一种基于生成对抗网络的医学影像自动标注与增强方法及系统与流程

本发明属于医学影像处理与人工智能，具体涉及一种基于生成对抗网络的医学影像自动标注与增强方法及系统，适用于医学影像的智能分析、辅助诊断与数据增强。

背景技术：

1、医学影像的精准标注与质量增强是辅助诊断、治疗规划及医学研究的关键基础；目前，该领域主要存在以下技术瓶颈；首先，高质量医学影像标注高度依赖放射科医生的手工勾画，过程耗时费力，且存在主观差异；其次，单一医疗机构的数据样本有限，难以训练出泛化能力强的ai模型，而集中收集多机构数据又面临患者隐私、数据安全与法规合规的严峻挑战；再次，现有基于深度学习的自动标注方法，在数据稀缺或病灶形态复杂时，其标注结果的准确性与鲁棒性往往不足；此外，现有的影像增强方法在提升图像质量时，可能引入解剖结构失真，影响后续诊断的可靠性；同时，对于模型输出结果的评估，多局限于单一的图像质量指标，缺乏与临床诊断任务效能直接挂钩的综合评估体系；

2、因此，亟需一种能够在不泄露原始数据的前提下，有效利用多中心数据，协同实现高质量影像自动生成与精准、可靠标注，并能持续自我优化的技术方案。

技术实现思路

1、本发明的目的是克服现有技术的不足，提供一种基于生成对抗网络的医学影像自动标注与增强方法及系统，实现医学影像的自动化质量增强与高精度标注。

2、本发明的目的可以通过以下技术方案实现：

3、本申请提供了一种基于生成对抗网络的医学影像自动标注与增强方法及系统，

4、以下为具体方法；

5、步骤一：数据准备与联邦模型训练，获取来自多个数据源的医学影像数据集，对数据集进行脱敏和标准化预处理，并采用联邦学习范式训练融合解剖先验知识的生成对抗网络模型；

6、步骤二：影像生成与自动标注，利用训练完成的生成对抗网络模型，对输入的医学影像进行增强处理及生成合成影像，同时激活与生成器协同训练的标注网络，对输入影像及合成影像执行自动分割和目标检测，产生结构化的标注信息；

7、步骤三：主动学习优化，基于所述标注网络输出的自动标注结果，计算其不确定性度量，筛选出不确定性高于预设阈值的样本，提交给放射科医生及专业人员进行人工标注，并将经过人工标注的新样本加入训练数据集，用于更新所述生成对抗网络模型及标注网络；

8、步骤四：结果评估与输出，对经过增强和生成的影像以及自动标注结果，执行基于临床任务效能的多维度定量与定性评估，将符合预设质量标准的最终结果进行可视化呈现与输出。

9、一种基于生成对抗网络的医学影像自动标注与增强系统；具体包括：

10、数据准备与联邦训练模块，分布式部署于各医疗机构内部用于保护原始数据的本地服务器以及独立运行以协调模型训练任务的外部中央服务器，所述数据准备与联邦训练模块用于从各机构获取医学影像数据，在各本地服务器上完成数据的匿名化与标准化预处理，并在中央服务器的协调下，采用联邦学习方式安全聚合各方的计算成果，共同训练融合了解剖先验知识约束的生成对抗网络模型；

11、影像生成与智能标注模块，部署于完成模型训练的外部中央服务器，为提高服务的弹性、扩展性与可靠性，所述影像生成与智能标注模块亦能部署于与所述中央服务器网络互联的云端高性能计算平台，所述影像生成与智能标注模块用于加载并运行前述训练完成的生成对抗网络模型，对接收的医学影像进行质量增强、模态转换及病理特征合成，同时利用与所述对抗网络模型生成器协同工作的内置标注网络，自动生成对应的病灶分割图及目标检测框；

12、主动学习优化模块，部署于放射科医生日常进行影像判读与标注的临床医生工作站，所述主动学习优化模块用于接收自动标注结果，通过计算熵及预测方差量化其不确定性，并依据此不确定性自动筛选出最需要复核的影像及区域推送给医生进行人工精标注，再将医生确认及修正后的高质量标注数据作为新样本，反馈至训练流程以持续优化模型性能；

