基于多示例学习的弱监督间质性肺病病灶识别方法技术

本发明专利技术属于图像识别技术领域，公开了一种基于多示例学习的弱监督间质性肺病病灶识别方法，包括以下步骤：步骤1：获取CT图像样本；步骤2：选取部分CT图像，对图像中的肺实质进行人工标注；步骤3：通过显著性分割算法建立肺实质分割模型，将人工标注后的CT图像样本输入进行训练和测试，得到训练完成的肺实质分割模型；步骤4：使用多示例学习算法训练病灶识别模型；步骤5：获取待识别CT图像样本，输入肺实质分割模型进行分割，然后将分割后的数据样本输入病灶识别模型，得到病灶位置。本发明专利技术可以通过少量标注实现间质性肺病的可视化标注，大大提高了识别效率。了识别效率。了识别效率。

【技术实现步骤摘要】
基于多示例学习的弱监督间质性肺病病灶识别方法


[0001]本专利技术属于图像识别
，具体涉及一种基于多示例学习的弱监督间质性肺病病灶识别方法。

技术介绍

[0002]间质性肺疾病是以弥漫性肺实质、肺泡炎症和间质纤维化为病理基本病变，以活动性呼吸困难、X线胸片弥漫性浸润阴影、限制性通气障碍、弥散功能降低和低氧血症为临床表现的不同种类疾病群构成的临床
‑
病理实体的总称。胸部CT或高分辨CT对肺组织和间质更能细致显示其形态结构变化，高分辨CT影像对间质性肺病的诊断明显优于普通X线胸片，对早期肺纤维化以及蜂窝肺的诊断具有重要价值。
[0003]深度学习，是机器视觉和模式识别的一种新的强大工具。通过层次化的网络结构，将原始数据有效的转换为高层和抽象的特征，经过训练的深度学习模型，可有效地分割肺部结构。多示例学习是一种监督不力的分类，其中只有患者级别的标签是已知的。在间质性肺病的检测研究中，CT扫描结果只有间质性肺病或非间质性肺病的标签，没有关于病灶部位或病灶部位严重程度的信息。
[0004]间质性肺病是一种高度异质性疾病，其病变是多成分、多维度和多部位的。目前，CT图像上肺间质受累情况主要是通过放射科医生的视觉评估，通过主观半定量评分方法进行的。然而，这些评估是具有主观性并且耗时的，这可能会影响ILD的分析结果。因此，需要计算机在CT图像上对间质性肺受累进行客观的定量评估。并且目前已有的方法都依赖于医生的标注，需要耗费医生的大量精力与时间。
[0005]因此，需要提供一种新的识别方法，对间质性肺病病灶进行精确识别，以降低对样本标注的要求，提高识别效率和精度。

