[发明专利]一种三维医学影像无监督特征抽取系统

说明书

本发明公开了一种三维医学影像无监督特征抽取系统，包括以下步骤：步骤一、获取CT图像数据集，将包含预测目标的3D图像数据分解为不同视角的2D视图；步骤二、构建基于多视图对比学习的无监督特征提取模型，将2D视图数据进行特征提取，生成与每个视图对应的特征；每个视图构建一个独立的网络结构，所述特征提取模型中的每个网络结构都由一个编码器和一个映射头组成；计算视图相似度；步骤三、对提取的特征进行融合并分类预测：从编码器中提取表征进行特征融合，将融合表征输入到分类器中，输入表征的维度，得到良恶性结节的概率。本发明的优点在于：能够提高表征学习质量，提高目标获取准确性。

技术领域

本发明涉及医学图像特征提取技术领域，具体地说是一种三维医学影像无监督特征抽取系统。

背景技术

随着科学的发展和技术的进步，3D医学影像的计算机辅助诊断技术已经取得了一定成就，例如基于CT(Computed Tomography)、MRI(Magnetic Resonance Imaging)等影像的疾病检测和诊断系统。但是在深度学习领域仍存在诸多挑战，高质量的标注医学数据较少，在训练过程中极易引起模型的过拟合；同时如何充分利用3D医学影像的3D信息仍是一个难点，一方面3D神经网络参数众多，需要消耗大量的计算资源和计算时间，另一方面2D切片信息量不足，不能全面表示目标的3D特征。大多数深度学习模型都是直接标注信息训练模型，无法避免上述问题，从而导致预测效果不佳。

在医学上，早期肺癌主要表现为孤立性肺小结节，肺癌治疗的关键就在于肺结节的诊断，虽然其检出率逐年提高，但是假阳性率仍然较高，导致目前肺结节良恶性诊断仍存在困难，微小结节的诊断更具挑战。当前，肺结节诊断的最好方式就是通过低剂量螺旋CT扫描。研究发现，低剂量螺旋CT与常规剂量CT相比，对肺内小结节的检出率同时有较高的敏感度，同时降低了患者接受的放射剂量，因此，低剂量螺旋CT是最常用的肺癌筛查和早期诊断的工具。医生在进行肺结节诊断时，通常需要逐一观察上百张CT影像，并根据医生的临床经验做出最终的诊断结果。对于每位放射科医生，每天都要诊断大量的病例，诊断过程不仅工作量巨大，耗时耗力，同时还需要医生有丰富的临床经验，诊断结果存在一定的主观性，这对一些低年资医生是一种巨大的考验。因此，为了提高肺结节诊断效率并降低误诊率，通过结合人工智能技术和医学诊断知识，实现基于低剂量螺旋CT扫描的计算机辅助诊断技术(CAD)成为了一种进行肺癌早期筛查的可靠且高效的手段。

随着深度学习在医学影像分析中的应用，现有技术中提出了一个3D DPN来学习结节的特征，并采用梯度提升机(GBM)进行结节分类。尽管基于CNN的良恶性结节分类模型的性能已经超过了基于人工特征的方法，但是和在自然图像数据集ImageNet上的性能相比，CNN还没有在医学图像上充分展示其分类能力，很重要的原因在于缺少高质量标注的医学影像数据集，这与获取图像数据和图像注释所需的工作有关。当前许多研究工作致力于解决该问题，包括数据增强、深度集成学习、将传统浅层模型与深层模型相结合等，尽管取得了一定的性能提升，但这些方法仍然依赖于训练数据量。由于医学图像标注需要很强的专业知识，3D病灶的标注复杂且困难，并且并不是所有的标注图像都可用，因此如何使用少量的标注图像实现较高的良恶性结节分类性能是一个巨大的挑战。

发明内容

本发明之目的是弥补上述之不足，向社会公开能够提高表征学习质量，提高目标获取准确性的一种三维医学影像无监督特征抽取系统。

本发明的技术方案是这样实现的：

一种三维医学影像无监督特征抽取系统，包括以下步骤：

步骤一、获取CT图像数据集，将包含预测目标的3D图像数据分解为不同视角的2D视图，分解后的视图用于无监督表征抽取；

步骤二、构建基于多视图对比学习的无监督特征提取模型，将2D视图数据进行特征提取，生成与每个视图对应的特征；每个视图构建一个独立的网络结构，所述特征提取模型中的每个网络结构都由一个编码器和一个映射头组成；将同一感兴趣区域的不同视图组成正样本对，不同区域的视图视为负样本对，计算视图相似度；