本技术提供一种肺癌智能早筛系统，包括数据增强模块、判别性特征提取模块和微调模块；所述数据增强模块用于生成弱增强样本与强增强样本；所述判别性特征提取模块用于提取相应的强弱增强样本特征向量和分类向量，并对二者分别进行对比学习和判别学习，拉近语义相关的样本间距离并排斥语义无关的样本；所述微调模块用于对特征提取器进行优化，通过有标签数据的原图和相应的弱增强样本的对比学习，强化模型分类的准确性。
背景技术
肺癌作为当今全球范围内癌症死亡的首要原因，而早期肺癌的发现对于降低肺癌相关死亡率具有重要意义。CT影像检查是目前国际公认的肺癌早筛方式。其中，肺结节作为肺部CT影像检查中常见的一种表现。这些结节可能是良性的，如由炎症、感染、结核或旧伤愈合后留下的疤痕所致；也可能是恶性的，即肺癌的早期表现。因此，肺结节的良恶性识别成为肺癌早期发现与干预的关键环节。
目前临床肺癌的诊断主要依赖于放射科医生对CT影像图像的细致查阅与分析，这一过程不仅耗时较长，而且在长时间、高强度的工作环境下，即便是经验丰富的放射学医生也可能疲劳从而判断力下降，进而影响诊断的准确性。此外，肺结节的异质性为肺癌的诊断带来了极大的挑战，即使是经验丰富的放射科医生有时也难以准确区分其良恶性。基于深度学习的智能诊断方法可以快速、准确地对CT图像进行定量分析，并且已经在肺结节良恶性识别领域展现出了较好的发展前景。
现有的肺结节识别的深度学习方法大多为有监督学习方法，尽管其取得了一定的有效性，但其局限性在于需要大量的标注数据，以及面对新样本时较差的泛化性。在医学领域，影像数据出自昂贵的医疗设备，标签则来自于多位医学专家费时费力的分析，导致数据获取异常困难。此外，数据标签中可能包含一些需要进行隐私保护的敏感信息。
面对上述问题，半监督深度学习方法应运而生。然而基于半监督深度学习的肺结节良恶性识别方法的研究仍处于初期阶段，存在一些不足。一方面这些半监督学习的肺结节分类方法使用数据增强方法对同一样本进行数据扩充，试图获取肺结节的更多的细节信息，但却未考虑相同类别的不同样本间的相关信息，忽略了同类样本间的多样性与一致性，导致良性结节与恶性结节的错分，模型准确率降低。另一方面，这些方法使用仿射变换、直方图均衡化作为数据增强方法，这类数据增强方法更适用于自然图像，未能针对肺结节的特点进行改进与设计，导致样本间的潜在信息未能被正确利用，导致模型的泛化能力较弱。
综上，如何在有限的标记数据和大量未标记数据的前提下，保证模型准确性的同时，提高模型的泛化能力，是目前肺癌智能早筛系统亟待解决的问题。
相关文献
[1]Armato III S G,McLennan G,Bidaut L,et al.The lung image databaseconsortium(LIDC)and image database resource initiative(IDRI):a completedreference database of lung nodules on CT scans[J].Medical physics,2011,38(2):915-931.
[2]Xie Y,Zhang J,Xia Y.Semi-supervised adversarial model for benign–malignant lung nodule classification on chest CT[J].Medical image analysis,2019,57:237-248.
[3]Apostolopoulos ID,Papathanasiou N D,Panayiotakis GS.Classification of lung nodule malignancy in computed tomography imagingutilising generative adversarial networks and semi-supervisedtransferlearning[J].Biocybernetics andBiomedical Engineering,2021,41(4):1243-1257.
[4]Fu Y,Xue P,Xiao T,et al.Semi-supervised adversarial learning forimproving the diagnosis ofpulmonary nodules[J].IEEE Journal ofBiomedicalandHealth Informatics,2022,27(1):109-120.
[5]Zhu W,Liu C,Fan W,et al.Deeplung:Deep 3d dual path nets forautomated pulmonary noduledetection and classification[C]//2018IEEE winterconference on applications of computer vision(WACV).IEEE,2018:673-681.
[6]Shen W,Zhou M,Yang F,et al.Multi-scale convolutional neuralnetworks for lung nodule classification[C]//Information Processing in MedicalImaging:24th International Conference,IPMI 2015,Sabhal Mor Ostaig,Isle ofSkye,UK,June 28-July 3,2015,Proceedings 24.Springer International Publishing,2015:588-599.
[7]Xie Y,XiaY,Zhang J,et al.Knowledge-based collaborative deeplearning for benign-malignant lung nodule classification on chest CT[J].IEEEtransactions on medical imaging,2018,38(4):991-1004.
[8]Jiang H,Shen F,Gao F,et al.Learning efficient,explainable anddiscriminative representations for pulmonary nodules classification[J].Pattern Recognition,2021,113:107825.
[9]Xu X,Wang C,Guo J,et al.MSCS-DeepLN:Evaluating lung nodulemalignancy using multi-scale cost-sensitive neural networks[J].MedicalImageAnalysis,2020,65:101772.
[10]Al-Shabi M,Shak K,Tan M.ProCAN:Progressive growing channelattentive non-local network for lung nodule classification[J].PatternRecognition,2022,122:108309.
[11]Chen T,Kornblith S,Norouzi M,et al.A simple framework forcontrastive learning of visual representations[C]//International conferenceon machine learning.PMLR,2020:1597-1607.
[12]Van der Maaten L,Hinton G.Visualizing data using t-SNE[J].Journalofmachine learning research,2008,9(11).
实现思路