[发明专利]假阳性过滤方法、电子装置及计算机可读存储介质

说明书

本发明涉及人工智能技术领域，揭露了一种假阳性过滤方法，该方法包括：通过深度神经网络模型处理待检测图像，定位出正常区域和被怀疑区域；从模型输出的所述正常区域中采用预设规则确定出初始正常区域；采用相似度测度算法分别计算所述初始正常区域间的类内距和所述被怀疑区域与所述初始正常区域间的类间距；根据所述类内距和类间距计算所述被怀疑区域为正常区域的概率；根据所计算出的概率和选定的阈值过滤出假阳性区域。本发明还提供一种电子装置及计算机可读存储介质。本发明能够利用数据本身的类内和类间差异，通过对比同一待检测图像中正常区域与被怀疑区域间的相似性来区分真假阳性区域，从而对网络学习方式进行补充和优化。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种假阳性过滤方法、电子装置及计算机可读存储介质。

背景技术

随着高性能计算的产生和信息计算的飞速发展，人工智能技术的研究与应用已成为当前学术界和工业界的一个热点，并已成功应用于医疗健康等领域。在医疗健康领域，由于超过90％的医疗数据是来自于医学影像，因此，基于人工智能技术在医学影像领域的应用就具有很多种可能，例如图像分析与病变检查、疾病防治、智能治疗规划与预测等。当然，技术的发展难免会遇到一些痛点问题，而假阳性则是人工智能病灶检测技术的一个普遍痛点。

现有的压制假阳性的方法主要分两类：基于规则的方法或基于网络学习的方法。这两类方法互有优劣：基于规则的方法需要人为归纳有效规则，针对性和可解释性强，但无法根据数据的变化自动归纳。而基于网络学习的方法可以根据数据自我归纳，在训练数据完备的情况下，是简单有效的解决方案。但是在病灶检测的应用中，真阳性(病灶)形态、灰度、纹理千变万化，假阳性则根据网络输入结果不断变化。因此，真假阳性都无法获得完备的训练集。特别是在训练样本和测试样本图像性质不同的情况下，区分真假阳性会出现偏差。

在现实医生阅片过程中，即使图像特性有变化，医生依然能迅速分辨假阳性。究其原因，医生是以同一个序列(case)或单张(slice)图像的被怀疑区域与正常区域的相似性，来判断被怀疑区域是否是真阳性。例如，一个被怀疑区域如果与正常的脑实质十分相似的话，那么这个区域大概率为假阳性。在此基础上，通过模拟医生的上述对比阅片的思路，可以提出一种有效的区分真假阳性的技术。

发明内容

有鉴于此，本发明提出一种假阳性过滤方法、电子装置及计算机可读存储介质，以解决至少一个上述技术问题。

首先，为实现上述目的，本发明提出一种假阳性过滤方法，该方法包括步骤：

通过深度神经网络模型处理待检测图像，定位出正常区域和被怀疑区域；

从模型输出的所述正常区域中采用预设规则确定出初始正常区域；

采用相似度测度算法分别计算所述初始正常区域间的类内距和所述被怀疑区域与所述初始正常区域间的类间距；

根据所述类内距和类间距计算所述被怀疑区域为正常区域的概率；及

根据所计算出的概率和选定的阈值过滤出假阳性区域。

可选地，该方法在计算所述类内距和类间距之前还包括步骤：

通过对比多种备选的相似度测度算法，选取使所述初始正常区域类内距最小的相似性测度方法作为最佳的相似度测度算法，并在所述计算所述初始正常区域间的类内距和所述被怀疑区域与所述初始正常区域间的类间距的步骤中采用所述最佳的相似度测度算法。

可选地，所述待检测图像为待进行假阳性过滤的序列图像或单张图像。

可选地，所述类内距为同一序列图像或单张图像中每两个所述初始正常区域之间的距离；所述类间距为同一序列图像或单张图像中每个所述被怀疑区域与每个所述初始正常区域间之间的距离。

可选地，所述从模型输出的所述正常区域中采用预设规则确定出初始正常区域的步骤包括：