[发明专利]一种基于深度学习实现医学影像多任务辅助诊断的方法

权利要求书

1.一种基于深度学习实现医学影像多任务辅助诊断的方法，其特征在于，主要步骤包括：

（1）提取医学影像病灶区域数据，构建对应多任务辅助诊断的多标签数据集；

（2）搭建单模型多任务深度学习网络实现多任务模型初步训练；

（3）调整学习策略，选择其中一个单任务进行训练，直至收敛；

（4）固定已训练完成的单任务及主干编码网络的参数，逐个训练其他分支任务。

2.如权利要求1所述的方法，其特征在于，所述步骤（1）中，提取医学影像病灶区域数据，即在已知病灶位置的情况下，在图像上进行数据截取，截取包围病灶区域的矩形（2D数据）或者立方体（3D数据）数据块。

3.如权利要求1所述的方法，其特征在于，所述步骤（1）中，构建对应多任务辅助诊断的多标签数据集。在收集病灶区域数据块之后，制定不同任务评价指标及记标签方式的金标准，并对病灶数据块进行记标签处理；对收集好的多标签数据进行定量定性统计，并根据数据集的分布情况，做一定的数据处理，用以后续的深度学习网络训练任务。

4.如权利要求1所述的方法，其特征在于，所述步骤（2）中，搭建单模型多任务深度学习网络结构，所搭建的网络模型编码部分共用网络参数，再接多个分支任务网络，可以是分类分支、分割分支、回归分支等。

5.如权利要求1所述的方法，其特征在于，所述步骤（2）中，其中可选择一条分支任务作为图像自编码，该分支输出结果和输入数据一致，作为特征正则化项辅助其他分支训练。

6.如权利要求1所述的方法，其特征在于，所述步骤（2）中，准备训练多任务模型时，不同的任务采用其相对应的损失函数，对所有的损失函数进行加权求和，形成整体损失函数，然后进行多任务网络模型训练，直至整体损失函数收敛到一定程度。

7.如权利要求1所述的方法，其特征在于，所述步骤（3）中，调整学习率，选择某一单任务进行训练；在步骤（2）多任务训练到一定程度之后，调整学习率，固定其他网络分支的参数，训练编码网络及所选的网络分支，进行单任务的训练，采用该任务对应的损失函数，直至收敛。

8.如权利要求1所述的方法，其特征在于，所述步骤（4）中，固定已训练完成的单任务，及主干网络中编码网络的参数，逐个训练其他分支任务；步骤（3）所选的单任务训练完成之后，固定共享编码网络以及此单任务的分支网络参数，调整学习率，逐个训练剩下任务分支网络，训练时，均采用它们对应的损失函数。