一种基于串行双任务网络的病灶区检测方法及系统技术方案

本发明专利技术公开一种基于串行双任务网络的病灶区检测方法，涉及医学影像技术领域，包括训练部分和检测部分；在训练部分首先收集病灶区样本，并人工标记样本的真正病灶区，随后检测网络学习真正病灶区的特点后对样本进行预检测，并标记病灶候选区，多次训练构建新的检测网络，最后，利用筛选网络学习真正病灶区样本与病灶候选区样本的特点，找到两者的相似性关系，根据人工标记结果输出相应的检测结果，多次训练构建新的筛选网络；在检测部分，则直接利用构建完成的检测网络和筛选网络输出检测结果。本发明专利技术还公开一种病灶区检测系统，与上述病灶区检测方法相结合，均可高效准确的检测图像病灶区，可以降低误检率。

【技术实现步骤摘要】
一种基于串行双任务网络的病灶区检测方法及系统
本专利技术涉及医学影像
，具体的说是一种基于串行双任务网络的病灶区检测方法及系统。
技术介绍
FasterR-CNN(其中R对应于“Region(区域)”)是基于深度学习R-CNN系列目标检测最好的方法。使用VOC2007+2012训练集训练，VOC2007测试集测试mAP达到73.2％，目标检测的速度可以达到每秒5帧。临床医学从古至今都是人们研究的重点和难点。在新的世纪，科技的不断进步极大地促进了临床医学的发展。近年来，国家高度重视人工智能技术的发展。人工智能与临床医学的交叉研究更是得到了国家、企业及科研机构的广泛关注。医学影像处理是该领域的一个重要研究方向，旨在研究优化的人工智能技术对医学图像进行分析来辅助临床诊断。在该技术体系下，病灶检测是分析的基础。然而，医学影像与一般的自然图像不同，病灶与其他组织通常具有较大的相似性，从而使得误检率较高。因此，如何针对现有方法误检率较高问题，设计一种低误检率的病灶区检测方法，对于降低企业成本，增强产品的竞争力具有重要的意义。
技术实现思路
本专利技术针对目前技术发展的需求和不足之处，提供一种基于串行双任务网络的病灶区检测方法及系统。本专利技术的一种基于串行双任务卷积神经网络的病灶区检测方法，解决上述技术问题采用的技术方案如下：一种基于串行双任务网络的病灶区检测方法，该检测方法由两个网络串行完成，具体包括如下步骤：S100、训练部分：S110、收集各种病的病灶区样本作为训练样本，人工标记训练样本的真正病灶区；S120、检测网络学习真正病灶区的特点，并对训练样本进行预检测，将病灶候选区检测出来，多次训练后，完成检测网络的构建；S130、将真正病灶区样本与病灶候选区样本作为样本对输入筛选网络，筛选网络用于学习检测真正病灶区样本与病灶候选区样本的相似性关系，人工标记真正病灶区样本与病灶候选区样本的特点相同时，筛选网络输出结果标记为1，人工标记真正病灶区样本与病灶候选区样本的特点不同时，筛选网络输出结果标记为0，对多个样本对进行训练后，完成筛选网络的构建；S200、检测部分：S210、将待检测样本输入构建完成的检测网络进行预检测，检测网络标记待检测样本的病灶候选区；S220、基于构建完成的筛选网络学习了真正病灶区样本的特点，还学习了真正病灶区样本与病灶候选区样本的相似性关系，将标记有病灶候选区的待检测样本输入构建完成的筛选网络进一步检测，筛选网络输出检测结果1或0。可选的，所涉及训练样本包括肺部病灶区样本、乳腺病灶区样本、甲状腺病灶区样本、子宫病灶区样本、脑部病灶区五类样本，每类样本的数量不低于2万份，每类样本分别进行训练。可选的，所涉及检测网络基于PVAnet检测框架，PVAnet检测框架是对Faster-rcnn改进的目标检测模型，引入了C.ReLU、Inc，eption、HyperNet以及residual模块，用于提高检测精度和检测速度。可选的，所涉及筛选网络利用全连接网络，具有两个输入端，在训练部分，人工标记真正病灶区样本与病灶候选区样本分别输入全卷积神经网络，完成检测。