[发明专利]一种基于串行双任务网络的病灶区检测方法及系统

说明书

本发明公开一种基于串行双任务网络的病灶区检测方法，涉及医学影像技术领域，包括训练部分和检测部分；在训练部分首先收集病灶区样本，并人工标记样本的真正病灶区，随后检测网络学习真正病灶区的特点后对样本进行预检测，并标记病灶候选区，多次训练构建新的检测网络，最后，利用筛选网络学习真正病灶区样本与病灶候选区样本的特点，找到两者的相似性关系，根据人工标记结果输出相应的检测结果，多次训练构建新的筛选网络；在检测部分，则直接利用构建完成的检测网络和筛选网络输出检测结果。本发明还公开一种病灶区检测系统，与上述病灶区检测方法相结合，均可高效准确的检测图像病灶区，可以降低误检率。

技术领域

本发明涉及医学影像技术领域，具体的说是一种基于串行双任务网络的病灶区检测方法及系统。

背景技术

Faster R-CNN(其中R对应于“Region(区域)”)是基于深度学习R-CNN系列目标检测最好的方法。使用VOC2007+2012训练集训练，VOC2007测试集测试mAP达到73.2％，目标检测的速度可以达到每秒5帧。

临床医学从古至今都是人们研究的重点和难点。在新的世纪，科技的不断进步极大地促进了临床医学的发展。

近年来，国家高度重视人工智能技术的发展。人工智能与临床医学的交叉研究更是得到了国家、企业及科研机构的广泛关注。医学影像处理是该领域的一个重要研究方向，旨在研究优化的人工智能技术对医学图像进行分析来辅助临床诊断。在该技术体系下，病灶检测是分析的基础。然而，医学影像与一般的自然图像不同，病灶与其他组织通常具有较大的相似性，从而使得误检率较高。

因此，如何针对现有方法误检率较高问题，设计一种低误检率的病灶区检测方法，对于降低企业成本，增强产品的竞争力具有重要的意义。

发明内容

本发明针对目前技术发展的需求和不足之处，提供一种基于串行双任务网络的病灶区检测方法及系统。

本发明的一种基于串行双任务卷积神经网络的病灶区检测方法，解决上述技术问题采用的技术方案如下：

一种基于串行双任务网络的病灶区检测方法，该检测方法由两个网络串行完成，具体包括如下步骤：

S100、训练部分：

S110、收集各种病的病灶区样本作为训练样本，人工标记训练样本的真正病灶区；

S120、检测网络学习真正病灶区的特点，并对训练样本进行预检测，将病灶候选区检测出来，多次训练后，完成检测网络的构建；

S130、将真正病灶区样本与病灶候选区样本作为样本对输入筛选网络，筛选网络用于学习检测真正病灶区样本与病灶候选区样本的相似性关系，人工标记真正病灶区样本与病灶候选区样本的特点相同时，筛选网络输出结果标记为1，人工标记真正病灶区样本与病灶候选区样本的特点不同时，筛选网络输出结果标记为0，对多个样本对进行训练后，完成筛选网络的构建；

S200、检测部分：

S210、将待检测样本输入构建完成的检测网络进行预检测，检测网络标记待检测样本的病灶候选区；

S220、基于构建完成的筛选网络学习了真正病灶区样本的特点，还学习了真正病灶区样本与病灶候选区样本的相似性关系，将标记有病灶候选区的待检测样本输入构建完成的筛选网络进一步检测，筛选网络输出检测结果1或0。

可选的，所涉及训练样本包括肺部病灶区样本、乳腺病灶区样本、甲状腺病灶区样本、子宫病灶区样本、脑部病灶区五类样本，每类样本的数量不低于2万份，每类样本分别进行训练。