[发明专利]目标数据迁移迭代学习方法及目标数据迁移迭代学习系统

说明书

本发明提供一种目标数据迁移迭代学习方法及目标数据迁移迭代学习系统。目标数据迁移迭代学习方法包括源视图及目标视图获取、源视图分割训练、目标视图识别分割标注、目标视图分割训练、目标视图分割标注更新、第一卷积神经网络模型迭代训练以及第二卷积神经网络模型迭代训练等步骤。本发明实现了从单视图分割标签得到多视图分割标签的迁移，并且采用相互交替学习的方式，进一步提升了分割标签的准确性，可以使分割结果更加连续和光滑。

技术领域

本发明涉及基于人工智能方法评估膝关节功能和实现疾病诊断领域，具体地说，涉及一种目标数据迁移迭代学习方法及目标数据迁移迭代学习系统。

背景技术

膝关节的磁共振(MR)图像通常采集轴位、冠状面和矢状面，并有较大的层间距的厚层图像用于临床研究和诊断。而对MR图像进行膝关节的组织结构分割是自动化评估膝关节功能和结构的重要步骤。临床医生从三个不同的角度评估膝关节的结构，进行综合诊断，其中矢状面可用于大部分膝关节损伤的评估，轴向面和冠状面可联合用于诊断一些疾病，如冠状位可见撕裂的内侧副韧带，而轴位是观察髌骨软骨外观的最佳方位。

大多数自动实现膝关节诊断或分割的方法只关注矢状视图。这是与临床诊断不一致的评估程序，因此，有必要开发一种结合多个视图分割技术来辅助膝关节的临床评估。除此之外，分割标注很耗费人力，而目前大多数的标注都只存在于矢状位，很少有在冠状位和轴向位数据标注的，因此不能够实现利用仅有一个视图的标注信息得到三个视图的分割结果。

发明内容

本发明的目的在于，提供一种目标数据迁移迭代学习方法及目标数据迁移迭代学习系统，以解决现有人工智能方法中关注矢状视图不能结合多个视图分割技术来辅助膝关节的临床评估的技术问题，以解决目前大多数的标注都只存在于矢状位，很少有在冠状位和轴向位数据标注的，因此不能够实现利用仅有一个视图的标注信息得到三个视图的分割结果的技术问题。

为实现上述目的，本发明提供一种目标数据迁移迭代学习方法，包括如下步骤：

源视图及目标视图获取步骤，采集一源视图及目标视图，所述源视图与所述目标视图为同一部位在不同角度的三维视图图像，仅在所述源视图中对该部位的组成部件的分布区域进行分割标注作为第一源视图分割标签；

源视图分割训练步骤，基于第一卷积神经网络模型，由所述源视图作为输入，所述第一源视图分割标签作为监督信息，利用梯度下降算法进行训练；

目标视图识别分割标注步骤，采用被训练后的所述第一卷积神经网络模型对所述目标视图进行分割标注，获得第一目标视图分割标签；

目标视图分割训练步骤，基于第二卷积神经网络模型，由所述目标视图作为输入，所述第一目标视图分割标签作为监督信息，利用梯度下降算法进行训练；

目标视图分割标注更新步骤，采用被训练后的所述第二卷积神经网络模型对所述目标视图进行分割标注，获得第二目标视图分割标签；

第一卷积神经网络模型迭代训练步骤，基于被训练后的所述第一卷积神经网络模型，由所述源视图和目标视图作为输入，所述源视图标注分割标签、第二目标视图分割标签、源视图和共享的部分分割标签作为监督信息，利用梯度下降算法进行优化迭代训练；采用被迭代训练后的所述第一卷积神经网络模型对所述目标视图进行分割标注，获得第三目标视图分割标签并进行输出；以及

第二卷积神经网络模型迭代训练步骤，采用被迭代训练后的所述第二卷积神经网络模型，由目标视图作为输入，更新后的第一目标视图分割标签和共享的部分分割标签作为监督信息，利用梯度下降算法进行优化训练。

进一步地，完成一次第一卷积神经网络模型迭代训练步骤和第二神经网络模型迭代训练步骤为一个迭代周期。