可选的，在训练部分，构建筛选网络的具体步骤包括：S131、对人工标记的真正病灶区样本与检测网络标记的病灶候选区样本分别进行编码，且属于同一个病灶区样本的真正病灶区样本、病灶候选区样本具有相同的编码；S132、将具有相同编码的真正病灶区样本和病灶候选区样本称为真样本对，将具有不同编码的任一真正病灶区样本和任一病灶候选区样本称为伪样本对；S133、将真样本对输入筛选网络，筛选网络学习检测真样本对的异同点，学习多个真样本对的异同点后，得出真样本对的相似性关系，并将筛选网络的输出结果标记为1；S134、将伪样本对输入筛选网络，筛选网络学习检测伪样本对的异同点，得出伪样本对的相似性关系，随后，根据已得出真样本对的相似性关系，通过排除法或重叠法对真样本对的相似性关系进行优化，并将筛选网络的输出结果标记为0；S135、完成筛选网络的构建。基于上述检测方法，本专利技术还提供一种基于串行双任务网络的病灶区检测系统，该系统包括训练部分和检测部分。训练部分包括：收集模块，用于收集各种病的病灶区样本作为训练样本；标记模块，用于人工标记训练样本的真正病灶区；训练构建模块一，用于学习真正病灶区的特点，并对训练样本进行预检测，多次预检测得出训练样本的病灶候选区，完成检测网络模型的构建；训练构建模块二，用于对真正病灶区样本和病灶候选区样本构成的样本对进行多次训练，得出真正病灶区样本和病灶候选区样本的相似性关系，随后，在同属一个训练样本的真正病灶区样本和病灶候选区样本构成样本对时，将输出的检测结果标记为1，在不属于同一个训练样本的真正病灶区样本和病灶候选区样本构成样本对时，将输出的检测结果标记为0，多次学习、标记后，完成筛选网络模型的构建。检测部分包括：检测网络模型，用于对待检样本进行预检测，并标记待检样本的病灶候选区；筛选网络模型，用于检测待检样本的病灶候选区，基于真正病灶区样本具有的特点、以及真正病灶区样本和病灶候选区样本应该满足的相似性关系，输出待检样本的检测结果1或0。可选的，所涉及训练样本包括肺部病灶区样本、乳腺病灶区样本、甲状腺病灶区样本、子宫病灶区样本、脑部病灶区五类样本，人工对这五类样本进行分类，每类样本的数量不低于2万份，每类样本分别进行训练。可选的，所涉及训练部分包括学习模块，用于学习不同类病灶区样本的特点，并将同类病灶区样本输送至标记模块；所述检测部分包括分类模块，用于根据病灶区样本的特点对待检样本进行分类，且同类样本同时传送至检测网络模型，一次只有一个样本类传送至检测网络模型。可选的，所涉及检测网络模型基于PVAnet检测框架，PVAnet检测框架是对Faster-rcnn改进的目标检测模型，引入了C.ReLU、Inc，eption、HyperNet以及residual模块，用于提高检测精度和检测速度；所述筛选网络模型利用全连接网络，具有两个输入端，在训练部分，人工标记真正病灶区样本与病灶候选区样本分别输入全卷积神经网络，完成检测。可选的，所涉及训练构建模块二具体包括：编码单元，用于对人工标记的真正病灶区样本与检测网络标记的病灶候选区样本分别进行编码，且属于同一个病灶区样本的真正病灶区样本、病灶候选区样本具有相同的编码；构造单元，用于将具有同样编码的真正病灶区样本和病灶候选区样本构造为真样本对，将具有不同编码的真正病灶区样本和病灶候选区样本构造为伪样本对；学习训练单元一，用于学习真样本对的异同点，学习多个真样本对的异同点后，训练得出真样本对的相似性关系；学习训练单元一，用于学习伪样本对的异同点，学习多个伪样本对的异同点后，训练得出伪样本对的相似性关系；优化构建单元，用于根据伪样本对的相似性关系优化真样本对的相似性关系，并对真样本对的检测结果输出1，对伪样本对的检测结果输出0，完成筛选网络模型的构建。本专利技术的一种基于串行双任务网络的病灶区检测方法及系统，与现有技术相比具有的有益效果是：1)本专利技术的病灶区检测方法包括训练部分和检测部分；在训练部分首先需要收集病灶区样本，并人工标记样本的真正病灶区，随后检测网络学习真正病灶区的特点后对样本进行预检测，并标记病灶候本文档来自技高网...

