[發(fā)明專利]肺結(jié)節(jié)檢測模型訓(xùn)練方法、檢測方法及裝置

在審

• 申請?zhí)枺?/td>: 202011025660.7
• 申請日: 2020-09-25
• 公開（公告）號: CN112132815A
• 公開（公告）日: 2020-12-25
• 發(fā)明（設(shè)計）人: 張玉兵;王靜雯
• 申請（專利權(quán)）人: 廣州視源電子科技股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 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(jié)節(jié)檢測模型訓(xùn)練方法，其特征在于，包括：

以標(biāo)注數(shù)據(jù)為樣本訓(xùn)練肺結(jié)節(jié)檢測模型，所述標(biāo)注數(shù)據(jù)包括多張帶有標(biāo)簽的第一肺部CT圖像樣本，所述標(biāo)簽用于標(biāo)示所述第一肺部CT圖像樣本是否存在肺結(jié)節(jié)；

將所述標(biāo)注數(shù)據(jù)和未標(biāo)注數(shù)據(jù)輸入所述肺結(jié)節(jié)檢測模型，得到各肺部CT圖像樣本的結(jié)節(jié)特征，所述未標(biāo)注數(shù)據(jù)包括多張不帶標(biāo)簽的第二肺部CT圖像樣本；

計算各所述結(jié)節(jié)特征之間的連接矩陣，所述連接矩陣用于表示各所述結(jié)節(jié)特征之間的連接關(guān)系；

基于所述連接矩陣構(gòu)建圖卷積神經(jīng)網(wǎng)絡(luò)；

以所述標(biāo)注數(shù)據(jù)中各第一肺部CT圖像樣本的結(jié)節(jié)特征為樣本訓(xùn)練所述圖卷積神經(jīng)網(wǎng)絡(luò)；

將所述未標(biāo)注數(shù)據(jù)的結(jié)節(jié)特征輸入所述圖卷積神經(jīng)網(wǎng)絡(luò)中進行處理，確定各所述第二肺部CT圖像樣本的偽標(biāo)簽；

以所述標(biāo)注數(shù)據(jù)和帶偽標(biāo)簽的未標(biāo)注數(shù)據(jù)為樣本，重新訓(xùn)練所述肺結(jié)節(jié)檢測模型。

2.根據(jù)權(quán)利要求1所述的肺結(jié)節(jié)檢測模型訓(xùn)練方法，其特征在于，所述肺結(jié)節(jié)檢測模型包括沙漏網(wǎng)絡(luò)、分類網(wǎng)絡(luò)、回歸網(wǎng)絡(luò)和第一分類器，所述沙漏網(wǎng)絡(luò)具有第一輸出端和第二輸出端，分別用于輸出第一輸出特征和第二輸出特征，所述以標(biāo)注數(shù)據(jù)為樣本訓(xùn)練肺結(jié)節(jié)檢測模型，包括：

將所述帶有標(biāo)簽的第一肺部CT圖像樣本輸入所述沙漏網(wǎng)絡(luò)中進行處理，得到第一輸出特征和第二輸出特征；

將所述第一輸出特征輸入所述回歸網(wǎng)絡(luò)進行處理，得到第一預(yù)測點的目標(biāo)屬性；

將所述第二輸出特征輸入所述分類網(wǎng)絡(luò)進行處理，得到所述第一肺部CT圖像樣本的結(jié)節(jié)特征；

將所述結(jié)節(jié)特征輸入所述第一分類器，得到所述第一預(yù)測點為肺結(jié)節(jié)的中心點的第一概率；

基于所述第一概率計算分類損失值，以及基于所述目標(biāo)屬性計算回歸損失值；

根據(jù)第一損失值更新所述沙漏網(wǎng)絡(luò)、分類網(wǎng)絡(luò)、回歸網(wǎng)絡(luò)和第一分類器的參數(shù)，所述第一損失值為所述分類損失值和所述回歸損失值之和。

3.根據(jù)權(quán)利要求2所述的肺結(jié)節(jié)檢測模型訓(xùn)練方法，其特征在于，所述基于所述第一概率計算分類損失值，以及基于所述目標(biāo)屬性計算回歸損失值，包括：

通過焦點損失函數(shù)計算將所述第一預(yù)測點作為肺結(jié)節(jié)的中心點的焦點損失值作為分類損失值；

通過平均絕對誤差函數(shù)計算所述第一預(yù)測點相對于所述肺結(jié)節(jié)的中心點的平均絕對誤差作為回歸損失值。

4.根據(jù)權(quán)利要求1-3任一所述的肺結(jié)節(jié)檢測模型訓(xùn)練方法，其特征在于，將所述標(biāo)注數(shù)據(jù)和未標(biāo)注數(shù)據(jù)輸入所述肺結(jié)節(jié)檢測模型，得到各肺部CT圖像樣本的結(jié)節(jié)特征，包括：

將所述標(biāo)注數(shù)據(jù)和未標(biāo)注數(shù)據(jù)輸入所述肺結(jié)節(jié)檢測模型，得到第二預(yù)測點為肺結(jié)節(jié)的中心點的第二概率；

從所述標(biāo)注數(shù)據(jù)和未標(biāo)注數(shù)據(jù)中確定所述第二概率大于概率閾值的目標(biāo)肺部CT圖像樣本；

將所述目標(biāo)肺部CT圖像樣本的結(jié)節(jié)特征作為目標(biāo)結(jié)節(jié)特征。

5.根據(jù)權(quán)利要求4所述的肺結(jié)節(jié)檢測模型訓(xùn)練方法，其特征在于，所述計算各所述結(jié)節(jié)特征之間的連接矩陣，包括：

計算每一所述目標(biāo)結(jié)節(jié)特征與該目標(biāo)結(jié)節(jié)特征的K近鄰內(nèi)的目標(biāo)結(jié)節(jié)特征的距離；

基于所述距離確定連接矩陣。

6.根據(jù)權(quán)利要求1-3任一所述的肺結(jié)節(jié)檢測模型訓(xùn)練方法，其特征在于，基于所述連接矩陣構(gòu)建圖卷積神經(jīng)網(wǎng)絡(luò)，包括：

對所述連接矩陣進行正則化處理，得到正則化矩陣；

基于所述正則化矩陣構(gòu)建圖卷積神經(jīng)網(wǎng)絡(luò)，所述圖卷積神經(jīng)網(wǎng)絡(luò)包括第一圖卷積層、第二圖卷積層和第二分類器，所述正則化矩陣為所述第一圖卷積層和所述第二圖卷積層的參數(shù)矩陣。