[发明专利]一种基于CT切片的多模型假阳衰减的疾病分类方法及装置

说明书

本发明公开了一种基于CT切片的多模型假阳衰减的疾病分类方法及装置，所述方法包括：S1.一次筛查模型自动对输入的CT序列图像进行处理，即用卷积神经网络对所述CT序列图像进行特征提取，对疑似结节的特征区域进行分割定位，输出一次筛查模型结果；S2.将所述一次筛查结果中置信度低于最低置信度预设值的部分单独取出，得到假性数据；S3.对选取的二次筛查模型的参数进行设置，选取所用损失函数和优化器；S4.将步骤S2中所述假性数据添加标签作为训练标签，输入到选取的所述二次筛查模型进行训练，进行精准分类，得到假阳性数据和真阳性数据。

技术领域

本发明涉及人工智能领域中的深度学习与医学影像处理技术领域，尤其是涉及一种基于CT切片的多模型假阳衰减的疾病分类方法及装置。

背景技术

目前AI技术进展飞速，特别是深度学习方面的应用日新月异，比如在甲状腺筛查，肺癌拆查，等很多情况下，AI模型的表现能够达到甚至超越人类表现早已不是秘密。在医疗领域同样如此。

目前深度学习在医疗上的应用主要使用CT图片。当使用现有基于深度学习的训练模型对CT图像进行检查时，因为CT图像的分辨率相对不高，仅为数百乘以数百，这个数字虽然可以反应出人体内部疾病的很多情况，但是对比目前普通手机几百万几千万的像素效果明显不足；而且CT图像在造影时会有很多噪点。比如患者为了更好地显示身体内部某些器官的图像需要饮用的造影剂，这些不属于身体本身的东西，本质上属于噪点；另外由于机器的质量的品牌的差异，或者患者在机器上扫描时身体的不慎抖动也会使生成的CT图像有伪影之类的干扰，而这些细小的噪点或者伪影，会对图像的特征造成混淆，从而破坏最终深度学习模型的训练和使用。当人工观察CT图像进行诊断时，医师通过扫描出来的CT图片序列观察判断疾病的存在与否，这对于医师的诊断水平倚赖很大，般水平的医师的诊断可能不够准确，而高水平的医师的时间又没有太多的时间，所以往往导致看病的患者扎堆名医一票难求。

发明内容

本发明的目的在于提供一种基于CT切片的多模型假阳衰减的疾病分类方法及装置，旨在解决现有模型对有些疾病诊断不够准确的问题。

本发明提供一种基于CT切片的多模型假阳衰减的疾病分类方法，包括：

S1.将CT序列图像输入一次筛查模型，通过所述一次筛查模型自动对所述CT序列图像进行处理，即使用卷积神经网络对所述CT序列图像进行特征提取，对疑似结节的特征区域进行分割定位，输出一次筛查模型结果；

S2.将所述一次筛查结果中置信度低于最低置信度预设值的部分单独取出，得到假性数据；

S3.选取二次筛查模型，并对选取的二次筛查模型的参数进行设置，选取所用损失函数和优化器；

S4.将步骤S2中所述假性数据添加所述二次筛查模型的标签作为训练标签，输入到选取的所述二次筛查模型进行训练，进行精准分类，得到假阳性数据和真阳性数据。

本发明提供一种基于CT切片的多模型假阳衰减的疾病分类装置，包括：

一次筛查模块：用于将CT序列图像输入一次筛查模型，通过所述一次筛查模型自动对所述CT序列图像进行处理，即使用卷积神经网络对所述CT序列图像进行特征提取，对疑似结节的特征区域进行分割定位，输出一次筛查模型结果；

假阳数据选取模块：用于将所述一次筛查结果中置信度低于最低置信度预设值的部分单独取出，得到假性数据。

参数设置模块：用于对选取的二次筛查模型的参数进行设置，选取所用损失函数和优化器。

二次筛查模块：用于将步骤S2中所述假性数据添加所述二次筛查模型的标签作为训练标签，输入到选取的所述二次筛查模型进行训练，进行精准分类，得到假阳性数据和真阳性数据。