【技术保护点】
1.一种基于串行双任务网络的病灶区检测方法，其特征在于,该检测方法由两个网络串行完成，具体包括如下步骤：S100、训练部分：S110、收集各种病的病灶区样本作为训练样本，人工标记训练样本的真正病灶区；S120、检测网络学习真正病灶区的特点，并对训练样本进行预检测，将病灶候选区检测出来，多次训练后，完成检测网络的构建；S130、将真正病灶区样本与病灶候选区样本作为样本对输入筛选网络，筛选网络用于学习检测真正病灶区样本与病灶候选区样本的相似性关系，人工标记真正病灶区样本与病灶候选区样本的特点相同时，筛选网络输出结果标记为1，人工标记真正病灶区样本与病灶候选区样本的特点不同时，筛选网络输出结果标记为0，对多个样本对进行训练后，完成筛选网络的构建；S200、检测部分：S210、将待检测样本输入构建完成的检测网络进行预检测，检测网络标记待检测样本的病灶候选区；S220、基于构建完成的筛选网络学习了真正病灶区样本的特点，还学习了真正病灶区样本与病灶候选区样本的相似性关系，将标记有病灶候选区的待检测样本输入构建完成的筛选网络进一步检测，筛选网络输出检测结果1或0。

【技术特征摘要】
1.一种基于串行双任务网络的病灶区检测方法，其特征在于,该检测方法由两个网络串行完成，具体包括如下步骤：S100、训练部分：S110、收集各种病的病灶区样本作为训练样本，人工标记训练样本的真正病灶区；S120、检测网络学习真正病灶区的特点，并对训练样本进行预检测，将病灶候选区检测出来，多次训练后，完成检测网络的构建；S130、将真正病灶区样本与病灶候选区样本作为样本对输入筛选网络，筛选网络用于学习检测真正病灶区样本与病灶候选区样本的相似性关系，人工标记真正病灶区样本与病灶候选区样本的特点相同时，筛选网络输出结果标记为1，人工标记真正病灶区样本与病灶候选区样本的特点不同时，筛选网络输出结果标记为0，对多个样本对进行训练后，完成筛选网络的构建；S200、检测部分：S210、将待检测样本输入构建完成的检测网络进行预检测，检测网络标记待检测样本的病灶候选区；S220、基于构建完成的筛选网络学习了真正病灶区样本的特点，还学习了真正病灶区样本与病灶候选区样本的相似性关系，将标记有病灶候选区的待检测样本输入构建完成的筛选网络进一步检测，筛选网络输出检测结果1或0。2.根据权利要求1所述的一种基于串行双任务网络的病灶区检测方法，其特征在于，所述训练样本包括肺部病灶区样本、乳腺病灶区样本、甲状腺病灶区样本、子宫病灶区样本、脑部病灶区五类样本，每类样本的数量不低于2万份，每类样本分别进行训练。3.根据权利要求1所述的一种基于串行双任务网络的病灶区检测方法，其特征在于，所述检测网络基于PVAnet检测框架，PVAnet检测框架是对Faster-rcnn改进的目标检测模型，引入了C.ReLU、Inc，eption、HyperNet以及residual模块，用于提高检测精度和检测速度。4.根据权利要求3所述的一种基于串行双任务网络的病灶区检测方法，其特征在于，所述筛选网络利用全连接网络，具有两个输入端，在训练部分，人工标记真正病灶区样本与病灶候选区样本分别输入全卷积神经网络，完成检测。5.根据权利要求1所述的一种基于串行双任务网络的病灶区检测方法，其特征在于，在训练部分，构建筛选网络的具体步骤包括：S131、对人工标记的真正病灶区样本与检测网络标记的病灶候选区样本分别进行编码，且属于同一个病灶区样本的真正病灶区样本、病灶候选区样本具有相同的编码；S132、将具有相同编码的真正病灶区样本和病灶候选区样本称为真样本对，将具有不同编码的任一真正病灶区样本和任一病灶候选区样本称为伪样本对；S133、将真样本对输入筛选网络，筛选网络学习检测真样本对的异同点，学习多个真样本对的异同点后，得出真样本对的相似性关系，并将筛选网络的输出结果标记为1；S134、将伪样本对输入筛选网络，筛选网络学习检测伪样本对的异同点，得出伪样本对的相似性关系，随后，根据已得出真样本对的相似性关系，通过排除法或重叠法对真样本对的相似性关系进行优化，并将筛选网络的输出结果标记为0；S135、完成筛选网络的构建。6.一种基于串行双任务网络的病灶区检测系统，其特征在于，该系统包括训练部分和检测部分；所...

【专利技术属性】
技术研发人员：袭肖明，于治楼，
申请(专利权)人：济南浪潮高新科技投资发展有限公司，
类型：发明
国别省市：山东,37