本发明涉及一种医学图像处理方法，具体涉及一种基于mil（multipleinstancelearning）的医学图像病灶点精确标注方法。
背景技术
医学领域的图像标注为：将dr片、ct片等影像数据中的肿瘤、结节、钙化点等病灶区域由医生通过人机交互的形式在dicom等影像数据中标注出来；随着深度学习在医学图像处理领域中的拓展，训练就需要大型标准的数据集来支撑；因此，大量数据集的精确标注问题就显得尤为重要；和普通图像的标注不同，医学图像的标注需要有专业知识和技能的人来做；因此难以获得大量的精确标注数据集供深度神经网络学习；目前，将传统的深度学习广泛应用在医学图像领域，仍存在以下问题：第一，医学领域的影像精确标注需要高水平的医生来完成，非医疗领域人员对医学影像的标注没有意义；但客观上，我国医生的工作强度大，难以有精力进行医学影像的精确标注；并且现实中存在着大量的不同种类的病灶图像，但很多存储的图片都没有来得及标注和使用，资源利用率较低；第二，即使医生能够精确标注的医疗图像，但由于数据标注需要消除个人的主观性，需要多人多次标注，取综合平均结果；这就导致能够达到应用级别的有效标注数据事实上数量较少；第三，疾病的影像样本受限于该疾病的发病率，某些疾病由于是非常见疾病，存在样本稀少难以构建足够量级数据集的问题。
目前现有医疗机构中广泛开展了数字化病历的改革，建设了诸多pacs系统等包含医疗影像数据、生化数据等医疗病历数据库；这些病历中包含了诊断结论，却并未对病灶区域精确标记；当前的医疗影像数据多是非精确标注数据（仅仅标记了有何病和无病），但未精确给出病灶位置坐标；因此导致当前的深度学习算法难以直接适应。
技术实现要素：
本发明提供一种速度快、成本低，效率高的基于mil的医学图像病灶点精确标注方法。
本发明采用的技术方案是：一种基于mil的医学图像病灶点精确标注方法，包括以下步骤：
步骤1：采集医学图像数据集，分为正样本集和负样本集；
步骤2：进行分类模型的初始化；
步骤3：对于正样本集中的每个样本均采集s个示例，把每个示例输入到分类器模型中；记录有病灶点概率值最大的示例，然后将该示例加入到数据集d中；
步骤4：对于负样本集中的每个样本均采集s个示例，把每个示例输入到分类器模型中；记录最不可能有病灶点的示例，然后将该示例加入到步骤3得到的数据集d中；
步骤5：将步骤4得到的数据集d在神经网络分类器模型中进行迭代训练，得到训练模型；
步骤6：根据步骤5得到的模型进行新样本的检测和标注。
进一步的，所述分类模型采用基于lenet的神经网络模型，包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、激活函数层、第二全连接层和用于实现分类和归一化的softmax层。
进一步的，所述步骤6中检测和标注过程中每个新样本采样s个示例，对每个示例用分类器模型进行分类；若有一个及以上示例有病灶点，则判定该样本为有病灶点图片；否则判定该样本为无病灶点图片；直至检测完所有新样本。
进一步的，所述步骤5中的迭代训练过程中，每一次训练之前重复步骤3和步骤4获取更新后的数据集d。
进一步的，所述步骤2中初始化过程为选取带有标签的样本进行有监督学习。
本发明的有益效果是：
（1）本发明不受不同种类病灶的影响，对多种病灶混合在一起也能进行精确标注，鲁棒性强；
（2）本发明不仅仅对病灶点常见形状的标注，对一些不规则、不常见的形状也能进行精确标注，普适性高；
（3）本发明有利于医院对各种病灶图像的检测和标注，可极大降低专业技术人员对医学图像标注的工作量，同时也便于医生快速查看和诊断患者的病变点；
（4）本发明可大批量的对病灶点进行精确标注，速度快、成本低、具有极高的效率性。
附图说明
图1为本发明流程示意图。
图2为本发明采用的分类模型结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
一种基于mil的医学图像病灶点精确标注方法，包括以下步骤：
步骤1：采集医学图像数据集，分为正样本集和负样本集；
通过医疗设备摄像头采集不同种类的病灶点图像若干张，从中每隔一定间隔数目图像选择画面清晰的图像作为原始数据集；选取一定数量的图片，制作对应的图像标签便于后续进行训练。
步骤2：进行分类模型的初始化；
选取带有标签的样本进行有监督学习，进行分类模型的初始化；分类模型选择基于lenet的医学图像病灶点精确分类的模型，分类模型不局限于lenet，还可以选择其他的分类模型，每次训练结束的时候都会根据训练结果作出相关参数的调整，用于提高分类精度；也可以采用如下alexnet、googlenet、vgg等分类模型。
基于lenet分类模型如图2所示，包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、激活函数层、第二全连接层和用于实现分类和归一化的softmax层。
输入层：输入层输入一个28×28的图片；
第一卷积层：使用20个5×5的卷积核分别对输入层图片进行卷积，包含20×5×5=500个参数权值参数；卷积后图片边长为（28-5+1）/1=24，产生20个24×24个map，包含20×24×24=11520个神经元；
