[发明专利]一种基于小样本学习的肺部CT影像特征检测系统

说明书

本发明公开了一种基于小样本学习的肺部CT影像特征检测系统，包括：肺部CT影像预处理模块，用于对肺部CT影像进行预处理并创建训练集；原型网络构建与训练模块，用于构建原型网络，训练得到模型；肺部CT影像支持集预处理模块，用于获取需要诊断的肺部疾病的CT影像支持集并进行预处理；类别原型训练模块，用于将肺部CT影像支持集预处理模块构建的支持集输入模型，得到类别原型；肺部疾病诊断模块，输入待检测病人的肺部CT影像数据，得到诊断结果。本发明将小样本学习应用于肺部CT特征检测过程中，实现肺部疾病的判别工作，辅助医生临床诊断，有着较好的研究意义和使用价值。

技术领域

本发明涉及CT影像特征检测和小样本学习的技术领域，尤其是指一种基于 小样本学习的肺部CT影像特征检测系统。

背景技术

近年来，随着CT影像智能化检测技术的高速发展，人工智能在CT影像检 测中的作用逐渐凸显，对人工智能检测技术在复杂肺部CT影像中的辨别提出了 更高的要求，同时肺部CT影像智能化检测在临床使用中的需求与日俱。

人工智能方法在CT影像处理中的使用极其广泛，包括图像分割、配准、融 合、压缩、重建等多个方面。采用的方法也具有多样性，如基于蚁群算法、粒 子群算法、人工神经网络算法、进化算法等。当前，深度学习的方法的有效性 领先于其它方法，临床检测中广泛使用的人工智能检测系统都是采用深度学习 的方法。

目前，科研人员已经提出了许多肺部CT影像检测方法，但依然存在下列问 题：

1)肺部CT影像辨别分类误差大，假阳性较多。

2)在标注数据比较少的情况下，传统深度学习的应用和效果会受到限制。

3)传统深度学习方法已有训练成果较难迁移。

小样本学习(Few-shot Learning)是机器学习的一个分支，是元学习(MetaLearning)的应用。原型网络模型在已有的训练成果基础上，针对新的分类需要， 用少量的支持集就能学习新的分类。在小样本学习中，原型网络结构因为采用 了基于度量的元学习方法，解决了因为数据过少产生的过拟合现象，具有较强 的鲁棒性。此方法中，将样本投影到一个度量空间，在这个空间中相同类别的 样本距离近，不同的样本之间距离远。只需给出每个新类的少量样本，原型网 络分类器就可以推广到训练集中没有出现过的新分类，所以在数据较少的情况 下，依旧可以保证分类效果，符合肺部CT影像特征检测的实际需求。

发明内容

本发明的目的在于解决肺部CT特征检测过程中收集的数据集不足的缺点， 根据小样本学习的特点，采取原型网络(Prototypical Networks)，提出了一种基 于小样本学习的肺部CT影像特征检测系统，将小样本学习应用于肺部CT特征 检测过程中，实现肺部疾病的判别工作，辅助医生临床诊断，有着较好的研究 意义和使用价值。

为实现上述目的，本发明所提供的技术方案为：一种基于小样本学习的肺 部CT影像特征检测系统，包括：

肺部CT影像预处理模块，用于对肺部CT影像进行预处理并创建训练集；

原型网络构建与训练模块，用于构建原型网络，训练得到模型；

肺部CT影像支持集预处理模块，用于获取需要诊断的肺部疾病的CT影像 支持集并进行预处理；

类别原型训练模块，用于将肺部CT影像支持集预处理模块构建的支持集输 入模型，得到类别原型；

肺部疾病诊断模块，输入待检测病人的肺部CT影像数据，得到诊断结果。

进一步，所述肺部CT影像预处理模块包括图像标准化模块、像素归一化模 块、图像标签化模块，其中：