[發(fā)明專利]一種肺結(jié)節(jié)圖像檢測方法、模型訓(xùn)練方法、裝置及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 201910374504.2
• 申請日: 2019-05-06
• 公開（公告）號: CN110084810B
• 公開（公告）日: 2021-11-05
• 發(fā)明（設(shè)計）人: 王杰
• 申請（專利權(quán)）人: 成都醫(yī)云科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04
• 代理公司: 北京超凡宏宇專利代理事務(wù)所(特殊普通合伙) 11463
• 代理人: 崔振

本發(fā)明公開了一種肺結(jié)節(jié)圖像檢測方法、模型訓(xùn)練方法、裝置及存儲介質(zhì)，涉及醫(yī)學(xué)影像處理領(lǐng)域。該肺結(jié)節(jié)圖像檢測的模型訓(xùn)練方法包括：通過卷積網(wǎng)絡(luò)對CT肺結(jié)節(jié)數(shù)據(jù)進(jìn)行預(yù)處理，獲取肺結(jié)節(jié)特征圖像；通過Xception網(wǎng)絡(luò)結(jié)構(gòu)獲取肺結(jié)節(jié)特征圖像的三維特征數(shù)據(jù)；堆疊肺結(jié)節(jié)特征圖像的三維特征數(shù)據(jù)，獲取第一四維特征；對第一四維特征進(jìn)行三維卷積核處理，獲取第二四維特征；根據(jù)第二四維特征，計算類別概率；類別概率是每個像素點(diǎn)為肺結(jié)節(jié)的幾率；當(dāng)類別概率滿足模型的收斂條件時，獲得已訓(xùn)練的肺結(jié)節(jié)圖像檢測模型。采用二維卷積+三維卷積核處理的架構(gòu)，提高了計算效率，降低了對硬件資源的要求。

技術(shù)領(lǐng)域

本申請涉及醫(yī)學(xué)影像處理領(lǐng)域，具體而言，涉及一種肺結(jié)節(jié)圖像檢測方法、模型訓(xùn)練方法、裝置及存儲介質(zhì)。

背景技術(shù)

肺結(jié)節(jié)是一種病因未明的多系統(tǒng)多器官的肉芽腫性疾病，常侵犯肺、雙側(cè)肺門淋巴結(jié)、眼、皮膚等器官，其胸部受侵率高達(dá)80％～90％。CT是用于肺結(jié)節(jié)檢測的一種有效工具，但CT影像數(shù)量與影像科醫(yī)生數(shù)量之間的矛盾使得肺結(jié)節(jié)的自動檢測算法成為一種迫切的需求。目前針對肺結(jié)節(jié)自動檢測技術(shù)已經(jīng)進(jìn)行了大量的研究，這些研究主要著力于傳統(tǒng)的機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)領(lǐng)域。

現(xiàn)有技術(shù)一般使用兩種方法：第一種，二維卷積提取特征，使用循環(huán)網(wǎng)絡(luò)對各層數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析；第二種，使用三維卷積網(wǎng)絡(luò)處理CT數(shù)據(jù)。第一種方案只能得到一個分類結(jié)果，循環(huán)網(wǎng)絡(luò)的串行結(jié)構(gòu)會降低計算效率，同時，循環(huán)網(wǎng)絡(luò)對任意各層之間的計算不適合肺結(jié)節(jié)這種局部關(guān)聯(lián)的疾病監(jiān)測。第二種技術(shù)方案需要大量的樣本和高配置的圖形處理器，訓(xùn)練時間長。

目前需要一種計算效率高的肺結(jié)節(jié)圖像檢測模型訓(xùn)練方法以解決上述問題。

發(fā)明內(nèi)容

本發(fā)明實施例的目的在于提供一種肺結(jié)節(jié)圖像檢測方法、模型訓(xùn)練方法、裝置及存儲介質(zhì)，使用二維卷積+三維卷積核處理的模型架構(gòu)，解決計算效率低的問題。

為了實現(xiàn)上述目的，本發(fā)明實施例采用的技術(shù)方案如下：

第一方面，本發(fā)明實施例提出一種肺結(jié)節(jié)圖像檢測的模型訓(xùn)練方法，該方法包括：通過卷積網(wǎng)絡(luò)對CT肺結(jié)節(jié)數(shù)據(jù)進(jìn)行預(yù)處理，獲取肺結(jié)節(jié)特征圖像；通過Xception網(wǎng)絡(luò)結(jié)構(gòu)獲取肺結(jié)節(jié)特征圖像的三維特征數(shù)據(jù)；堆疊肺結(jié)節(jié)特征圖像的三維特征數(shù)據(jù)，獲取第一四維特征；對第一四維特征進(jìn)行三維卷積核處理，獲取第二四維特征；根據(jù)第二四維特征，計算類別概率；類別概率是每個像素點(diǎn)為肺結(jié)節(jié)的幾率；當(dāng)類別概率滿足模型的收斂條件時，獲得已訓(xùn)練的肺結(jié)節(jié)圖像檢測模型。

可選地，在肺結(jié)節(jié)特征圖像的三維特征數(shù)據(jù)通過Xception網(wǎng)絡(luò)結(jié)構(gòu)獲取肺結(jié)節(jié)特征圖像的三維特征數(shù)據(jù)之前，該方法還包括：根據(jù)開源的二維圖像數(shù)據(jù)預(yù)訓(xùn)練上述Xception網(wǎng)絡(luò)結(jié)構(gòu)。

可選地，方法還包括：當(dāng)類別概率不滿足模型的收斂條件時，則重新獲取CT肺結(jié)節(jié)數(shù)據(jù)，對Xception網(wǎng)絡(luò)結(jié)構(gòu)執(zhí)行遷移訓(xùn)練。

具體地，對第一四維特征進(jìn)行三維卷積核處理，獲取輸出通道數(shù)為相應(yīng)的分類類別數(shù)的第二四維特征，包括：

將第一四維特征用1x1x1的三維卷積核進(jìn)行處理，獲取輸出通道數(shù)為256的第三四維特征；第一四維特征的輸出通道數(shù)為2048。將第三四維特征依次使用5x1x3、5x3x1、7x1x3、7x3x1的三維卷積核進(jìn)行處理，獲取輸出通道數(shù)為256的第四四維特征；使用修正線性單元對第四四維特征進(jìn)行修正。將修正后第四四維特征進(jìn)行上采樣，獲取輸出通道數(shù)為256的第五四維特征。將第五四維特征與Xception網(wǎng)絡(luò)結(jié)構(gòu)中對應(yīng)大小的屬性映射層進(jìn)行矩陣相加，獲取輸出通道數(shù)為256的第六四維特征。將第六四維特征用兩個3x3x3的三維卷積核進(jìn)行處理，獲取輸出通道數(shù)為256的第七四維特征；使用線性修訂單元對第七四維特征進(jìn)行修正。將修正后的第七四維特征用1x1x1的三維卷積核進(jìn)行處理，獲取輸出通道數(shù)為相應(yīng)的分類類別數(shù)的第二四維特征。