[发明专利]一种三维知识诊断模型构建方法和系统

说明书

本发明公开了一种三维知识诊断模型构建方法和系统。该方法包括：基于已知的医学影像数据建立训练集，该训练集包括和两部分，其中X_m表示第m例医学影像数据，Y_m表示第m例医学影像数据的标签，X_i表示第i例无标签医学影像数据，M和N分别是相应样本的数目；以设定的损失函数为目标训练所构建的基于神经网络的三维知识诊断模型，其中X_m，Y_m作为该三维知识诊断模型的主分支的有监督训练的输入和标签，X_i作为该三维知识诊断模型的主分支的无监督训练的输入，作为该三维知识诊断模型的辅助分支的无监督训练的输入，是对X_i进行多种扰动后的数据。利用本发明能够对医学图像实现高效、智能诊断，用于临床指示。

技术领域

本发明涉及医学图像处理技术领域，更具体地，涉及一种三维知识诊断模型构建方法和系统。

背景技术

近年来，随着深度学习的快速发展，国内外学者通过计算机模拟医生对疾病的诊断，利用深度学习对疾病的智能诊断指标进行提取和诊断分析。目前相关的科研成果已经达到了专家水平的疾病诊断，甚至在某些方面性能优于经验丰富的临床医生。虽然基于深度学习的疾病诊断技术已经取得了很大成就，但这些基于深度学习的诊断方法依赖于大量真实标签样本的医学影像数据，而获取大量具有真实标签样本的临床医学影像数据是非常困难的。解决这种不足最常见的方法是正则化技术，L1范数是目前主流的正则化技术，这是由于其全局最优解可以有效地计算。然而，L1范数具有无偏性，无偏会阻止变量选择的一致性。为了确保变量选择的统计性能，需要强不可表示的条件。此外，由于成像设备、个体差异等原因，获取的临床医学影像数据可能会存在数据缺失等质量问题。通常通过数据清洗等手段剔除这一部分数据保证数据的规范化，这无疑浪费了大量的临床数据，也不符合真实的临床诊断情况。

经分析，现有技术的缺陷主要是：

1)、临床医学的真实标签数据量非常有限，而当维数P远大于样本量时，求解模型参数时会出现过拟合现象。为了防止过拟合，通常会采用一定的正则化手段，将参数空间限制在一定的范围内。L1范数正则化是比较常用的正则化方法。然而，L1范数正则化是无偏的，无偏性会阻止变量选择的一致性。为了确保变量选择的统计性能，需要强不可表示的条件。

2)、由于获取的数据质量问题和真实标签数据有限，导致网络模型对样本数据进行预测生成真实标准的概率值精确度不高。

3)、目前常用的网络架构都是基于二维卷积神经网络，而二维卷积神经网络没有充分利用空间信息。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种三维知识诊断模型构建方法和系统，是实现高效、智能诊断的新技术方案。

根据本发明的第一方面，提供一种三维知识诊断模型构建方法。该方法包括以下步骤：

基于已知的医学影像数据建立训练集，该训练集包括和两部分，其中X_m表示第m例医学影像数据，Y_m表示第m例医学影像数据的标签，X_i表示第i例无标签医学影像数据，M和N分别是相应样本的数目；

以设定的损失函数为目标训练所构建的基于神经网络的三维知识诊断模型，其中X_m，Y_m作为该三维知识诊断模型的主分支的有监督训练的输入和标签，X_i作为该三维知识诊断模型的主分支的无监督训练的输入，作为该三维知识诊断模型的辅助分支的无监督训练的输入，是对X_i进行多种扰动后的数据。

根据本发明的第二方面，提供一种三维知识诊断模型构建系统。该系统包括：