一种基于半监督学习的腹部淋巴结检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于半监督学习的腹部淋巴结检测方法及装置，涉及基于半监督学习的腹部淋巴结的检测，其目的在于解决难以获得大量精确标注的腹部淋巴结图像数据、标注数据过少不能很好完成深度神经网络训练的问题。其先利用有限的标注好的数据输入监督学习，形成具有一定成熟度的淋巴结检测模型；然后再将淋巴结检测模型复制成教师网络、学生网络，利用弱增强的无标注数据输入教师网络并生成伪标签，再利用伪标签与强增强的无标注数据输入学生模型进行训练，并更新教师模型、学生模型的参数；重复训练并直至模型收敛。通过利用无标注数据生成伪标签用于训练，可显著减少对原始样本数据的标注工作，从而在小数据集上也能达到比较好的性能。比较好的性能。比较好的性能。

【技术实现步骤摘要】
一种基于半监督学习的腹部淋巴结检测方法及装置


[0001]本专利技术人工智能医学
，涉及胃肠淋巴结筛查领域，更具体的是涉及一种基于半监督学习的腹部淋巴结的检测。

技术介绍

[0002]结直肠癌是胃肠道中的常见恶性肿瘤。我国属于结直肠癌低发地区，但今年来结直肠癌发病有显著上升趋势，发病率及死亡率日益升高。目前最有效的方式的肠镜下的组织活检，但存在一定的风险性，因此精准、无创影像学的方法成为了现在研究热门。
[0003]在智能影像学研究中，基于深度学习的淋巴结自动检测是重要的研究方向，Fast
‑
RCNN, YOLO等深度学习领域中热门的检测算法也在肺部淋巴结智能检测中大放异彩，具有较高的准确率。另外，淋巴结检测方面的专利申请，也是越来越多。
[0004]申请号为202010261006.X的专利技术专利申请就公开了一种检测模型训练方法、淋巴结检测方法、装置、设备及介质，检测模型训练方法包括：基于特征提取网络构建淋巴结检测模型；获取所述淋巴结检测模型的训练样本数据，使用所述训练样本数据对所述淋巴结检测模型进行训练，得到训练好的淋巴结检测模型，其中所述训练样本数据包括样本图像、所述样本图像对应的样本检测标签，以及所述样本图像对应的样本分割标签。该模型训练方法通过使用包括样本图像、样本图像对应的样本检测标签以及样本图像对应的样本分割标签的训练样本数据对淋巴结检测模型中的不同特征层进行多分支训练，使得训练好的淋巴结检测模型能够提供较全面的淋巴结检测信息。
[0005]申请号为202110192337.7的专利技术专利申请就公开了一种基于先验知识的医学图像淋巴结检测方法，其包括如下步骤：数据准备与标定、数据预处理、关键帧定位模型的构建、关键区域提取和淋巴结检测模型构建；该检测方法由两个级联的深度神经网络模型构成：关键帧定位深度神经网络模型和淋巴结检测深度神经网络模型。该方法还提出了两种先验知识：用于关键帧定位模型的关键帧空间先验知识和用于淋巴结检测模型的淋巴结锚点尺度先验知识。通过这两种先验知识，可以有效提升CT关键帧定位的准确性以及淋巴结检测的效果。
[0006]申请号为202110170258.6的专利技术专利申请就公开了一种基于注意力机制神经网络的腹部淋巴结分区方法，其包括以下步骤：步骤1：数据准备；步骤2：掩模生成，对数据进行预处理；步骤3：构建注意力机制残差网络模型；步骤4：重复步骤3，构建并训练淋巴结相对位置分区的模型；步骤5：使用步骤3、步骤4训练好的模型对检测任务自动检测出的腹部淋巴结节进行分类。本专利技术中通过利用原始CT图像与掩模叠加作为输入，并引入注意力机制到深度残差神经网络，从而可以对CT图像中的腹部淋巴结节进行准确分区。
[0007]正如上述的现有技术一样，越来越多的淋巴结检测技术中使用到深度神经网络，通过深度神经网络实现淋巴结的自动识别与检测。但深度神经网络往往是需要进行训练的，且深度神经网络的训练往往需要依赖大量精确标注的数据，而在一些小数据集上难以达到比较好的性能。此外，腹部组织器官复杂，存在血管断层、神经节等在结构上与淋巴结
相似的组织，医生标注数据耗时耗力，数据标注一致性也难以保证，大量精确标注的数据难以获得。在此情形下，利用有限的标注数据训练高性能模型成为了一个具有现实意义的需求。

