医学图像处理和分析方法、计算机设备、系统和存储介质技术方案

本发明专利技术属于医学图像处理技术领域，具体涉及一种医学图像处理和分析方法、计算机设备、系统和存储介质。本发明专利技术的医学图像处理方法步骤如下：基于初始的已标注医学图像样本训练得到深度学习模型；完成前向传播过程，基于香农定理将预测结果转化为熵图；挑选出不重复信息量总和最高的一批候选医学图像样本；挑选出的候选医学图像样本经过标注后与所有已标注医学图像样本合并，训练得到新的深度学习模型；重复以上步骤，直至遍历所有的候选医学图像样本或模型提前达到某一目标性能。本发明专利技术还提供了一种利用上述深度学习模型进行图像分析的方法。本发明专利技术能够减少对医学图像的标注量降低深度学习模型的使用成本，具有很高的应用价值。值。值。

【技术实现步骤摘要】
医学图像处理和分析方法、计算机设备、系统和存储介质


[0001]本专利技术属于医学图像处理
，具体涉及一种医学图像处理和分析方法、计算机设备、系统和存储介质。

技术介绍

[0002]深度学习是机器学习领域中一个新的研究方向，其是一类模式分析方法的统称。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
[0003]深度学习在医学图像分析中已经有较多的应用，例如，CN202011259621.3，CN202011618907.6等专利利用深度学习技术实现了计算机辅助诊断。他们利用标注好的数据训练神经网络模型，之后利用训练好的神经网络模型来分析医学图像数据，从而辅助诊断。深度学习在医学图像处理中已经能够实现分类、检测和分隔等多种目的。但是，在深度学习的模型训练过程中，需要使用大量标注数据，而医学数据的标注需要很强的专业知识。因此，深度学习的模型训练往往需要专业医生花费大量时间进行数据标注的功能，这导致了深度学习用于医学图像处理时成本较高。
[0004]因此，在医学图像分析中减少样本的标注量是非常重要的。Zhou, Z等人（Zhou, Z. et al. 2017，In Proceedings of the IEEE conference on computer vision and pattern recognition，7340
‑
7351）通过在深度学习中加入主动学习方法来减少样本标注量，从而尝试降低深度学习技术在医疗领域的运用成本，取得了一定的效果。但是该方法只面向图像分类的深度学习技术，无法应用于图像检测分割领域。同时，他们的主动学习方法是仅基于样本信息量的，样本选择与注释结果会造成严重的抽样偏差及信息重复。Yang, L等人（Yang, L. et al. 2017，In International conference on medical image computing and computer
‑
assisted intervention，399
‑
407）将标注好的样本分为多个子集合，用不同的子集合训练多个全卷积神经网络，再以训练好的并行多路全卷积神经网络的方式进行最大差异性投票，最终选取差异性最大化的样本进行注释。这在一定程度减少了样本注释量，降低了深度技术在医疗领域的运用成本。但该方法中基于不同样本训练的卷积神经网络本身也会造成选择差异，使得结果的差异并非完全取决于候选样本本身，导致选择结果并不准确。
[0005]总之，由于受到模型建模过程的限制，现有技术中仍然还缺少合适的深度学习方法，能够同时针对分类、检测和分割等多种医学图像分析任务，减少样本的标注量。这导致了深度学习在医学图像分析领域的成本高昂，影响了其大规模的推广应用。

