一种图像自动标注模型构建方法、系统及应用技术方案

本发明专利技术公开了一种图像自动标注模型构建方法、系统及应用，包括步骤：(1)采集若干图像并进行标注得到原始样本集；根据待标注图像构建原始标注模型；(2)利用原始样本集中的样本对原始标注模型进行训练得到原始自动标注模型；(3)利用原始自动标注模型对待标注图像进行自动标注，判断已标注图像的标注结果是否准确，若准确，原始自动标注模型不更新，若不准确，更正已标注图像的标注，将更正后的已标注图像存入原始样本集，返回步骤(2)。本发明专利技术采用小数量级样本量，在检测中对标注模型进行免重样本扩充及模型优化，提高模型精确性、环境适用性，保证模型评判结果准确性，且模型训练时间/工作量均可大幅缩减。间/工作量均可大幅缩减。间/工作量均可大幅缩减。

【技术实现步骤摘要】
一种图像自动标注模型构建方法、系统及应用


[0001]本专利技术涉及图像处理领域，尤其涉及一种图像自动标注模型构建方法、系统及应用。

技术介绍

[0002]深度学习在自然图像处理与识别等领域取得了巨大的成功，在医学影像方面较传统的图像处理算法也取得了长足的进展。利用深度学习技术，对医学影像数据进行组织器官的自动分割和识别，可以大大提高医生工作效率。
[0003]如具体到人体脊椎图像的自动处理，其具有对椎节识别和定位的自动标注需求，需要构建人体脊椎图像自动标注模型，整个标注模型构建过程包括原始数据离线收集、原始数据离线人工标注、深度学习标注模型搭建、标注模型训练优化、标注模型后处理与部署等过程。
[0004]一般的标注模型训练方法受样本数据影响较大，若样本量少、样本覆盖面窄，则标注模型准确度难以保障。若样本量足够多、覆盖面广，则现场采集原始数据量较大，且由于现场采集原始数据量较大，又需要花费大量人力对原始数据进行标注，大量的时间和工作训练标注模型。
[0005]此外，由于不同的检测个体，由于性别、年龄、种族等因素，骨骼具有差异性，以及不同的检测设备采集的图像，如清晰度、黑白对比度、组织边缘模糊程度等也存在差别，这里统称为环境因素导致的图像差异，原始训练环境下得到的模型在新的检测环境下将无法很好地拟合数据的分布，会存在模型泛化性不足问题，导致标注模型对于图像中组织器官的识别与定位准确性下降。

