技术摘要：
本发明属于医学图像处理和深度学习领域，具体涉及一种基于主动筛选的半监督病灶检测网络的病灶检测系统、方法、装置，旨在解决现有的病灶检测网络训练难度大、检测精度较低的问题。本系统包括：检测模块，配置为获取待检测的CT图像，通过预训练的病灶检测网络获取病灶  全部
背景技术：
虽然卷积神经网络被视为现代医学图像分析领域的重要工具之一，并且已经被多 次成功应用于各种辅助医疗案例。然而，与一般的二维目标检测问题相比，基于CT图像的病 灶检测是一个更难的三维目标检测问题。由于GPU内存有限，将二维目标检测方法直接推广 到三维案例中存在巨大挑战。首先，标记3D数据通常比标记2D数据困难的多，这可能会导致 深度学习模型由于过度拟合而失败。其次，人眼难以精确区分病灶目标与正常组织在CT图 像中的准确位置，即使是经验丰富的专家也无法正确地标记大量CT图像。这导致CT图像检 测在生成训练数据集的阶段就容易引入噪声。 通过对深度学习方法在多个医学领域(包括:神经、视网膜、肺、数字病理学、乳腺、 心脏、腹部和肌肉骨骼等)的CT图像分类、目标检测、分割、配准等任务的详细调查，发现影 响卷积神经网络对医学CT图像分析性能的主要因素可以归纳为三方面：(1)医疗图像缺少 大量带标记的数据；(2)使用CNN训练医学图像，计算资源要求很高；(3)正负样本的不平衡 导致网络容易过拟合。 因此，本发明提出了一种基于主动筛选的半监督病灶检测网络的病灶检测系统、 方法、装置。
技术实现要素：
为了解决现有技术中的上述问题，即为了解决现有的基于CT图像的病灶检测由于 标记的数据样本较少、人工标记样本误差大导致检测网络训练难度大、检测精度较低的问 题，本发明第一方面，提出了一种基于主动筛选的半监督病灶检测网络的病灶检测系统，该 系统包括检测模块； 所述检测模块，配置为获取待检测的CT图像，通过预训练的病灶检测网络获取病 灶的检测结果；所述病灶检测网络基于U-Net卷积神经网络构建，其训练方法为： 步骤A100，获取无标记的CT图像样本集，并将该样本集的各图像进行分割；通过图 像分类网络获取分割后各部分对应的预测值； 步骤A200，基于所述预测值，通过预设的第一方法计算各CT图像的得分值，并进行 降序排序；排序后，选取前N张图像构建第一样本集； 步骤A300，随机选取所述第一样本集中的一张图像进行标记；通过病灶检测网络 获取所述第一样本集中已标记CT图像与无标记的CT图像的变形关系，并结合该样本集中无 标记的CT图像，构建空间转换模型； 步骤A400，通过所述病灶检测网络获取所述第一样本集中已标记CT图像与无标记 的CT图像的基于体素的增量关系，并结合该样本集中无标记的CT图像，构建外观转换模型； 5 CN 111612770 A 说　明　书 2/9 页 步骤A500，基于所述空间转换模型、所述外观转换模型对第一样本集中无标记的 CT图像进行合成，得到标记的CT图像，并构建第二样本集； 步骤A600，基于所述第二样本集中的CT图像，对所述病灶检测网络进行训练，直至 达到预设的训练精度阈值。 在一些优选的实施方式中，步骤A100中“通过预设的第一方法计算各CT图像的得 分值”，其方法为： 基于所述预测值获取各CT图像分割后各图像块的信息熵； 基于所述预测值获取各CT图像分割后各图像块之间的差异性度量值； 对各CT图像的各图像块对应的信息熵、差异性度量值进行加权求和，得到各CT图 像的得分值。 在一些优选的实施方式中，“基于预测值获取各CT图像分割后各图像块的信息 熵”，其方法为： 其中，ei表示各图像块的信息熵， 表示第k个CT图像中第i个图像块对应的预测 值，n表示CT图像被分割的块数，k、i为自然数，表示下标、上标。 在一些优选的实施方式中，“基于所述预测值获取各CT图像分割后各图像块之间 的差异性度量值”，其方法为； 其中，di表示各图像块之间的差异性度量值， 表示第k个CT图像中第j、l个 图像块对应的预测值。 在一些优选的实施方式中，步骤A300中“通过病灶检测网络获取所述第一样本集 中已标记CT图像与无标记的CT图像的变形关系，并结合该样本集中无标记的CT图像，构建 空间转换模型”，其方法为： Θi＝gθ(x，yi) 其中，x表示已标记的CT图像，Θi表示变形关系，yi表示无标记的CT图像，gθ表示变 形关系函数，τs(x)表示空间转换模型，i表示下标。 