[发明专利]一种基于深度学习的脑胶质瘤辅助标注方法及装置

说明书

本发明提供一种基于深度学习的脑胶质瘤辅助标注装置，由于通过脑胶质瘤算法模块进行自动分割的功能，从而能够实现对脑胶质瘤数据标注的半自动化。并充分利用了网页技术端应用软件灵活、便捷、随处访问的优势，结合了神经网络生成数据的功能，从而提升了在构造数据集过程中费时费力的数据标注过程的效率。本发明的脑胶质瘤辅助标注装置源自于数据并充分利用了深度学习，以及能够反馈数据生成的特点，解决完全由人工标注带来的巨大消耗，可以通过不断循环迭代，并利用数据集训练算法，以及利用算法辅助数据集的构造的方式，从而使得数据标注变得更加高效。

技术领域

本发明属于计算机视觉、人工智能技术和医疗影像领域，涉及一种脑胶质瘤MRI图像辅助标注系统，具体涉及一种深度学习的脑肿瘤分割算法与web端数据标注工具结合的辅助标注系统。

背景技术

在当前的机器学习技术及计算机硬件性能高速提升的情况下，随着深度学习在计算机视觉领域的应用不断深入，深度学习在不同的领域起到的辅助作用越来越强。医疗影像作为当代医学进行诊疗的一个重要步骤和检查手段，对疾病的筛选、确诊以及随后的疾病治疗有着重大意义，而为了探索出更高效的影像诊疗手段并提高医疗影像的诊疗效率，让深度学习与医疗影像领域更好得结合是趋势。

人工智能中深度学习算法的快速发展除了算法和硬件的进步以外，各种优秀数据集的构建也是帮助算法快速提升的重要因素，深度学习的突破进展和数据集的不断涌现有着密不可分的联系。目前关于脑胶质瘤MRI扫描数据的数据集，无论是mnist这种来自250个不同人的手写数字的数据集，还是OASIS、CC359、LPBA40以及IBSR这些整理并提供了包含健康或者不同疾病的、各个年龄段以及不同性别人种的脑部医疗影像数据的数据集，样本总量依旧不大，样本所涵盖的扫描类别依旧有区分，而各个医疗研究机构和人工智能算法研究人员都有不同的数据问题，那么针对自身已有的数据从而构建符合自身需要的算法数据集是更加确切有效的做法。

随着人们对深度学习神经网络算法的进一步研究，FCN将端到端的方法引入了语义分割领域，在自然事物的图像分割上取得了很好的效果，Unet追寻FCN的脚步将其与生物研究的图像(细胞图像)相结合，探索出在少量数据下训练出高性能、高精确度的语义分割算法。神经网络在计算机视觉领域的语义分割任务上取得了优秀的表现，借助这些基础算法，医疗影像领域的分割相关的任务也能够取得不错的效果。脑疾病尤其是脑肿瘤疾病一直是医疗领域的重点课题，而脑部CT和MRI等医疗影像一直在脑疾病的诊断中起着重大作用，随着人工智能和医疗影像的不断结合，深度学习辅助脑扫描图像的肿瘤分割、头骨剥离、疾病分类与疾病分级等算法不断涌出。

目前被广泛使用的标注软件都是本地安装的客户端软件，如通用标注软件ImageLabel，Dicom读取标注软件MriCron等。然而对于一款软件而言，这种本地安装的客户端软件通常需要大量的访问数据，这样其便利性就不足，那么解决携带数据的问题急需解决。

人工智能的算法能够高效地解决肿瘤分割的问题，而高效又精准的分割算法需要有高质量的数据集，数据集的构建则是完全的人工手工标注，这是一个非常耗费时间精力的工作，同时由于医疗影像领域的专业性较强，很多标注任务必须由专业的有经验的医生才能完成，所以构建脑胶质瘤的分割数据集只依赖人工的标注是低效的。本发明的关注点就在于解决数据集构建过程中耗费时间较久的标注过程。

发明内容

为解决上述问题，提供一种基于深度学习的脑胶质瘤辅助标注方法及装置，本发明采用了如下技术方案：