一种医学影像半自动标注方法、系统、设备及介质技术方案

本发明专利技术公开了一种医学影像半自动标注方法、系统、设备及介质，方法包括构建和训练医学图像分割模型、医学图像分类模型和眼科图片质量评估模型；采集眼底图像和利用眼科图片质量评估模型进行图像质量筛选；创建标注任务和标注平台；利用医学图像分割模型和医学图像分类模型进行非人工标注；人工标注和审核。通过结合人工智能图像处理技术和人工标注方式，本发明专利技术实施例的方法涵盖图像分类、图像分割、图像检测、质量评估等多个业务场景，从而助力医学临床决策，提升医疗质量、降低医疗风险，减轻医疗工作者的负担、大大提高医疗工作者效率，具备较高的临床使用价值。备较高的临床使用价值。备较高的临床使用价值。

【技术实现步骤摘要】
一种医学影像半自动标注方法、系统、设备及介质


[0001]本专利技术涉及医学图像处理
，尤其是涉及一种医学影像半自动标注方法、系统、设备及介质。

技术介绍

[0002]对于医学图像，特别是眼底图片的标注通常是人工方式对影像信息进行标注，这将耗费大量的人力和时间。目前常见的眼部疾病的分类多达上几十种，影像机器得到的眼底影像信息种类繁多，通过人工分类的方式极其耗时和繁琐。随着青光眼、老年黄斑、糖尿病视网膜等各类型眼部疾病的数量的日益增多，现阶段医学工作者通过人工手段使用各类型标注工具的工作效率较为低下。

