[發明專利]一種肺結節鑒別方法、裝置、設備及介質

在審

• 申請號: 201811630064.4
• 申請日: 2018-12-28
• 公開（公告）號: CN109741312A
• 公開（公告）日: 2019-05-10
• 發明（設計）人: 陳彥博;高耀宗;詹翊強
• 申請（專利權）人: 上海聯影智能醫療科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

1.一種肺結節鑒別方法，其特征在于，包括：

獲取待鑒別圖像數據；

將所述待鑒別圖像數據輸入至預先訓練好的鑒別模型中，獲得所述鑒別模型輸出的分類結果，所述鑒別模型包括肺結節鑒別主干網絡、肺結節分割網絡以及肺結節密度分類網絡；

根據所述分類結果確定所述待鑒別圖像數據的鑒別結果。

2.根據權利要求1所述的方法，其特征在于，所述將所述待鑒別圖像數據輸入至預先訓練好的鑒別模型中，獲得所述鑒別模型輸出的分類結果，包括：

將所述待鑒別圖像數據分別輸入至預先訓練好的肺結節鑒別主干網絡、肺結節分割網絡以及肺結節密度分類網絡中；

獲得所述肺結節鑒別主干網絡輸出的主干特征，所述肺結節分割網絡輸出的分割特征，以及所述肺結節密度分類網絡輸出的密度特征；

根據所述主干特征、分割特征，以及所述密度特征確定所述待鑒別圖像數據的分類結果。

3.根據權利要求2所述的方法，其特征在于，所述根據所述主干特征、分割特征，以及所述密度特征確定所述待鑒別圖像數據的分類結果，包括：

將所述主干特征、分割特征，以及所述密度特征進行拼接，得到所述待鑒別圖像數據的鑒別特征；

根據所述鑒別特征確定待鑒別圖像數據的分類結果。

4.根據權利要求3所述的方法，其特征在于，所述將所述主干特征、分割特征，以及所述密度特征進行拼接，得到所述待鑒別圖像數據的鑒別特征，包括：

將所述主干特征轉換為一維主干特征向量，將所述分割特征轉換為一維分割特征向量，將所述密度特征轉換為一維密度特征向量；

將所述一維主干特征向量、一維分割特征向量以及一維密度特征向量進行拼接，得到所述待鑒別圖像數據的一維鑒別特征向量，將所述一維鑒別特征向量作為所述待鑒別圖像數據的鑒別特征。

5.根據權利要求3所述的方法，其特征在于，所述分類結果包括待鑒別圖像數據的候選類型以及各所述候選類型對應的概率值，所述根據所述分類結果確定所述待鑒別圖像數據的鑒別結果，包括：

將各所述候選類型對應的概率值進行比較，將最大概率值對應的候選類型作為所述待鑒別圖像數據的鑒別結果。

6.根據權利要求1所述的方法，其特征在于，在獲取待鑒別圖像數據之前，還包括：

獲取原始圖像數據，使用預設的圖像預處理算法對所述原始圖像數據進行圖像預處理，得到待鑒別圖像數據。

7.根據權利要求6所述的方法，其特征在于，所述使用預設的圖像預處理算法對所述原始圖像數據進行圖像預處理，得到待鑒別圖像數據，包括：

將所述原始圖像數據進行重采樣，獲得預設分辨率的重采樣圖像數據；

根據檢測到的與所述重采樣圖像數據對應的結節中心位置從所述重采樣圖像數據中取出，獲取預設大小的圖像塊；

使用預先設置的歸一化算法對所述圖像塊進行歸一化，得到待鑒別圖像數據。

8.一種肺結節鑒別裝置，其特征在于，包括：

圖像數據獲取模塊，用于獲取待鑒別圖像數據；

分類結果獲取模塊，用于將所述待鑒別圖像數據輸入至預先訓練好的鑒別模型中，獲得所述鑒別模型輸出的分類結果，所述鑒別模型包括肺結節鑒別主干網絡、肺結節分割網絡以及肺結節密度分類網絡；

鑒別結果確定模塊，根據所述分類結果確定所述待鑒別圖像數據的鑒別結果。

9.一種計算機設備，其特征在于，所述設備包括：

一個或多個處理器；

存儲裝置，用于存儲一個或多個程序；

當所述一個或多個程序被所述一個或多個處理器執行，使得所述一個或多個處理器實現如權利要求1-7中任一所述的肺結節鑒別方法。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時實現如權利要求1-7中任一所述的肺結節鑒別方法。