技术实现思路

[0006]针对现有技术中存在的问题，本专利技术提出一种医学图像处理和分析方法、计算机设备、系统和存储介质，目的在于降低深度学习模型建模过程中医学图像样本的标注量，从
而显著降低专业医生的工作量，降低深度学习应用于医学图像分析的成本。
[0007]一种医学图像处理方法，包括如下步骤：步骤1，基于初始的已标注医学图像样本训练得到初始的深度学习模型；步骤2，将候选医学图像样本输入前一步骤建立的深度学习模型，完成前向传播过程，基于香农定理将预测结果转化为熵图；步骤3，基于所述预测结果和所述熵图，对所述候选医学图像样本的信息总量和信息重复程度作出评价，挑选出不重复信息量总和最高的一批候选医学图像样本；步骤4，将步骤3挑选出的候选医学图像样本输出以进行标注；步骤5，步骤3挑选出的候选医学图像样本经过标注后与所有已标注医学图像样本合并，形成新的已标注医学图像样本的样本集，利用新的已标注医学图像样本的样本集训练得到中间的深度学习模型；步骤6，重复步骤2
‑
5，直至遍历所有的候选医学图像样本或模型达到目标性能，得到最终的深度学习模型。
[0008]优选的，所述医学图像是CT图像、MRI、超声图像、X光图像、病理切片图像或骨显像图像，所述MRI是T1WI、T2WI、DWI或DTI。
[0009]优选的，步骤1、步骤5和步骤6中，所述初始的深度学习模型、中间的深度学习模型和最终的深度学习模型是医学图像的分类模型、检测模型或分割模型。
[0010]优选的，步骤1、步骤5和步骤6中，所述初始的深度学习模型、中间的深度学习模型和最终的深度学习模型是医学图像的检测模型或分割模型；步骤3中，挑选出不重复信息量总和最高的一批候选医学图像样本后，还通过如下步骤对候选医学图像样本进行进一步挑选：步骤3a，基于所有已标注医学图像样本训练得到强分类模型；步骤3b，将挑选出的候选医学图像样本输入所述强分类模型，得到的分类预测结果；步骤3c，将步骤3b得到的分类预测结果与所述步骤2中所述前一步骤建立的深度学习模型的训练结果进行区域性比对，进一步挑选出比对结果不一致的候选医学图像样本。
[0011]优选的，步骤3中，用于挑选出不重复信息量总和最高的一批候选医学图像样本的算法为贪心算法。
[0012]优选的，步骤5中，训练所述中间的深度学习模型的过程中，对训练轮次和学习率进行自适应调整。
[0013]本专利技术还提供一种非诊断目的的医学图像分析方法，包括如下步骤：将待分析的医学图像输入深度学习模型，由深度学习模型分析后输出分析结果，所述深度学习模型为按照上述医学图像处理方法进行训练后得到的最终的深度学习模型。
[0014]本专利技术还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于深度学习的医学图像处理方法或非诊断目的的医学图像分析方法。
[0015]本专利技术还提供一种系统，包括：用于医学图像的采集和/或输入和/或存储的装置；
上述计算机设备。
[0016]本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于实现上述基于深度学习的医学图像处理方法或非诊断目的的医学图像分析方法。
[0017]本专利技术中，所述“初始的已标注医学图像样本”是指从所有能够用于建模但是未进行标注的样本中选出的部分样本，这些样本由专业医生进行标注后用于训练最初的深度学习模型。所述“候选医学图像样本”是指所有能够用于建模但是未进行标注的样本中未被选择为“初始的已标注医学图像样本”的部分，本专利技术的处理方法即需要从“候选医学图像样本”中选出具有作为训练基价值的样本。
[0018]对“候选医学图像样本的信息总量和信息重复程度”进行评价时，总的目标就是为了评价一批高熵样本之间的信息重复，然后把重复过多的给剔除掉。避免重复标注，浪费成本。信息总量是基于熵理论进行评价，差异性(信息重复程度)是基于KL散度和cross
‑...

【技术保护点】

【技术特征摘要】
1.一种医学图像处理方法，其特征在于，包括如下步骤：步骤1，基于初始的已标注医学图像样本训练得到初始的深度学习模型；步骤2，将候选医学图像样本输入前一步骤建立的深度学习模型，完成前向传播过程，基于香农定理将预测结果转化为熵图；步骤3，基于所述预测结果和所述熵图，对所述候选医学图像样本的信息总量和信息重复程度作出评价，挑选出不重复信息量总和最高的一批候选医学图像样本；步骤4，将步骤3挑选出的候选医学图像样本输出以进行标注；步骤5，步骤3挑选出的候选医学图像样本经过标注后与所有已标注医学图像样本合并，形成新的已标注医学图像样本的样本集，利用新的已标注医学图像样本的样本集训练得到中间的深度学习模型；步骤6，重复步骤2
‑
5，直至遍历所有的候选医学图像样本或模型达到目标性能，得到最终的深度学习模型。2.按照权利要求1所述的医学图像处理方法，其特征在于：所述医学图像是CT图像、MRI、超声图像、X光图像、病理切片图像或骨显像图像，所述MRI是T1WI、T2WI、DWI或DTI。3.按照权利要求1所述的医学图像处理方法，其特征在于：步骤1、步骤5和步骤6中，所述初始的深度学习模型、中间的深度学习模型和最终的深度学习模型是医学图像的分类模型、检测模型或分割模型。4.按照权利要求3所述的医学图像处理方法，其特征在于：步骤1、步骤5和步骤6中，所述初始的深度学习模型、中间的深度学习模型和最终的深度学习模型是医学图像的检测模型或分割模型；步骤3中，挑选出不重复信息量总和最高的一批候选医学图像样本后，还通过如下步骤对候选医学图像样本进行进一步挑选：步骤3a，基...

【专利技术属性】
技术研发人员：蒋明丰，周小波，龚昊然，
申请(专利权)人：四川大学华西医院，
类型：发明
国别省市：