医学图像样本筛查方法、装置、计算机设备和存储介质制造方法及图纸

本发明专利技术涉及一种医学图像样本筛查方法、装置、计算机设备和存储介质，用于对未标注的医学图像样本进行智能筛查，利用Mask‑RCNN模型对已标注样本集进行模型训练，以获取病灶目标检测深度模型；根据病灶目标检测深度模型对未标注医学图像样本集进行预测，得到每个医学图像样本的预测结果并判断标注价值；选取标注价值高的医学图像样本进行标注确认后，对病灶目标检测深度模型进行迭代更新，直到病灶目标检测深度模型的性能不能继续标注新的样本时结束迭代更新。本发明专利技术方法在有限的计算资源或者标注成本条件下，主动挖掘抽取高价值的小数据集，通过模拟医学专家智能学习模式去高效地诊断和决策，智能化程度高，处理速度快，有效地解决了标注效率低的问题。

【技术实现步骤摘要】
医学图像样本筛查方法、装置、计算机设备和存储介质
本专利技术涉及计算机视觉
，特别是涉及一种医学图像样本筛查方法、装置、计算机设备和存储介质。
技术介绍
基于医学图像进行病灶、关键器官等目标的检测，是医疗影响人工智能辅助诊疗领域使用频率较高的任务之一，临床采集的实际医学影像数据本身具有复杂语义和目标布局，不同类型病变区域之间的遮挡使得准确有效的医学影像目标检测变得异常困难。目前，通过深度学习为主的监督学习算法在很多计算机视觉应用领域取得了一定的效果，其需要基于大量的标注训练样本，训练数据的质量对于模型的性能影响至关重要，意味着学习到较好的特征和检测模型需要大量的标注样本。在应用到医学影像进行病灶目标检测时，标注数据需要具有相关专业知识的医生，而医生往往很难有时间来进行专门的标注工作，聘请医生或专门的标注技术人员进行标注导致标注的成本很高，判读或标注的周期都很长。深度卷积神经网络模型凭借良好的特征表达和学习能力可处理复杂医学图像数据，但是，相比基于医学图像实现分类，比如诊断患者是否患病、病情轻重程度分级，目标检测需要进一步准确地定位出病变区域用于智能辅助诊断，因此，难度指数更高，更加需要大量标记的训练样本才能充分发挥其潜力。医学图像智能分析这类领域中，不同疾病类型和严重程度的图像纷繁复杂，需要从海量的未标注样本中优先找出价值最大的图像样本，提供足够的信息给模型学习，以用于医学图像目标检测的稳健深度学习模型训练，当病灶之间存在严重的数量不平衡的情况时，高价值样本的筛选也越发关键和重要。因此，对于医学影像数据进行标注的成本很高，且图像判读的时间周期很长。
技术实现思路
基于此，有必要针对医学图像样本检测监督学习时，智能筛选样本的模型效率低下，准确率不高的问题，提出一种利用深度卷积神经网络模型智能筛选有价值的医学图像样本，并根据有价值的医学图像样本对模型进行迭代改进，以进一步提高模型智能标注病灶目标的水平。一种医学图像样本筛查方法，用于对未标注的医学图像样本进行智能筛查，包括如下步骤：选取针对当前医疗影像病灶目标检测任务的初始已标注样本集L，利用Mask-RCNN模型对所述初始已标注样本集L进行模型训练，以获取当前医疗影像病灶目标检测的病灶目标检测深度模型C；根据所述初始病灶目标检测深度模型C对未标注医学图像样本集U进行逐一预测，得到所述未标注医学图像样本集U中每个医学图像样本的预测结果，并根据预测结果判断每个医学图像样本的标注价值；选取所述未标注医学图像样本集U中标注价值高的医学图像样本进行标注确认后，对当前的病灶目标检测深度模型C进行迭代更新；根据迭代更新后的病灶目标检测深度模型C对新的医学图像病灶样本进行验证，直到病灶目标检测深度模型C的性能不能再继续标注新的样本时，则结束迭代更新。在其中一个实施例中，根据所述初始病灶目标检测深度模型C对未标注的医学图像样本集U进行逐一预测包括如下步骤：计算未标注的医学图像样本集U中每个医学图像样本的病灶目标置信度值；计算未标注的医学图像样本集U中每个医学图像样本的病灶目标实例抗扰动稳定度值；根据所述病灶目标置信度值和病灶目标实例抗扰动稳定度值，结合主动学习算法计算出样本标注价值。