第一池化层：对上一层每个2×2区域进行降采样，选取每个区域最大值，这一层没有参数；降采样过后每个map的长和宽变为原来的一半；
第二卷积层：该层使用20×50个5×5的卷积核分别对上一层的每一个map进行卷积，所以包含20×50×5×5=25000个参数权值参数；卷积后图片边长为（12-5+1）/1=8，所以产生50个8×8个map，包含50×8×8=3200个神经元；
第二池化层：和第一个池化层功能类似，将8×8的map降采样为4×4的map；该层无参数；
第一全连接层：将上一层的所有神经元进行连接，该层含有500个神经元，所以一共有50×4×4×500=400000个权值参数；
激活函数层即relu层：实现x=max[0，x]，该层神经元数目和上一层相同，无权值参数；
第二全连接层：功能和第一全连接层类似，该层共有10个神经元，包含500×10=5000个参数；
softmax层：实现分类和归一化，利用softmax函数记录每个示例所属类别的概率，从而进行类别判断。
步骤3：对于正样本集中的每个样本均采集s个示例，把每个示例输入到分类器模型中；记录有病灶点概率值最大的示例，然后将该示例加入到数据集d中。
步骤4：对于负样本集中的每个样本均采集s个示例，把每个示例输入到分类器模型中；记录最不可能有病灶点的示例，然后将该示例加入到步骤3得到的数据集d中。
步骤5：将步骤4得到的数据集d在神经网络分类器模型中进行迭代训练，得到训练模型；
利用主流深度学习框架和平台将数据集通过程序转换成.npy格式送入到分类模型中，进行分类训练，得到训练模型并保存到本地；进行多次重复训练，每次训练都要重新采样并更新数据集；进行多次训练后保存最后的训练模型。
步骤6：根据步骤5得到的模型进行样本的检测和标注；把所要标注的样本送入到分类模型中进行训练判别；每个新样本采样s个示例，对每个示例用分类器模型进行分类；若有一个及以上示例有病灶点，则判定该样本为有病灶点图片；否则判定该样本为无病灶点图片；直至检测完所有新样本，从而完成新样本的批量化精确标注。
其中mil（multipleinstancelearning）表示多示例学习，包含包（bags）和示例（instance）两个重要概念；包是由多个示例组成的，比如在医学图像分类中，一张图片就是一个包，图片分割出的patches就表示示例。
在训练部分：取一小部分训练样本进行标注，然后通过某种监督学习的方法进行训练，得到一个初始化的分类模型；之后，再对每个正样本bag采样s个instance，把每个instance输入到分类器模型中，利用softmax函数记录有病灶点概率值最大的instance，最后将该instance加入到数据集d中；对每个负样本bag同样采样s个instance，把每个instance输入到分类器模型中，利用softmax函数记录最不可能有病灶点的instance，也将该instance加入到数据集d中；最后再用得到的数据集d输入到分类器模型中进行训练，每次训练都要重新采样并更新数据集d，并且保存最后训练的模型。在判别部分：把新的样本bags同样采样s个instance，然后对于每个instance用分类器模型分类，判定的规则是：只要有一个instance有病灶点，则判定该样本bag为有病灶点的图片；如果所有的instance都没有病灶点，则判定该样本bag为无病灶点的图片；把每一张新的样本图片进行上面判定步骤，如此训练，直到检测完所有新样本。
多示例学习方法属于弱监督学习的范畴，用于训练分类器模型的instance是没有类别标记的，但是bags却是有类别标记的，这一点与以往所有框架均不甚相同；在训练部分，每一次训练分类模型时，所加载的数据集都会重新采样并更新数据集d，随着训练次数的增加，分类模型的分类精度也会大大提高；训练完成后，模型将保存在本地，便于后续在医学图像领域中用于样本病灶点的精确标注；将所用的方法步骤及分类模型移植到医疗设备中，通过医学摄像机拍摄到不同种类的病灶点样本图片，将图片缩放至mil算法所要求的图像尺寸，并通过程序，将图像中所有像素值以多维矩阵形式读入该算法中；加载已经训练完成的分类模型，从而批量化，快速化，精准化检测并标注病灶点图片。
利用医疗设备的摄像机作为采集器，采集不同种类的病灶点图像，从中选择若干清晰可见的图像作为模型训练数据集合，通过选取一小部分语义标签图像，进行分类模型初始化操作。然后，利用主流的深度学习框架和平台进行模型训练并保存，最后利用训练好的模型对新的图像进行检测和标注，得到大量精准标注的数据集；本发明不受不同种类病灶的影响，对多种病灶混合在一起也能进行精确标注，鲁棒性强；不仅仅是对于病灶点常见形状的标注，对于一些不规则，不常见的形状也能进行精准标注，普适性高；通过医学摄像头进行图像采样，并利用训练好的模型，自动检测病灶点图像，从而对新样本进行精准判别和标注；有利于医院对于各种病灶图像的检测和标注，可极大降低专业技术人员对于医学图像标注的工作量，同时也便于医生快速查看和诊断患者的病变点；只需要提供分辨率高的病变图片，便可进行大批量地病灶点的精确标注，且速度快，成本低，因此具有极高的效率性。