[发明专利]基于深度迁移的医疗影像异常检测装置

说明书

本发明公开了一种基于深度迁移的医疗影像异常检测装置，包括计算机存储器、计算机处理器以及计算机程序，所述计算机存储器中存有医疗影像异常检测模型，所述计算机处理器执行所述计算机程序时实现以下步骤：将待测试的医疗图像进行去噪、锐化处理，获得医疗输入图像；将医疗输入图像输入至医疗影像异常检测模型中，经计算输出至检测结果；其中，医疗影像异常检测模型是利用训练样本对由特征提取单元、注意力单元以及分类单元组成的医疗影像异常检测网络进行训练得到。该医疗影像异常检测装置能够快速地检测医疗影像的异常。

技术领域

本发明属于医疗影像异常检测领域，具体涉及一种基于深度迁移的医疗影像异常检测装置。

背景技术

医疗影像的异常检测，如骨骼肌X光片的异常检测，具有重要的临床应用价值。首先，异常检测检测模型可以用于工作列表的优先级排序，通过将检测到的异常在图像解释过程中前置，让严重的患者得到更快的诊断和治疗。此外，自动异常检测可以帮助缓解放射科医生的疲劳，一项研究表明放射科医生在当天工作即将结束时，骨折检测的效率与工作开始时有显著的下降。一个可以进行异常检测的模型可以对待检测医疗影像进行重要程度排序，将那些最有可能被检测为病患的患者影像优先提供给临床医生，从而帮助医生提高阅片效率和质量。目前利用人工智能帮助医生进行异常检测任务的方法主要根据医疗影像基于深度学习进行建模，也成为了人工智能在医疗领域中的研究热点。利用深度学习进行医疗影像异常预测的难点在于：一是如何提取有效的医疗影像特征；二是对于某些不常见的疾病，存在医疗影像数据不足的问题，无法构建有效的检测模型，直接影响检测效果，如何减少这方面的障碍。

为了提取有效的医疗影像特征，目前最主要的方法包括传统的图像处理技术，以及深度模型提取。前者包括基于边界利用形状的外部边缘、基于区域利用形状的全部区域以及纹理特征。后者直接将医疗影像输入到深度模型中进行特征提取从而进行直接检测或作为检测模型的特征。随着基于卷积神经网络(CNN)的深度模型的不断发展，利用深度模型进行特征提取的性能往往优于传统图像特征。Arevalo等人提出来乳腺癌诊断的特征学习框架，采用CNN自动学习区分性特征，对乳房X线照片病变分类；上海大学Zhang等人构建波尔兹曼机和RBM构建深度模型对剪切波弹性图像提取特征，实现了更好的良恶性肿瘤分类性能；Spampinato等人应用深度CNN评估骨骼骨龄。还有一些方法将CNN与循环神经网络(RNN)结合，如Gao等人利用CNN提取裂隙灯图像中的底层局部特征信息，结合RNN提取高层特征，从而对核性白内障进行分级。以上方法主要基于CNN或RNN结构的深度模型对不同医疗影像进行特征提取，在各自临床领域取得了一定效果。

另外，为了解决某些不常见疾病数据量少且专家标注成本昂贵的问题，迁移学习被引入到医疗影像检测中。基于迁移学习的医疗影像检测方法主要可以分为两种策略，一种使用预训练网络作为特征提取器。研究发现，尽管医疗图像与自然图像有非常大差异，但是用ImageNet训练好的网络模型仍能用于医疗图像识别，如Bar等人将预训练模型用语胸部病理学识别特征生成器；Ginneken等人将CNN特征与手工特征结合提高结节检测系统性能。第二种是使用目标医疗数据微调预训练网络，利用任务相关的数量有限的标注数据集以监督方式对网络参数进行微调，调整网络的几层或全部参数，如Ciompi等人采用ImageNet预先训练的卷机卷机神经网络，用少量标记的CT数据进行有监督地微调网络，可自动检测肺周围的结节。

总的来说，目前的医疗影像异常检测算法存在以下几个问题：在对医疗影像的异常检测过程中，如何提取关键特征，从而帮助对异常检测问题的解决；迁移学习可以应用于医疗影像的异常检测，如何使得迁移学习算法充分利用常见病症影像的有用信息，从而提升对不常见疾病的检测性能。

发明内容

鉴于上述，本发明提供了一种基于深度迁移的医疗影像异常检测装置，该医疗影像异常检测装置能够快速地检测医疗影像的异常。

本发明的技术方案为：