在其中一个实施例中，所述计算未标注的医学图像样本集U中每个医学图像样本的病灶目标置信度值包括如下步骤：根据所述病灶目标检测深度模型C，计算未标注的医学图像样本集U中每个医学图像样本中的病灶目标的目标检测框数量；根据每个医学图像样本中的目标检测框数量计算出病灶目标置信度值。在其中一个实施例中，所述计算未标注的医学图像样本集U中每个医学图像样本的病灶目标实例抗扰动稳定度值包括如下步骤：根据所述病灶目标检测深度模型C，采用Mask-RCNN模型中的RPN网络来生成未标注的医学图像样本集U中每个医学图像样本中包含病灶目标的区域；选取与病灶目标实例最接近的两个病灶目标区域；计算病灶目标实例与两个病灶目标区重叠的交集与并集的比值，作为病灶目标实例的抗扰动稳定度值。在其中一个实施例中，根据所述病灶目标置信度和病灶目标实例抗扰动稳定度，结合主动学习算法计算出样本标注价值包括如下步骤：选取病灶目标置信度值为0.4～0.7之间的医学图像样本，表达为maxUnc(x,L,u)，其中，L表示为已标注样本，u表示为未标注样本，x为选取的医学图像样本，Unc表示为置信度；选取抗扰动稳定度值为0.3～0.9之间的医学图像样本，表达为IOU(x,L,u)，其中，L表示为已标注样本，u表示为未标注样本，x为选取的医学图像样本，IOU表示为抗扰动稳定度值；通过主动学习算法公式maxf(x,L,u)＝maxUnc(x,L,u)*IOU(x,L,u)β修正计算出每个医学图像样本的标注价值maxf(x,L,u)，其中，β是调解所述抗扰动稳定度值比重的参数。本专利技术还提出一种医学图像样本筛查装置，所述装置包括病灶目标深度模型初始化单元、未标注医学图像样本标注价值预测单元、病灶目标检测深度模型迭代单元和模型迭代更新判断单元；所述病灶目标检测深度模型初始化单元，用于选取当前医疗影像目标检测任务的初始已标注样本集L，利用Mask-RCNN模型对所述初始已标注样本集L进行模型训练，以获取当前医疗影像病灶目标检测的病灶目标检测深度模型C；所述未标注医学图像样本标注价值预测单元，用于根据所述病灶目标检测深度模型C对未标注医学图像样本集U进行逐一预测，得到所述未标注医学图像样本集U中每个医学图像样本的预测结果，并根据预测结果判断每个医学图像样本的标注价值；所述病灶目标检测深度模型迭代单元，用于选取所述未标注医学图像样本集U中标注价值高的医学图像样本进行标注确认，根据选取的标注价值高的医学图像样本对当前的病灶目标检测深度模型C进行迭代更新；所述模型迭代更新判断单元，用于根据迭代更新后的病灶目标检测深度模型C对新的医学图像病灶样本进行验证，如病灶目标检测深度模型C的性能不能再继续标注新的样本时结束迭代更新，否则所述病灶目标检测深度模型迭代单元继续根据新的样本进行迭代更新。在其中一个实施例中，所述未标注医学图像样本标注价值预测单元包括病灶目标置信度计算模块和病灶目标实例抗扰动稳定度计算模块；所述病灶目标置信度计算模块用于计算未标注的医学图像样本集U中每个医学图像样本的病灶目标置信度；所述病灶目标实例抗扰动稳定度计算模块用于计算未标注的医学图像样本集U中每个医学图像样本的病灶目标实例抗扰动稳定度计算模块。。在其中一个实施例中，所述未标注医学图像样本标注价值预测单元还包括主动学习策略模块，所述主动学习策略模块用于根据所述病灶目标置信度和病灶目标实例抗扰动稳定度，结合主动学习算法计算出所述未标注医学图像样本的标注价值。本专利技术还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执本文档来自技高网...

