[发明专利]一种基于MIL的医学图像病灶点精确标注方法

说明书

本发明公开了一种基于MIL的医学图像病灶点精确标注方法，包括以下步骤：步骤1：采集医学图像数据集，分为正样本集和负样本集；步骤2：进行分类模型的初始化；步骤3：对于正样本集中的每个样本均采集S个示例，把每个示例输入到分类器模型中；记录有病灶点概率值最大的示例，然后将该示例加入到数据集D中；步骤4：对于负样本集中的每个样本均采集S个示例，把每个示例输入到分类器模型中；记录最不可能有病灶点的示例，然后也将该示例加入到数据集D中；步骤5：在神经网络分类器模型中进行迭代训练，得到训练模型；步骤6：根据分类模型进行新样本的检测和标注；本发明可大批量地对病灶点样本进行精确标注，且速度快、成本低、具有极高的效率性。

技术领域

本发明涉及一种医学图像处理方法，具体涉及一种基于MIL（Multiple InstanceLearning）的医学图像病灶点精确标注方法。

背景技术

医学领域的图像标注为：将DR片、CT片等影像数据中的肿瘤、结节、钙化点等病灶区域由医生通过人机交互的形式在dicom等影像数据中标注出来；随着深度学习在医学图像处理领域中的拓展，训练就需要大型标准的数据集来支撑；因此，大量数据集的精确标注问题就显得尤为重要；和普通图像的标注不同，医学图像的标注需要有专业知识和技能的人来做；因此难以获得大量的精确标注数据集供深度神经网络学习；目前，将传统的深度学习广泛应用在医学图像领域，仍存在以下问题：第一，医学领域的影像精确标注需要高水平的医生来完成，非医疗领域人员对医学影像的标注没有意义；但客观上，我国医生的工作强度大，难以有精力进行医学影像的精确标注；并且现实中存在着大量的不同种类的病灶图像，但很多存储的图片都没有来得及标注和使用，资源利用率较低；第二，即使医生能够精确标注的医疗图像，但由于数据标注需要消除个人的主观性，需要多人多次标注，取综合平均结果；这就导致能够达到应用级别的有效标注数据事实上数量较少；第三，疾病的影像样本受限于该疾病的发病率，某些疾病由于是非常见疾病，存在样本稀少难以构建足够量级数据集的问题。

目前现有医疗机构中广泛开展了数字化病历的改革，建设了诸多PACS系统等包含医疗影像数据、生化数据等医疗病历数据库；这些病历中包含了诊断结论，却并未对病灶区域精确标记；当前的医疗影像数据多是非精确标注数据（仅仅标记了有何病和无病），但未精确给出病灶位置坐标；因此导致当前的深度学习算法难以直接适应。

发明内容

本发明提供一种速度快、成本低，效率高的基于MIL的医学图像病灶点精确标注方法。

本发明采用的技术方案是：一种基于MIL的医学图像病灶点精确标注方法，包括以下步骤：

步骤1：采集医学图像数据集，分为正样本集和负样本集；

步骤2：进行分类模型的初始化；

步骤3：对于正样本集中的每个样本均采集S个示例，把每个示例输入到分类器模型中；记录有病灶点概率值最大的示例，然后将该示例加入到数据集D中；

步骤4：对于负样本集中的每个样本均采集S个示例，把每个示例输入到分类器模型中；记录最不可能有病灶点的示例，然后将该示例加入到步骤3得到的数据集D中；

步骤5：将步骤4得到的数据集D在神经网络分类器模型中进行迭代训练，得到训练模型；

步骤6：根据步骤5得到的模型进行新样本的检测和标注。

进一步的，所述分类模型采用基于LeNet的神经网络模型，包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、激活函数层、第二全连接层和用于实现分类和归一化的softmax层。

进一步的，所述步骤6中检测和标注过程中每个新样本采样S个示例，对每个示例用分类器模型进行分类；若有一个及以上示例有病灶点，则判定该样本为有病灶点图片；否则判定该样本为无病灶点图片；直至检测完所有新样本。