[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

说明书

本发明提供了一种基于深度学习实现医学影像多任务辅助诊断的方法。即在已知病灶位置的情况下，实现对病灶的多任务辅助诊断，例如：病灶区域的分类、分割、长短经回归等。其主要步骤包括：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；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；调整学习策略，选择某一单任务进行训练，直至收敛；固定已训练完成的单任务及主干编码网络参数，逐个训练其他分支任务。本发明能解决医疗图像算法功能单一问题，用单模型单输入同时实现病灶的多任务辅助诊断。另外，训练时不同任务共享特征提取过程中的编码网络，相辅相成，在不同的分支任务上均实现不低于甚至超越单任务的性能。

技术领域

本发明涉及医学影像计算机辅助诊断技术领域，尤其涉及一种基于深度学习实现医学影像多任务辅助诊断的方法。

背景技术

当前智能诊断系统中绝大多数算法模块都为单一任务模型，虽然能在一定程度上为医生提供辅助信息，但是对于复杂的医疗病情，单任务模块为医生提供的少量信息显然是不够的。而开发多个模块去协同合作为医生提供多方面的辅助信息虽然在一定程度上能给予医生更多有用的信息，然而面对不同模块之间开发往往是相对独立的，这就带来了诸多问题。首先是开发成本过高，多个模块独立开发，其成本就是单模块的数倍；此外，若给到医生的不同任务的辅助诊断系统来自不同的出处，而无法整合到一起。那么医生在使用辅助诊断系统过程中会花费更多的时间，大大削弱辅助诊断是为医生提供便利的这一优势。在现实医疗诊断过程中，医生在观察病人医疗影像时通常需要从多个角度去查看和分析影像中所表现的情况，而这些情况往往又是相互关联发生的。

近两年随着深度学习图像算法的进一步发展，多任务学习成为其研究的重要方向之一。不同任务之间存在某种关联，那么多个任务之间就可以共享一些特征提取的过程，它们可以在学习训练中，共享它们所学到的信息，这是单任务学习所不具备的。相关联的多任务学习比单任务学习能取得更好的泛化效果。本发明正是利用了这一特点，发明了一种基于深度学习实现医学影像多任务辅助诊断的方法。即将深度学习中的多任务学习用在医疗影像辅助诊断中，为医生诊断提供更多、更可靠的信息，方便医生更好的从定位、定量、定性多角度的分析病情。

发明内容

本发明的目的在于，提供一种基于深度学习实现医学影像多任务辅助诊断的方法，旨在解决一般医疗影像辅助诊断系统功能单一，往往只能从一个方面为医生的诊断提供辅助信息的问题。即采用多标签多任务的训练方法，用深度学习算法训练单数据输入多任务输出的模型，实现对医疗影像多任务辅助诊断功能（包括分割、分类、回归等），能够为医生的诊断多方位提供更全面的辅助信息。

为实现上述目的，本发明所提供的技术方案为：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，构建对应的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同时多任务模型初步训练；（3）调整学习策略，选择某一单任务进行训练，直至收敛；（4）固定已训练完成的单任务，及主干网络编码中的网络参数，逐个训练其他分支任务。

进一步地，所述（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，截取方式为略大于病灶区域的矩形（2D数据）或者立方体（3D数据）数据块，并对数据做归一化处理。

进一步地，所述（1）中，构建对应的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，制定不同任务评判及记标签金标准，并对病灶数据块进行记标签处理；所制定的标准和数据记标签的结果，均需得到多位该医学领域多为资深主治医生的认可。另外，对收集好的多标签的数据块进行定量定性统计，按一定比例选取训练集。根据训练集的数据分布情况，做一定的数据处理；若出现样本类别分布不均匀，则对较少样本类别的数据进行一些数据增广处理。