技术实现思路

[0006]本专利技术克服现有技术存在的不足，所要解决的技术问题为：提供一种基于多示例学习的弱监督间质性肺病病灶识别方法，以提高病灶识别的精度和效率，减小人工标注的难度和工作量。
[0007]为了解决上述技术问题，本专利技术采用的技术方案为：一种基于多示例学习的弱监督间质性肺病病灶识别方法，包括以下步骤：
[0008]步骤1：获取多个CT图像数据，对各个CT图像数据进行采样抽取，得到多张图像建立对应的CT图像样本，每个CT图像样本包括多个从对应CT图像抽取得到的CT图像，所述CT图像样本被标记为有间质性肺病的样本或健康的样本；
[0009]步骤2：选取部分CT图像，对图像中的肺实质进行人工标注；
[0010]步骤3：通过显著性分割算法建立肺实质分割模型，将步骤2得到的人工标注后的CT图像输入肺实质分割模型进行训练和测试，得到肺实质分割模型；
[0011]步骤4：使用多示例学习算法训练病灶识别模型，过程如下：
[0012]步骤4.1：使用多示例学习算法建立病灶识别模型；
[0013]步骤4.2：选取用于病灶识别模型训练的CT图像样本，通过肺实质分割模型对其中的CT图像中的肺实质进行分割；用固定大小的滑动窗口将CT图像样本的中的CT图像中的肺实质裁成多个小块；
[0014]步骤4.3：将有间质性肺病患者的CT图像样本作为正包，健康患者的CT图像样本作为负包，正包和负包中对应的CT图像作为示例，对所述病灶识别模型进行训练和测试；
[0015]步骤5：获取待识别CT图像样本，输入步骤S3得到的肺实质分割模型进行分割，然后将分割后的数据样本输入步骤S4得到的病灶识别模型，得到病灶位置。
[0016]对各个CT图像数据进行采样抽取时，通过等距的方式抽取进而获得对应的CT图像样本。
[0017]所述步骤3中，所述肺实质分割模型为通过GCPANet显著性分割算法建立。
[0018]所述步骤4.2中，用48*48的滑动窗口将步骤3得到的肺实质裁成多个小块。
[0019]所述步骤4还包括以下步骤：
[0020]步骤4.4：建立多示例CAM模型，所述多示例CAM模型包括：
[0021]全局采样模块：用于计算得到肺实质数据样本的全局上下文信息和粗掩模；
[0022]因果关系模块：用于将全局上下文信息和粗掩模发送至因果关系模块，得到类别因果关系图Mc和解剖因果关系图Ms；
[0023]级联模块：用于将类别因果关系图Mc与病灶识别模型得到的病灶位置特征进行级联得到级联特征；
[0024]分类头：用于在训练阶段对级联特征进行全局平均池化和全连接操作，得到类别的特征向量；
[0025]映射模块：用于对级联特征进行类激活映射，生成表示仅具有类别因果关系的显著性映射特征CAMcc；
[0026]乘法模块：用于将解剖因果关系图Ms与显著性映射特征CAMcc相乘，得到显著性图CAMac；
[0027]上采样模块：用于对显著性图CAMac进行上采样，得到病灶分割结果；
[0028]步骤4.5：将病灶识别模型输出的病灶位置和肺实质分割模型输出肺实质数据发送至多示例CAM模型，对多示例CAM模型进行训练。
[0029]所述步骤5还包括以下步骤：
[0030]将分割后的数据样本和病灶识别模型得到的病灶位置发送至训练好的多示例CAM模型，输出CT图像及其病灶位置。
[0031]所述步骤4.2中，选取的CT图像样本中，有间质性肺病患者的CT图像样本的数量等于健康患者的CT图像样本的数量。
[0032]所述步骤4.3中，训练数据和测试数据的比为2:1。
[0033]本专利技术与现有技术相比具有以下有益效果：
[0034]本专利技术实施例提供了一种基于多示例学习的弱监督间质性肺病病灶识别方法，首先通过分层提取CT图像，然后利用显著性分割算法分割病人肺部结构，只需少量肺部标注样本即可以实现肺部分割，并引入多示例学习算法来解决间质性肺病病灶部位不同的问题得到间质性肺病病灶，最后利用解剖因果链和类别因果链两条因果链驱动，其中解剖因果
链解决CT图像中存在的共现问题，类别因果链解决病灶区域分割边界模糊的问题，对病灶位置的可视化；其无需对样本进行大量标注，为CT图像的间质性肺病病灶自动化可视化识别提供了一种新的方法。
附图说明
[0035]图1为本专利技术实施例一提供的一种基于多示例学习的弱监督间质性肺病病灶识别方法的流程示意图；
[0036]图2为本专利技术实施例一中肺实质分割模型的结构示意图；
[0037]图3本专利技术实施例二提供的一种基于多示例学习的弱监督间质性肺病病灶识别方法的流程示意图；
[0038]图4为本专利技术实施例二中全局采样模块的结构示意图；
[0039]图5为本专利技术实施例二中因果关系模块的结构示意图；
[0040]图6为通过本专利技术实施例二的方法得到某个患者的不同层CT图像中病灶位置可视化的示意图。
具体实施方式
[0041]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例；基于本专利技术中的实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多示例学习的弱监督间质性肺病病灶识别方法，其特征在于，包括以下步骤：步骤1：获取多个CT图像数据，对各个CT图像数据进行采样抽取，得到多张图像建立对应的CT图像样本，每个CT图像样本包括多个从对应CT图像抽取得到的CT图像，所述CT图像样本被标记为有间质性肺病的样本或健康的样本；步骤2：选取部分CT图像，对图像中的肺实质进行人工标注；步骤3：通过显著性分割算法建立肺实质分割模型，将步骤2得到的人工标注后的CT图像输入肺实质分割模型进行训练和测试，得到肺实质分割模型；步骤4：使用多示例学习算法训练病灶识别模型，过程如下：步骤4.1：使用多示例学习算法建立病灶识别模型；步骤4.2：选取用于病灶识别模型训练的CT图像样本，通过肺实质分割模型对其中的CT图像中的肺实质进行分割；用固定大小的滑动窗口将CT图像样本的中的CT图像中的肺实质裁成多个小块；步骤4.3：将有间质性肺病患者的CT图像样本作为正包，健康患者的CT图像样本作为负包，正包和负包中对应的CT图像作为示例，对所述病灶识别模型进行训练和测试；步骤5：获取待识别CT图像样本，输入步骤S3得到的肺实质分割模型进行分割，然后将分割后的数据样本输入步骤S4得到的病灶识别模型，得到病灶位置。2.根据权利要求1所述的一种基于多示例学习的弱监督间质性肺病病灶识别方法，其特征在于，对各个CT图像数据进行采样抽取时，通过等距的方式抽取进而获得对应的CT图像样本。3.根据权利要求1所述的一种基于多示例学习的弱监督间质性肺病病灶识别方法，其特征在于，所述步骤3中，所述肺实质分割模型为通过GCPANet显著性分割算法建立。4.根据权利要求1所述的一种基于多示例学习的弱监督间质性肺病病灶识别方法，其特征在于，所述步骤4.2中，用48*48的...

【专利技术属性】
技术研发人员：郑文，赖叶鑫，赵偲，侯凡，彭梦晓，王洁宁，韩志勇，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：