[發明專利]一種肺結節圖像檢測方法、模型訓練方法、裝置及存儲介質

有效

• 申請號: 201910374504.2
• 申請日: 2019-05-06
• 公開（公告）號: CN110084810B
• 公開（公告）日: 2021-11-05
• 發明（設計）人: 王杰
• 申請（專利權）人: 成都醫云科技有限公司
• 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所(特殊普通合伙) 11463
• 代理人: 崔振

本發明公開了一種肺結節圖像檢測方法、模型訓練方法、裝置及存儲介質，涉及醫學影像處理領域。該肺結節圖像檢測的模型訓練方法包括：通過卷積網絡對CT肺結節數據進行預處理，獲取肺結節特征圖像；通過Xception網絡結構獲取肺結節特征圖像的三維特征數據；堆疊肺結節特征圖像的三維特征數據，獲取第一四維特征；對第一四維特征進行三維卷積核處理，獲取第二四維特征；根據第二四維特征，計算類別概率；類別概率是每個像素點為肺結節的幾率；當類別概率滿足模型的收斂條件時，獲得已訓練的肺結節圖像檢測模型。采用二維卷積+三維卷積核處理的架構，提高了計算效率，降低了對硬件資源的要求。

技術領域

本申請涉及醫學影像處理領域，具體而言，涉及一種肺結節圖像檢測方法、模型訓練方法、裝置及存儲介質。

背景技術

肺結節是一種病因未明的多系統多器官的肉芽腫性疾病，常侵犯肺、雙側肺門淋巴結、眼、皮膚等器官，其胸部受侵率高達80％～90％。CT是用于肺結節檢測的一種有效工具，但CT影像數量與影像科醫生數量之間的矛盾使得肺結節的自動檢測算法成為一種迫切的需求。目前針對肺結節自動檢測技術已經進行了大量的研究，這些研究主要著力于傳統的機器學習以及深度學習領域。

現有技術一般使用兩種方法：第一種，二維卷積提取特征，使用循環網絡對各層數據進行關聯分析；第二種，使用三維卷積網絡處理CT數據。第一種方案只能得到一個分類結果，循環網絡的串行結構會降低計算效率，同時，循環網絡對任意各層之間的計算不適合肺結節這種局部關聯的疾病監測。第二種技術方案需要大量的樣本和高配置的圖形處理器，訓練時間長。

目前需要一種計算效率高的肺結節圖像檢測模型訓練方法以解決上述問題。

發明內容

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

為了實現上述目的，本發明實施例采用的技術方案如下：

第一方面，本發明實施例提出一種肺結節圖像檢測的模型訓練方法，該方法包括：通過卷積網絡對CT肺結節數據進行預處理，獲取肺結節特征圖像；通過Xception網絡結構獲取肺結節特征圖像的三維特征數據；堆疊肺結節特征圖像的三維特征數據，獲取第一四維特征；對第一四維特征進行三維卷積核處理，獲取第二四維特征；根據第二四維特征，計算類別概率；類別概率是每個像素點為肺結節的幾率；當類別概率滿足模型的收斂條件時，獲得已訓練的肺結節圖像檢測模型。

可選地，在肺結節特征圖像的三維特征數據通過Xception網絡結構獲取肺結節特征圖像的三維特征數據之前，該方法還包括：根據開源的二維圖像數據預訓練上述Xception網絡結構。

可選地，方法還包括：當類別概率不滿足模型的收斂條件時，則重新獲取CT肺結節數據，對Xception網絡結構執行遷移訓練。

具體地，對第一四維特征進行三維卷積核處理，獲取輸出通道數為相應的分類類別數的第二四維特征，包括：

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