集的感兴趣区域自动标注方法，其特征在于，包括以下步骤：步骤S1：构建感兴趣区域检测网络，获取医学图像数据集中每张医学图像中的感兴趣区域；步骤S2：从所述感兴趣区域中选取置信度最高的N个感兴趣区域；步骤S3：利用深度网络学习并分别提取所述N个感兴趣区域的特征；步骤S4：将提取得到的N个特征分别输入到感知机中，经过sotfmax函数计算N个感兴趣区域为目标类的概率；步骤S5：将步骤S4得到的概率与一个Leakey noisy‑or gate结合，获得最终为目标类的可能性以完成感兴趣区域的自动标注任务。

【技术特征摘要】
1.一种医学图像数据集的感兴趣区域自动标注方法，其特征在于，包括以下步骤：步骤S1：构建感兴趣区域检测网络，获取医学图像数据集中每张医学图像中的感兴趣区域；步骤S2：从所述感兴趣区域中选取置信度最高的N个感兴趣区域；步骤S3：利用深度网络学习并分别提取所述N个感兴趣区域的特征；步骤S4：将提取得到的N个特征分别输入到感知机中，经过sotfmax函数计算N个感兴趣区域为目标类的概率；步骤S5：将步骤S4得到的概率与一个Leakeynoisy-orgate结合，获得最终为目标类的可能性以完成感兴趣区域的自动标注任务。2.根据权利要求1所述的一种医学图像数据集的感兴趣区域自动标注方法，其特征在于，所述S1中，所述感兴趣区域检测网络由一个UNet网络作为主干网络和一个RPN网络作为输出层组成。3.根据权利要求1所述的一种医学图像数据集的感兴...

【专利技术属性】
技术研发人员：余春艳，杨素琼，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35