技术实现思路

[0006]专利技术目的：本专利技术针对上述不足，提出了一种图像自动标注模型构建方法、系统及应用，采用具有自主选择更新能力的自动标注模型实现对图像的自动标注处理，仅用少量样本即可实现自动标注模型高效准确构建，并降低了实际图像获取环境，如人群差异、病理差异、仪器差异等对标注模型适用性的限制。
[0007]技术方案：
[0008]一种图像自动标注模型构建方法，包括步骤：
[0009](1)采集若干图像并进行标注得到原始样本集；根据待标注图像构建原始标注模型；
[0010](2)利用原始样本集中的样本对原始标注模型进行训练得到原始自动标注模型；
[0011](3)利用原始自动标注模型对待标注图像进行自动标注，判断已标注图像的标注结果是否准确，若准确，原始自动标注模型不更新，若不准确，更正已标注图像的标注，将更正后的已标注图像存入原始样本集，返回步骤(2)。
[0012]所述步骤(1)中采集的图像是透视设备采集的透视图像。
[0013]所述透视图像为人体脊椎透视图像。
[0014]所述自动标注为各椎节边缘轮廓2D框标注、椎节标号标注、椎节中心标注中一种或多种的组合。
[0015]所述步骤(1)中图像的数量为500～1000张。
[0016]所述步骤(3)中，判断标注结果是否准确的依据是标注的准确率、召回率、 Dice相似性系数中至少一种。
[0017]标注结果是否准确设置为其标注准确率不小于95％，召回率不小于80％，且Dice相似性系数不小于80％。
[0018]所述步骤(3)中，若已标注图像的标注结果不准确，则将该已标注图像中的正确标注部分背景化，将其错误标注部分进行正确标注形成残正标图像，并将残正标图像存储至原始样本集中，得到新样本集。
[0019]一种前述图像自动标注模型构建方法在图像标注中的应用。
[0020]所述步骤(3)中，判断已标注图像的标注结果是否准确，若准确，重复步骤(3)直到所有待标注图像标注完毕；若不准确，更正已标注图像的标注，将更正后的已标注图像存入原始样本集，得到新样本集，重复步骤(2)、(3)直到所有待标注图像标注完毕。
[0021]所述步骤(3)中，利用原始自动标注模型对所有待标注图像进行自动标注，并分别判断标注结果是否准确，将其中标注结果不准确的已标注图像进行更正并存入原始样本集，得到新样本集。
[0022]一种应用前述图像自动标注模型构建方法的图像自动标注模型构建系统，包括：
[0023]原始样本集，用于存储图像标注样本；
[0024]标注模型构建模块，根据标注目标构建模型，并利用原始样本集内的图像标注样本对模型进行训练得到自动标注模型，并在原始样本集更新后重新进行训练更新自动标注模型；
[0025]自动标注模块：对待标注透视图像进行自动标注，并判断标注结果是否准确，若不准确则更正已标注图像的标注并将其补入原始样本集，更新样本集。
[0026]本专利技术与现有技术相比，具有如下有益效果：
[0027]1、本专利技术采用具有更新能力的自动标注模型实现对图像的自动标注处理，可使用低量级的样本数据获取高准确率的标注模型，减小样本标注工作量及模型构建样本训练工作量，减少了原始样本准备及模型训练时间和工作量。
[0028]2、本专利技术可采用小数量级样本量构建高精度自动标注模型，通过在检测中自动对标注模型进行免重样本扩充及模型优化，提高了样本的分散性，降低了样本的数量级，采用小量级初始样本量即可保证标注模型的精确性、环境适用性。
[0029]3、本专利技术可自主感知环境变化进行新数据自动补充，标注模型利用混合后的数据进行深度学习、迁移学习自动更新优化，减少人工干预模型迭代优化工作，解决了自动标注模型对环境变化情况下图像数据的误判问题。
附图说明
[0030]图1为本专利技术的一种实施例的图像自动标注模型构建方法。
[0031]图2为本专利技术另一种实施例的图像自动标注模型构建方法。
[0032]图3为应用本专利技术图像自动标注模型构建系统的图像自动标注系统。
[0033]图4为应用本专利技术图像自动标注模型构建方法的图像自动标注方法。
[0034]图5为应用本专利技术进行人体脊椎CT图像自动标注的结果示意图。
具体实施方式
[0035]下面结合具体实施例，进一步阐明本专利技术。
[0036]本专利技术的图像标注模型的构建方法如图1所示，包括步骤：
[0037](1)采集若干图像并进行标注得到得到对应的标注图像，存储至数据库得到原始样本集；本专利技术中的图像具体为透视图像，更进一步地，图像可以是采集的现场CT设备中的现场CT图像，但本专利技术并不止于此，图像还可以采用其他医疗图像甚至其他领域需标注的图像；
[0038](2)根据不同标注目标构建对应的标注模型，并利用原始样本集进行训练得到原始自动标注模型；其中，不同标注目标根据本专利技术应用领域与场景的不同有不同的选择，如在医疗领域的脊椎椎节轮廓标注、智能识别领域的人、动物或物体的标注等。
[0039](3)选择对应的原始自动标注模型对待标注图像进行标注，并判断标注结果是否准确；若准确，则剔除该次标注结果；若不准确，则转至步骤(4)；
[0040]本专利技术中，针对CT图像，根据标注目标选取对应原始自动标注模型并部署至CT设备边缘设备终端，CT设备采集新CT图像，并根据选取的原始自动标注模型对其进行标注得到CT图像标注图像；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像自动标注模型构建方法，其特征在于：包括步骤：(1)采集若干图像并进行标注得到原始样本集；根据待标注图像构建原始标注模型；(2)利用原始样本集中的样本对原始标注模型进行训练得到原始自动标注模型；(3)利用原始自动标注模型对待标注图像进行自动标注，判断已标注图像的标注结果是否准确，若准确，原始自动标注模型不更新，若不准确，更正已标注图像的标注，将更正后的已标注图像存入原始样本集，返回步骤(2)。2.根据权利要求1所述的图像自动标注模型构建方法，其特征在于：所述步骤(1)中采集的图像是透视设备采集的透视图像。3.根据权利要求2所述的图像自动标注模型构建方法，其特征在于：所述透视图像为人体脊椎透视图像。4.根据权利要求3所述的图像自动标注模型构建方法，其特征在于：所述自动标注为各椎节边缘轮廓2D框标注、椎节标号标注、椎节中心标注中一种或多种的组合。5.根据权利要求1所述的图像自动标注模型构建方法，其特征在于：所述步骤(1)中图像的数量为500～1000张。6.根据权利要求1所述的图像自动标注模型构建方法，其特征在于：所述步骤(3)中，判断标注结果是否准确的依据是标注的准确率、召回率、Dice相似性系数中至少一种。7.根据权利要求6所述的透视图像标注模型的构建方法，其特征在于：标注结果是否准确设置为其标注准确率不小于95％，召回率不小于80％，且Dice相似性系数不小于80％。8.根据权利要求1所述的...

【专利技术属性】
技术研发人员：程敏，
申请(专利权)人：南京佗道医疗科技有限公司，
类型：发明
国别省市：