技术实现思路

[0003]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种医学影像半自动标注方法，解决了当前对医学影像进行人工病灶标注效率较低的问题。
[0004]本专利技术实施例还提出了一种医学影像半自动标注系统、一种医学影像半自动标注设备以及一种计算机可读存储介质。
[0005]根据本专利技术第一方面实施例的医学影像半自动标注方法，包括以下步骤：
[0006]构建并训练医学图像分割模型、医学图像分类模型和眼科图片质量评估模型；
[0007]采集多个眼底图像并进行预处理操作，以得到眼底图像数据集；
[0008]利用人工处理和/或所述眼科图片质量评估模型，对所述眼底图像数据集进行图像质量筛选，以得到优质眼底图像数据集；
[0009]从所述优质眼底图像数据集中选出待标注眼底图像，以创建眼科标注任务；
[0010]构建眼科标注平台，并将所述医学图像分割模型和所述医学图像分类模型集成至所述眼科标注平台中；
[0011]在所述眼科标注平台中调用所述医学图像分割模型和所述医学图像分类模型对所述眼科标注任务进行非人工标注，以得到第一标注结果；
[0012]在所述眼科标注平台中对所述第一标注结果进行人工标注，以得到第二标注结果；
[0013]对所述第二标注结果进行审核，以得到最终标注结果。
[0014]根据本专利技术实施例的医学影像半自动标注方法，至少具有如下有益效果：
[0015]通过利用眼科图片质量评估模型进行智能化图像质量筛选，并结合专业领域人员的人工图像质量筛选，从而可保留轮廓完整且病灶清晰的影像图片进行病灶标注；通过在眼科标注平台中利用医学图像分割模型和医学图像分类模型进行智能化病灶标注，并结合专业领域人员的人工标注，使得利用智能化病灶标注可减少大量重复性劳动以提升标注效率，而利用人工标注可调整和弥补智能化病灶标注的缺陷，保证病灶识别的精确性。因此，通过结合人工智能图像处理技术和人工标注方式，本专利技术实施例的方法涵盖图像分类、图
像分割、图像检测、质量评估等多个业务场景，从而助力医学临床决策，提升医疗质量、降低医疗风险，减轻医疗工作者的负担、大大提高医疗工作者效率，具备较高的临床使用价值。
[0016]根据本专利技术的一些实施例，所述医学影像半自动标注方法还包括以下步骤：
[0017]利用所述最终标注结果对所述医学图像分割模型和所述医学图像分类模型进行训练，以提升所述医学图像分割模型和所述医学图像分类模型的标注性能。
[0018]根据本专利技术的一些实施例，所述预处理操作，包括以下步骤：
[0019]对采集的每个所述眼底图像进行数据清洗操作、非结构化数据转换为结构化数据操作以及数据脱敏操作。
[0020]根据本专利技术的一些实施例，构建并训练所述医学图像分割模型，包括以下步骤：
[0021]构建所述医学图像分割模型，所述医学图像分割模型采用Unet；
[0022]准备医学图像分割训练数据和医学图像分割测试数据；
[0023]将所述医学图像分割训练数据输入所述医学图像分割模型进行迭代更新训练，直到所述医学图像分割模型处理所述医学图像分割测试数据的第一损失值最小，输出最终的所述医学图像分割模型，所述第一损失值由以下数学模型所约束：
[0024][0025]其中，L
dice
表示DiceLoss损失函数；N表示医学图像分割图的像素点个数；n为医学图像分割图中第n个像素点；r
n
表示医学图像分割图中第n个像素的真实标签；p
n
表示对应像素的预测概率值；∈表示常数。
[0026]根据本专利技术的一些实施例，构建并训练所述医学图像分类模型，包括以下步骤：
[0027]构建所述医学图像分类模型，所述医学图像分类模型采用ResNet50；
[0028]准备医学图像分类训练数据和医学图像分类测试数据；
[0029]将所述医学图像分类训练数据输入所述医学图像分类模型进行迭代更新训练，直到所述医学图像分类模型处理所述医学图像分类测试数据的第二损失值最小，输出最终的所述医学图像分类模型，所述第二损失值由以下数学模型所约束：
[0030][0031]其中，L
ce
表示CELoss损失函数；N表示一轮训练中医学图像分类训练数据的样本总数；c表示分类种类数量；y
ic
表示符号函数(0或1)，即如果样本i的真实类别等于c取1，否则取0；p
ic
表示观测样本i属于类别c的预测概率。
[0032]根据本专利技术的一些实施例，构建所述眼科标注平台采用浏览器/服务器构架，所述浏览器/服务器构架包括客户端和服务端，所述服务器包括应用层、服务层和数据层，所述医学图像分割模型和所述医学图像分类模型集成至所述服务层中，所述客户端用于用户登录后请求所述应用层以进行所述人工标注。
[0033]根据本专利技术的一些实施例，所述眼科图片质量评估模型采用HyperNet网络和/或Transformer模型。
[0034]根据本专利技术的第二方面实施例的医学影像半自动标注系统，包括：
[0035]模型构建和训练模块，用于构建并训练医学图像分割模型、医学图像分类模型和
眼科图片质量评估模型；
[0036]眼底图像采集模块，用于采集多个眼底图像并进行预处理操作，以得到眼底图像数据集；
[0037]图像质量筛选模块，用于利用人工处理和/或所述眼科图片质量评估模型，对所述眼底图像数据集进行图像质量筛选，以得到优质眼底图像数据集；
[0038]任务创建模块，用于从所述优质眼底图像数据集中选出待标注眼底图像，以创建眼科标注任务；
[0039]标注平台构建模块，用于构建眼科标注平台，并将所述医学图像分割模型和所述医学图像分类模型集成至所述眼科标注平台中；
[0040]非人工标注模块，用于在所述眼科标注平台中调用所述医学图像分割模型和所述医学图像分类模型对所述眼科标注任务进行非人工标注，以得到第一标注结果；
[0041]人工标注模块，用于在所述眼科标注平台中对所述第一标注结果进行人工标注，以得到第二标注结果；
[0042]审核模块，用于对所述第二标注结果进行审核，以得到最终标注结果。
[0043]根据本专利技术实施例的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学影像半自动标注方法，其特征在于，包括以下步骤：构建并训练医学图像分割模型、医学图像分类模型和眼科图片质量评估模型；采集多个眼底图像并进行预处理操作，以得到眼底图像数据集；利用人工处理和/或所述眼科图片质量评估模型，对所述眼底图像数据集进行图像质量筛选，以得到优质眼底图像数据集；从所述优质眼底图像数据集中选出待标注眼底图像，以创建眼科标注任务；构建眼科标注平台，并将所述医学图像分割模型和所述医学图像分类模型集成至所述眼科标注平台中；在所述眼科标注平台中调用所述医学图像分割模型和所述医学图像分类模型对所述眼科标注任务进行非人工标注，以得到第一标注结果；在所述眼科标注平台中对所述第一标注结果进行人工标注，以得到第二标注结果；对所述第二标注结果进行审核，以得到最终标注结果。2.根据权利要求1所述的医学影像半自动标注方法，其特征在于，所述医学影像半自动标注方法还包括以下步骤：利用所述最终标注结果对所述医学图像分割模型和所述医学图像分类模型进行训练，以提升所述医学图像分割模型和所述医学图像分类模型的标注性能。3.根据权利要求1或2所述的医学影像半自动标注方法，其特征在于，所述预处理操作，包括以下步骤：对采集的每个所述眼底图像进行数据清洗操作、非结构化数据转换为结构化数据操作以及数据脱敏操作。4.根据权利要求1或2所述的医学影像半自动标注方法，其特征在于，构建并训练所述医学图像分割模型，包括以下步骤：构建所述医学图像分割模型，所述医学图像分割模型采用Unet；准备医学图像分割训练数据和医学图像分割测试数据；将所述医学图像分割训练数据输入所述医学图像分割模型进行迭代更新训练，直到所述医学图像分割模型处理所述医学图像分割测试数据的第一损失值最小，输出最终的所述医学图像分割模型，所述第一损失值由以下数学模型所约束：其中，L
dice
表示DiceLoss损失函数；N表示医学图像分割图的像素点个数；n为医学图像分割图中第n个像素点；r
n
表示医学图像分割图中第n个像素的真实标签；p
n
表示对应像素的预测概率值；∈表示常数。5.根据权利要求1或2所述的医学影像半自动标注方法，其特征在于，构建并训练所述医学图像分类模型，包括以下步骤：构建所述医学图像分类模型，所述医学图像分类模型采用ResNet50；准备医学图像分类训练数据和医学图像分类测试数据；将所述医学图像分类训练数据输入所述医学图像分类模型进行迭代更新训练，直到所述医学图像分类模型处理所述医学图像分类测试数据的第二损...

【专利技术属性】
技术研发人员：马岚，刘加璋，甘鲜，张慧芳，邓卓，陈楚城，谷庆江，吴芳敏，黎家宏，余章，农东平，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：