一种医学影像目标检测方法及系统技术方案

本发明专利技术公开了一种医学影像目标检测方法及系统，根据医学影像中目标检测的任务目标，搭建深度强化学习智能体的交互环境，通过检测二维医学影像中的感兴趣区域，来定位指定器官的所在区域；根据所述适用于目标检测任务的马尔科夫决策过程，构建单智能体竞争双深度Q网络结构，网络模型在深度Q网络的基础上进行了竞争结构的改进以及动作值函数计算的优化，使其稳定性与学习效率得到了增强，本发明专利技术通过深度强化学习中的智能体与二维医学影像环境的交互来获得深度神经网络的训练数据，能够有效提升网络模型学习的稳定性和效率。提升网络模型学习的稳定性和效率。提升网络模型学习的稳定性和效率。

【技术实现步骤摘要】
一种医学影像目标检测方法及系统


[0001]本专利技术属于医学影像检测领域，具体涉及一种医学影像目标检测方法及系统，用于二维医学图像中器官的检测。

技术介绍

[0002]医学影像在当今已经是医疗中不可缺少的一环，精准而高效的影像处理和分析对疾病的诊断和治疗至关重要。为了降低医生的工作量，提高医生的工作效率，发展医学影像检测技术是十分有必要的。传统的深度学习检测算法想要取得较好的性能一般都需要大量带有标注的数据，而由于医学影像数据标注难度大且需要经验丰富的专业医生进行标注、精度要求也很高、同时数据来源的病人隐私及数据盗用问题都需要考虑的特性，公开的良好医学影像数据十分有限。
[0003]已有的深度学习检测算法大都是基于锚框的，其基本思想是通过预设不同尺寸的候选框进行遍历来得到感兴趣区域，而多个候选框特征的冗余计算就使得整个网络的检测开销增加，调参十分困难，训练效率也较低。于是，有学者就提出了无锚框的检测算法，其主要思想是检测目标的关键点或边界信息，但这种检测方式会在一定程度上忽略一部分特征信息，容易产生假阳样本，并且对于缺失部分特征的目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学影像目标检测方法，其特征在于，包括以下步骤：S1、根据医学影像中目标检测的任务目标，搭建深度强化学习智能体的交互环境；S2、根据所述深度强化学习智能体的交互环境，建立用于目标检测任务的马尔科夫决策因素；S3、根据所述适用于目标检测任务的马尔科夫决策过程，构建单智能体竞争双深度Q网络结构；S4、根据所述单智能体竞争双深度Q网络结构，构建医学影像目标检测经验样本集合；S5、计算所述医学影像目标检测经验样本集合中每个经验样本的重要性；S6、根据每个经验样本的重要性，训练深度强化学习网络模型，利用训练完成的深度强化学习网络模型进行医学影像目标检测。2.根据权利要求1所述的一种医学影像目标检测方法，其特征在于，搭建二维医学影像器官数据的强化学习环境，所述强化学习环境的参数包含环境的维度、边界、检测目标的位置与形状大小，以及强化学习中智能体的状态s、奖励值r、衰减因子γ。3.根据权利要求1所述的一种医学影像目标检测方法，其特征在于，所述适用于目标检测任务的马尔科夫决策因素包括状态集合S、动作集合A及奖励函数R。4.根据权利要求3所述的一种医学影像目标检测方法，其特征在于，所述状态集合S用二维预测框p＝[p
x1
,p
y1
,p
x2
,p
y2
]中的像素值表示，其中(p
x1
,p
y1
)和(p
x2
,p
y2
)分别表示二维预测框左上角点的坐标与右下角点的坐标。5.根据权利要求3所述的一种医学影像目标检测方法，其特征在于，所述动作集合其中前四个动作是对预测框位置的平移，后四个动作是对预测框形状上宽或高的增加或减少。6.根据权利要求3所述的一种医学影像目标检测方法，其特征在于，所述奖励函数R用公式表示为r(s,a,s')＝(EIoU
s'
‑
EIoU
s
)*σ，其中σ是用于放大反馈信号以增加网络学习能力的奖励倍数，EIoU
s'
与EIoU
s
分别表示采取动作后的新状态s
’
下的EIoU与采取动作前的当前状态s下的EIoU，用公式表示为其中IoU表示预测框与真实框标准的交并比值，b、w、h分别表示预测框的质心、宽与高，b
gt
、w
gt
、h
...

【专利技术属性】
技术研发人员：田智强，潘希言，王硕，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：