[发明专利]脑部病灶检测模型的建立方法、装置以及计算机设备

权利要求书

1.一种脑部病灶检测模型的建立方法，其特征在于，包括：

获取多个脑部CT影像样本以及与每个脑部CT影像样本对应的影像描述文本；

根据多个脑部CT影像样本生成平均脑部CT影像，并对所述平均脑部CT影像中的各区域进行分割标注；

从所述多个脑部CT影像样本中获取至少部分脑部CT影像样本，并基于所述平均脑部CT影像中各区域的分割标注，为所述至少部分脑部CT影像样本及其对应的影像描述文本标注所述至少部分脑部CT影像样本中每个区域有无病灶，得到训练集；

基于所述训练集之中的脑部CT影像样本、分割标注以及每个区域有无病灶标注，生成用于训练卷积模型的三维训练数据；

根据所述三维训练数据对所述卷积模型进行训练，并根据所述训练集之中所述至少部分脑部CT影像样本对应的影像描述文本及其标注训练自然语言处理NLP模型；

在每一次迭代中，根据所述卷积模型和所述NLP模型从剩余未标注数据集选择置信度高的数据更新至所述训练集，基于更新后的所述训练集继续对所述卷积模型和所述NLP模型进行训练；

将完成训练的卷积模型作为所述脑部病灶检测模型。

2.根据权利要求1所述的方法，其特征在于，在所述基于所述训练集之中的脑部CT影像样本、分割标注以及每个区域有无病灶标注，生成用于训练卷积模型的三维训练数据之前，所述方法还包括：

从剩余未标注数据集中选择一部分更新至候选池；

其中，所述在每一次迭代中，根据所述卷积模型和所述NLP模型从剩余未标注数据集选择置信度高的数据更新至所述训练集，基于更新后的所述训练集继续对所述卷积模型和所述NLP模型进行训练，包括：

分别利用所述卷积模型和所述NLP模型对所述候选池中的数据进行预测，分别选择每个模型预测置信度最高的数据更新至所述训练集；

返回执行所述从剩余未标注数据集中选择一部分更新至候选池的步骤。

3.根据权利要求1所述的方法，其特征在于，所述基于所述训练集之中的脑部CT影像样本、分割标注以及每个区域有无病灶标注，生成用于训练卷积模型的三维训练数据，包括：

基于所述训练集之中已有的平均脑部CT影像及其上的分割标注，由所述平均脑部CT影像三维配准到训练图像得到三维变换；

基于所述三维变换将所述平均脑部CT影像上的分割标注变换到所述训练图像上，得到所述用于训练卷积模型的三维训练数据。

4.根据权利要求1所述的方法，其特征在于，所述根据所述三维训练数据对所述卷积模型进行训练，包括：

基于多示例学习方法，根据所述三维训练数据对所述卷积模型进行训练。

5.根据权利要求1至4中任一项所述的方法，所述卷积模型由三维深度残差网络与级联U-Net网络结构构成。

6.一种脑部病灶检测模型的建立装置，其特征在于，包括：

第一获取模块，用于获取多个脑部CT影像样本以及与每个脑部CT影像样本对应的影像描述文本；

区域分割标注模块，用于根据多个脑部CT影像样本生成平均脑部CT影像，并对所述平均脑部CT影像中的各区域进行分割标注；

训练集获取模块，用于从所述多个脑部CT影像样本中获取至少部分脑部CT影像样本，并基于所述平均脑部CT影像中各区域的分割标注，为所述至少部分脑部CT影像样本及其对应的影像描述文本标注所述至少部分脑部CT影像样本中每个区域有无病灶，得到训练集；

生成模块，用于基于所述训练集之中的脑部CT影像样本、分割标注以及每个区域有无病灶标注，生成用于训练卷积模型的三维训练数据；

训练模块，用于根据所述三维训练数据对所述卷积模型进行训练，并根据所述训练集之中所述至少部分脑部CT影像样本对应的影像描述文本及其标注训练自然语言处理NLP模型；

所述训练模块，还用于在每一次迭代中，根据所述卷积模型和所述NLP模型从剩余未标注数据集选择置信度高的数据更新至所述训练集，基于更新后的所述训练集继续对所述卷积模型和所述NLP模型进行训练；

确定模块，用于将完成训练的卷积模型作为所述脑部病灶检测模型。