一种基于无监督学习的医学图像肿瘤目标检测方法

技术领域

本发明属于计算机图像处理技术领域，尤其涉及一种基于无监督学习的医学图像肿瘤目标检测方法。

背景技术

医学图像肿瘤目标检测是一种在医学图像上检测肿瘤目标并定位呈现出来的技术手段。医疗信息化的不断提升，出现了海量的医疗图像信息，单纯依靠医生的经验来判断并给出诊断已经不能满足需要。计算机图像处理技术已经日趋成熟并应用于医疗图像领域。目前，在医疗诊断实际应用中，如果要通过监督学习实现诊断模型，需要利用海量的样本数据进行训练，从数据中学习特征以提高识别的准确性。但是，样本数据的标注需要专业的医学专家的介入，并对大量的医疗资料进行精准标注，因此标注成本高且效率低。

发明内容

针对现有技术的不足，本发明提供了一种基于无监督学习的医学图像肿瘤目标检测方法，无需专家对大量的医疗资料进行精准标注，从而有效地解决了现下需要对样本数据进行精准标注，导致标注成本高、效率低的问题。

为了达到上述目的，本发明的技术方案是：

一种基于无监督学习的医学图像肿瘤目标检测方法，包括如下步骤：

步骤1、利用超像素分割算法对原始医学图像进行超像素分割，将平均强度小于设定阈值的超像素作为背景超像素，将平均强度大于设定阈值的超像素作为未标注超像素；

步骤2、利用超像素的差异度对未标注超像素的局部超像素差异度进行分类，并根据分类结果分别从原始医学图像上截取64×64的训练样本，生成标注超像素数据集；

步骤3、利用标注超像素数据集对跨阶段部分网络CSPNet模型进行训练，得到训练好的CSPNet模型；

步骤4、利用训练好的CSPNet模型，对待检测医学图像进行肿瘤目标检测。

上述的一种基于无监督学习的医学图像肿瘤目标检测方法，步骤2中，所述标注超像素数据集的生成步骤如下：

步骤2-1、计算未标注超像素的局部超像素差异度，计算公式为：

其中，

所述超像素

其中，

所述超像素

其中，

步骤2-2、将局部超像素差异度大于阈值

步骤2-3、在原始医学图像上利用得到的正例超像素样本和反例超像素样本，分别以每个超像素样本为中心，截取出64×64的训练样本，生成标注超像素数据集。

上述的一种基于无监督学习的医学图像肿瘤目标检测方法，步骤4中，所述对待检测医学图像进行肿瘤目标检测的步骤如下：

步骤4-1、利用超像素分割算法对待检测医学图像进行超像素分割；

步骤4-2、在待检测医学图像上利用分割的超像素，以每个超像素为中心，截取出64×64的待检测样本；

步骤4-3、利用训练好的CSPNet模型对待检测样本分类为反例待检测样本和正例待检测样本；

步骤4-4、将分类为反例检测样本直接丢弃，将分类为正例待检测样本映射到原始待检测医学图像的相对应位置，形成多个检测框；

步骤4-5、对每个检测框中的超像素的强度进行阈值判断，将大于阈值的认定为肿瘤目标像素，形成像素级检测结果。

本发明的技术效果和优点：

本发明提供的一种基于无监督学习的医学图像肿瘤目标检测方法，利用超像素的差异度对未标注的样本数据的超像素分割结果进行分类，从而形成标注超像素数据集，以此来训练基于深度学习的目标检测算法，无需医学专家手动对大量的医疗资料进行精准标注，有效地解决了现下需要医学专家对大量的样本数据进行精准标注，导致标注成本高、效率低的问题，且在进行医学图像肿瘤目标检测时，利用GPU进行并行计算比传统方法更快。

附图说明

图1是本发明利用标注超像素数据集对跨阶段部分网络进行训练的训练示意图。

具体实施方式

以下结合附图给出的实施例对本发明作进一步详细的说明。

参见图1所示，一种基于无监督学习的医学图像肿瘤目标检测方法，包括如下步骤：

步骤1、利用SLIC超像素分割算法对原医学图像进行超像素分割，将平均强度小于设定阈值的超像素作为背景超像素，将平均强度大于设定阈值的超像素作为未标注超像素。

具体实施时，所述阈值等于人工选定背景区域的像素平均值，该像素平均值由人工选定不同图像背景的均值决定。

步骤2、利用超像素的差异度对未标注超像素的局部超像素差异度进行分类，并根据分类结果分别从原始医学图像上截取64×64的训练样本，生成标注超像素数据集。

进一步的，所述标注超像素数据集的生成步骤如下：

步骤2-1、计算未标注超像素的局部超像素差异度，计算公式为：

其中，

所述超像素

其中，

所述超像素

其中，

步骤2-2、将局部超像素差异度大于阈值

步骤2-3、在原始医学图像上利用得到的正例超像素样本和反例超像素样本，分别以每个超像素样本为中心，截取出64×64的训练样本，生成标注超像素数据集。

具体实施时，原始医学图像上的肿瘤区域可能会被多个超像素样本分割，在同一肿瘤区域生成多个训练样本，此时，可以利用数据增强方法对训练样本进行数据增强，数据增强方法包括翻转和旋转等方法。

步骤3、利用标注超像素数据集对跨阶段部分网络CSPNet模型进行训练，得到训练好的CSPNet模型。

步骤4、利用训练好的CSPNet模型，对待检测医学图像进行肿瘤目标检测。

进一步的，所述对待检测医学图像进行肿瘤目标检测的步骤如下：

步骤4-1、利用超像素分割算法对待检测医学图像进行超像素分割；

步骤4-2、在待检测医学图像上利用分割的超像素，以每个超像素为中心，截取出64×64的待检测样本；

步骤4-3、利用训练好的CSPNet模型对待检测样本分类为反例待检测样本和正例待检测样本；

步骤4-4、将分类为反例检测样本直接丢弃，将分类为正例待检测样本映射到原始待检测医学图像的相对应位置，形成多个检测框；

步骤4-5、对每个检测框中的超像素的强度进行阈值判断，将大于人工选定背景像素的平均值（即大于阈值）的认定为肿瘤目标像素，形成像素级检测结果。

本实施例通过利用超像素的差异度对未标注的样本数据的超像素分割结果进行分类，形成标注超像素数据集，以此来训练基于深度学习的目标检测算法，从而实现无需手动标注的无监督学习方法，有效地解决了现下需要对样本数据进行精准标注，导致标注成本高、效率低的问题，且在进行医学图像肿瘤目标检测时比传统方法更快。

以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。