技术实现思路

[0008]本专利技术的目的在于：为了解决难以获得大量精确标注的腹部淋巴结图像数据、标注数据过少不能很好完成深度神经网络训练的问题，本专利技术提供一种基于半监督学习的淋巴结检测模型训练方法，采用教师
‑
学生模型双模型学习方式，利用无标注数据提高模型性能，减轻模型训练对于精确标注数据的依赖。
[0009]本专利技术为了实现上述目的具体采用以下技术方案：一种基于半监督学习的腹部淋巴结检测方法，包括：获取训练样本数据，训练样本数据包括无标注的腹部CT图像、标注的腹部CT图像；基于特征提取网络构建淋巴结检测模型；使用标注的腹部CT图像对淋巴结检测模型进行训练；将训练后的淋巴结检测模型复制成教师模型、学生模型；将弱增强处理后的无标注的腹部CT图像输入教师模型，教师模型输出伪标签，将伪标签以及强增强处理后的无标注的腹部CT图像输入学生模型，并更新教师模型、学生模型的权重；重复训练，直至学生模型收敛；将实时腹部CT图像输入训练后的学生模型，输出腹部CT图像的检测结果。
[0010]优选地，对获取的训练样本数据进行预处理，预处理包括：HU归一化处理、空间归一化处理、区域分割处理、区域填充处理以及区域移除处理。
[0011]优选地，淋巴结检测模型包括下采样、上采样；下采样包括一个卷积模块与四个降采样模块，卷积模块由两个卷积核尺寸为3*3*3的卷积层组成，降采样模块由两个卷积核尺寸为3*3*3的卷积层、一个批归一化层与一个RuLu激活层；上采样包括两个上采样模块和RPN模块，每个上采样模块后使用反卷积模块是特征图尺寸翻倍，并于上采样的相应特征图按位相加构成跳跃连接，并得到跨层次融合特征。
[0012]优选地，无标注的腹部CT图像的弱增强处理为旋转处理；无标注的腹部CT图像的强增强处理包括旋转处理、维度交换处理、伽马变换处理、对数变换处理以及随机擦除处理。
[0013]优选地，淋巴结检测模型的损失函数为：其中，为模型分类损失，为边界框回归损失；的具体计算公式为：的具体计算公式为：的具体计算公式为：
其中，表示有标注数据的数量，表示第i个样本，表示第i个样本的标签，表示一阶范式正则化。
[0014]优选地，教师模型中，设置超参数作为评选候选淋巴结可行度的阈值，对于某一候选淋巴结，若，则视为具有高可信度的伪标签。
[0015]优选地，学生模型通过反向传播算法更新模型权值，损失函数与权值更新算法为：算法更新模型权值，损失函数与权值更新算法为：其中，表示数据对应的伪标签，表示无监督损失的权重。
[0016]一种基于半监督学习的腹部淋巴结检测装置，包括：样本数据获取模块，用于获取训练样本数据，训练样本数据包括无标注的腹部CT图像、标注的腹部CT图像；检测模型搭建模块，用于基于特征提取网络构建淋巴结检测模型；模型训练模块，用于使用标注的腹部CT图像对淋巴结检测模型进行训练；模型复制模块，用于将训练后的淋巴结检测模型复制成教师模型、学生模型；学生模型训练模块，用于将弱增强处理后的无标注的腹部CT图像输入教师模型，教师模型输出伪标签，将伪标签以及强增强处理后的无标注的腹部CT图像输入学生模型，并更新教师模型、学生模型的权重；重复训练，直至学生模型收敛；实时标注模块，用于将实时腹部CT图像输入训练后的学生模型，输出腹部CT图像的检测结果。
[0017]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述方法的步骤。
[0018]一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述方法的步骤。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半监督学习的腹部淋巴结检测方法，其特征在于，包括：获取训练样本数据，训练样本数据包括无标注的腹部CT图像、标注的腹部CT图像；基于特征提取网络构建淋巴结检测模型；使用标注的腹部CT图像对淋巴结检测模型进行训练；将训练后的淋巴结检测模型复制成教师模型、学生模型；将弱增强处理后的无标注的腹部CT图像输入教师模型，教师模型输出伪标签，将伪标签以及强增强处理后的无标注的腹部CT图像输入学生模型，并更新教师模型、学生模型的权重；重复训练，直至学生模型收敛；将实时腹部CT图像输入训练后的学生模型，输出腹部CT图像的检测结果。2.如权利要求1所述的一种基于半监督学习的腹部淋巴结检测方法，其特征在于：对获取的训练样本数据进行预处理，预处理包括：HU归一化处理、空间归一化处理、区域分割处理、区域填充处理以及区域移除处理。3.如权利要求1所述的一种基于半监督学习的腹部淋巴结检测方法，其特征在于：淋巴结检测模型包括下采样、上采样；下采样包括一个卷积模块与四个降采样模块，卷积模块由两个卷积核尺寸为3*3*3的卷积层组成，降采样模块由两个卷积核尺寸为3*3*3的卷积层、一个批归一化层与一个RuLu激活层；上采样包括两个上采样模块和RPN模块，每个上采样模块后使用反卷积模块是特征图尺寸翻倍，并于上采样的相应特征图按位相加构成跳跃连接，并得到跨层次融合特征。4.如权利要求1所述的一种基于半监督学习的腹部淋巴结检测方法，其特征在于：无标注的腹部CT图像的弱增强处理为旋转处理；无标注的腹部CT图像的强增强处理包括旋转处理、维度交换处理、伽马变换处理、对数变换处理以及随机擦除处理。5.如权利要求1所述的一种基于半监督学习的腹部淋巴结检测方法，其特征在于：淋巴结检测模型的损失函数为：其中，为模型分类损失，为边界框回归损失；的具体计算公式为：的具...

【专利技术属性】
技术研发人员：秦壹民，潘震，张海仙，
申请(专利权)人：四川大学，
类型：发明
国别省市：