13、评估与可视化输出模块，同样部署于临床医生工作站，所述评估与可视化输出模块用于对系统生成的影像及标注结果进行自动化指标计算与放射科医生及专业人员主观评价相结合的综合评估，并将评估通过的最终结果，以影像与标注信息叠加渲染、三维可视化及交互式操作界面的形式，提供给医生用于辅助诊断与分析。

14、本发明的有益效果为：

15、针对单一机构数据有限导致模型泛化能力弱、以及集中收集多中心数据面临隐私与合规严峻挑战的问题，本发明采用联邦学习范式，并融合同态加密与差分隐私技术，构建分布式安全训练架构，各参与方在本地完成数据脱敏与预处理后，仅上传经加密和噪声保护的模型梯度更新，由中央服务器进行安全聚合，确保原始医疗数据全程不出本地，彻底打破数据壁垒，有效汇聚多中心数据价值，协同训练出高性能、高泛化能力的生成对抗网络基础模型；

16、针对自动标注方法在复杂病灶下准确性不足，以及传统影像增强可能引入解剖结构失真的问题，本发明通过融合解剖先验知识的生成对抗网络，生成器的优化目标中创新性引入基于可变形配准的解剖结构约束损失，强制生成或增强后的影像与标准解剖图谱在关键结构上保持一致，同时，采用与生成器特征共享的轻量级标注网络进行协同训练与并行推理，从根本上保障了输出影像的解剖合理性，避免了结构失真，并实现了在单一前向过程中同步输出高质量增强影像与高精度、结构化的自动分割及检测结果，提升了标注的准确性与临床可用性；

17、针对模型难以从使用中持续进化，以及现有评估体系与临床诊断效能脱节的问题，本发明构建了基于不确定性量化的主动学习机制与多维度临床任务效能评估体系，通过计算自动标注结果的熵与预测方差，精准筛选高不确定性样本交由医生复核，并将修正后的高质量样本反馈至模型进行增量学习。评估环节不仅计算传统图像质量指标，更引入独立下游诊断模型量化性能提升，并组织双盲专家主观评分，形成了模型标注-专家修正-模型优化的高效自我进化闭环，确保人工精力聚焦于模型薄弱环节，同时通过将评估锚定于下游诊断任务性能与临床医生主观体验，保障了系统产出与最终临床应用价值的紧密关联。

1.一种基于生成对抗网络的医学影像自动标注与增强方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述步骤一中，数据预处理具体执行为，对医学影像的匿名化去标识、空间方向重采样至标准模板、以及像素强度值归一化到统一区间；联邦模型训练具体执行以下过程：各参与节点使用本地数据对生成对抗网络模型进行训练，计算模型参数的更新梯度，采用支持加法与乘法运算的部分同态加密技术，及添加差分隐私噪声的方式对梯度进行保护，之后将受保护的梯度上传至中央服务器，中央服务器对汇聚的梯度进行安全聚合以更新全局模型参数，并将更新后的参数下发至各参与节点，迭代进行直至模型收敛。

3.根据权利要求2所述的方法，其特征在于，所述联邦模型训练过程中，在计算模型参数的更新梯度后、进行加密及添加噪声保护前，还包括梯度裁剪步骤：

4.根据权利要求1所述的方法，其特征在于，所述步骤二中，生成对抗网络模型的生成器接收输入影像并输出处理后的影像，所述生成器的优化目标包含基于可变形配准的解剖结构约束损失项；

5.根据权利要求1所述的方法，其特征在于，所述步骤三中，不确定性度量的计算包括：

6.根据权利要求5所述的方法，其特征在于，所述筛选过程中，依据综合不确定性度量值进行样本选取；

7.根据权利要求1所述的方法，其特征在于，所述步骤四中，多维度评估具体包括：

8.一种用于实现权利要求1至7中任一项所述方法的基于生成对抗网络的医学影像自动标注与增强系统，其特征在于，包括：

9.根据权利要求8所述的系统，其特征在于，所述数据准备与联邦训练模块还包括，部署于各所述本地服务器的本地模型训练单元与安全通信单元，以及部署于所述外部中央服务器的模型协调单元与安全聚合单元；

10.根据权利要求8所述的系统，其特征在于，所述主动学习优化模块还包括，不确定性量化与筛选单元、人机交互与数据管理单元以及增量学习触发单元；