【技术保护点】
1.一种医学图像样本筛查方法，其特征在于，用于对未标注的医学图像样本进行智能筛查，包括如下步骤：/n选取针对当前医疗影像病灶目标检测任务的初始已标注样本集L，利用Mask-RCNN模型对所述初始已标注样本集L进行模型训练，以获取当前医疗影像病灶目标检测的病灶目标检测深度模型C；/n根据所述初始病灶目标检测深度模型C对未标注医学图像样本集U进行逐一预测，得到所述未标注医学图像样本集U中每个医学图像样本的预测结果，并根据预测结果判断每个医学图像样本的标注价值；/n选取所述未标注医学图像样本集U中标注价值高的医学图像样本进行标注确认后，对当前的病灶目标检测深度模型C进行迭代更新；/n根据迭代更新后的病灶目标检测深度模型C对新的医学图像病灶样本进行验证，直到病灶目标检测深度模型C的性能不能再继续标注新的样本时，则结束迭代更新。/n

【技术特征摘要】
1.一种医学图像样本筛查方法，其特征在于，用于对未标注的医学图像样本进行智能筛查，包括如下步骤：
选取针对当前医疗影像病灶目标检测任务的初始已标注样本集L，利用Mask-RCNN模型对所述初始已标注样本集L进行模型训练，以获取当前医疗影像病灶目标检测的病灶目标检测深度模型C；
根据所述初始病灶目标检测深度模型C对未标注医学图像样本集U进行逐一预测，得到所述未标注医学图像样本集U中每个医学图像样本的预测结果，并根据预测结果判断每个医学图像样本的标注价值；
选取所述未标注医学图像样本集U中标注价值高的医学图像样本进行标注确认后，对当前的病灶目标检测深度模型C进行迭代更新；
根据迭代更新后的病灶目标检测深度模型C对新的医学图像病灶样本进行验证，直到病灶目标检测深度模型C的性能不能再继续标注新的样本时，则结束迭代更新。


2.如权利要求1所述的医学图像样本筛查方法，其特征在于，根据所述初始病灶目标检测深度模型C对未标注的医学图像样本集U进行逐一预测，得到所述未标注医学图像样本集U中每个医学图像样本的预测结果，并根据预测结果判断每个医学图像样本的标注价值包括如下步骤：
计算未标注的医学图像样本集U中每个医学图像样本的病灶目标置信度值；
计算未标注的医学图像样本集U中每个医学图像样本的病灶目标实例抗扰动稳定度值；
根据所述病灶目标置信度值和病灶目标实例抗扰动稳定度值，结合主动学习算法计算出样本标注价值。


3.如权利要求2所述的医学图像样本筛查方法，其特征在于，所述计算未标注的医学图像样本集U中每个医学图像样本的病灶目标置信度值包括如下步骤：
根据所述病灶目标检测深度模型C，计算未标注的医学图像样本集U中每个医学图像样本中的病灶目标的目标检测框数量；
根据每个医学图像样本中的目标检测框数量计算出病灶目标置信度值。


4.如权利要求3所述的医学图像样本筛查方法，其特征在于，所述计算未标注的医学图像样本集U中每个医学图像样本的病灶目标实例抗扰动稳定度值包括如下步骤：
根据所述病灶目标检测深度模型C，采用Mask-RCNN模型中的RPN网络来生成未标注的医学图像样本集U中每个医学图像样本中包含病灶目标的区域；
选取与病灶目标实例最接近的两个病灶目标区域；
计算病灶目标实例与两个病灶目标区重叠的交集与并集的比值，作为病灶目标实例的抗扰动稳定度值。


5.如权利要求4所述的医学图像样本筛查方法，其特征在于，根据所述病灶目标置信度和病灶目标实例抗扰动稳定度，结合主动学习算法计算出样本标注价值包括如下步骤：
选取病灶目标置信度值为0.4～0.7之间的医学图像样本，表达为maxUnc(x,L,u)，其中，L表示为已标注样本，u表示为未标注样本，x为选取的医学图像样本，Unc表示为置信度；
选取抗扰动稳定度值为0.3～0.9之间的医学图...

【专利技术属性】
技术研发人员：王俊，高鹏，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44