在一些优选的实施方式中，步骤A400中“通过所述病灶检测网络获取所述第一样 本集中已标记CT图像与无标记的CT图像的基于体素的增量关系，并结合该样本集中无标记 的CT图像，构建外观转换模型”，其方法为： τa(x)＝x Ψi 其中，Ψi表示基于体素的增量关系，τa(x)表示外观转换模型，hθ表示基于体素的 增量关系函数。 在一些优选的实施方式中，步骤A500中“基于所述空间转换模型、所述外观转换模 6 CN 111612770 A 说　明　书 3/9 页 型对第一样本集中无标记的CT图像进行合成，得到标记的CT图像”，其方法为： yi＝τs(τa(x))，ly＝τs(lx) 其中，yi是新合成的CT图像，ly是yi对应合成的病灶位置标记，lx表示x图像分割后 各图像块对应的标签。 本发明的第二方面，提出了一种基于主动筛选的半监督病灶检测网络的病灶检测 方法，该方法包括： 获取待检测的CT图像，通过预训练的病灶检测网络获取病灶的检测结果；所述病 灶检测网络基于U-Net卷积神经网络构建，其训练方法为： 步骤A100，获取无标记的CT图像样本集，并将该样本集的各图像进行分割；通过图 像分类网络获取分割后各部分对应的预测值； 步骤A200，基于所述预测值，通过预设的第一方法计算各CT图像的得分值，并进行 降序排序；排序后，选取前N张图像构建第一样本集； 步骤A300，随机选取所述第一样本集中的一张图像进行标记；通过病灶检测网络 获取所述第一样本集中已标记CT图像与无标记的CT图像的变形关系，并结合该样本集中无 标记的CT图像，构建空间转换模型； 步骤A400，通过所述病灶检测网络获取所述第一样本集中已标记CT图像与无标记 的CT图像的基于体素的增量关系，并结合该样本集中无标记的CT图像，构建外观转换模型； 步骤A500，基于所述空间转换模型、所述外观转换模型对第一样本集中无标记的 CT图像进行合成，得到标记的CT图像，并构建第二样本集； 步骤A600，基于所述第二样本集中的CT图像，对所述病灶检测网络进行训练，直至 达到预设的训练精度阈值。 本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序应用由 处理器加载并执行以实现上述的基于主动筛选的半监督病灶检测网络的病灶检测方法。 本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；处理器，适用于 执行各条程序；存储装置，适用于存储多条程序；所述程序适用于由处理器加载并执行以实 现上述的基于主动筛选的半监督病灶检测网络的病灶检测方法。 本发明的有益效果： 本发明降低了病灶检测网络的训练难度，提高了检测精度，并避免了人工标记大 量样本数据容易出错的问题。本发明通过图像分类网络计算各CT图像分割后各图像块的预 测值，计算信息熵、差异性度量值，并加权求和对无标记的CT图像进行筛选，选出对预测更 有利的数据样本子集。基于筛选后的CT图像，通过学习有标记的图像与无标记图像之间空 间和外观的转换模型，对筛选出来的CT图像进行自动标记合成，获取大量的标记数据样本， 解决了现有病灶检测网络样本不足的问题，而且保证了合成标记图像的标记质量，避免了 人工标记大量样本数据容易出错的问题。 基于合成后的标记图像对病灶检测网络进行训练，降低了网络的训练难度，并提 高了训练出的网络的精度。 同时，本发明根据降维的思路将病灶检测网络的卷积层进行分解，减少参数的运 算以提高网络训练速度。 7 CN 111612770 A 说　明　书 4/9 页 附图说明 通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他 特征、目的和优点将会变得更明显。 图1是本发明一种实施例的基于主动筛选的半监督病灶检测网络的训练过程的流 程示意图； 图2是本发明一种实施例的基于主动筛选的半监督病灶检测网络的病灶检测系统 检测肺结节的结果示意图； 图3是本发明一种实施例的基于主动筛选的半监督病灶检测网络的病灶检测系统 检测肺结节的结果示意图； 图4是是适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。