[發明專利]肺結節檢測模型訓練方法、檢測方法及裝置

在審

• 申請號: 202011025660.7
• 申請日: 2020-09-25
• 公開（公告）號: CN112132815A
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 張玉兵;王靜雯
• 申請（專利權）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

本發明公開了一種肺結節檢測模型訓練方法、檢測方法及裝置。基于半監督學習方法訓練肺結節檢測模型，減少了訓練肺結節檢測模型所需的標注數據的數量，進而降低了標注成本。此外，通過計算各結節特征之間的連接矩陣，基于連接矩陣構建圖卷積神經網絡，利用圖卷積神經網絡充分挖掘標注數據和未標注數據之間的共性特征，能夠提高肺結節檢測模型的檢測精度。

技術領域

本發明實施例涉及機器學習技術領域，尤其涉及一種肺結節檢測模型訓練方法、檢測方 法及裝置。

背景技術

受環境、吸煙以及遺傳等因素的影響，肺癌是我國死亡率和發病率最高的惡性腫瘤。根 據醫學數據顯示，早期肺癌5年生存率顯著高于中晚期肺癌，早發現、早診斷和治療是改善 肺癌的重要途徑。

判斷肺部是否存在肺結節是判定癌癥的一項有力指標，因此肺結節的早期篩查變得尤為 重要。其中，胸部低劑量CT圖像具有分層薄、視野清晰、干擾因素少等特點，因此，基于 肺部CT圖像檢測肺結節是目前國際公認的有效手段。隨著計算機人工智能的發展，深度學 習越來越多的應用到CT圖片的分析中，這可以減輕醫生工作負擔。

但現有的肺結節深度學習檢測算法采用監督學習框架，訓練樣本需要預先進行人工標注。 而深度學習模型參數量動輒上百萬，為防止過擬合，需要大量的訓練樣本，即訓練一個有效 的深度學習檢測模型，需要大量的人工標注樣本。而一個薄層胸部CT序列包含200-500張 圖像，逐層查看標注耗時長，為保證標注質量，需要標注者是具有豐富經驗的影像科醫生， 并采取多盲標注的策略，消除醫生偏好并降低漏標。因此，肺部CT圖像的肺結節標注極為 困難、對標注者要求高，即標注成本很高。

發明內容

本發明提供一種肺結節檢測模型訓練方法、檢測方法及裝置，以降低標注成本，提高肺 結節檢測模型的檢測精度。

第一方面，本發明實施例提供了一種肺結節檢測模型訓練方法，包括：

以標注數據為樣本訓練肺結節檢測模型，所述標注數據包括多張帶有標簽的第一肺部CT 圖像樣本，所述標簽用于標示所述第一肺部CT圖像樣本是否存在肺結節；

將所述標注數據和未標注數據輸入所述肺結節檢測模型，得到各肺部CT圖像樣本的結 節特征，所述未標注數據包括多張不帶標簽的第二肺部CT圖像樣本；

計算各所述結節特征之間的連接矩陣，所述連接矩陣用于表示各所述結節特征之間的連 接關系；

基于所述連接矩陣構建圖卷積神經網絡；

以所述標注數據中各第一肺部CT圖像樣本的結節特征為樣本訓練圖卷積神經網絡；

將所述未標注數據的結節特征輸入所述圖卷積神經網絡中進行處理，確定各所述第二肺 部CT圖像樣本的偽標簽；

以所述標注數據和帶偽標簽的未標注數據為樣本，重新訓練所述肺結節檢測模型。

第二方面，本發明實施例還提供了一種肺結節檢測方法，采用如本發明第一方面提供的 肺結節檢測模型訓練方法訓練得到的肺結節檢測模型，包括：

獲取待檢測的肺部CT圖像；

將所述肺部CT圖像輸入所述肺結節檢測模型中進行處理，得到所述肺部CT圖像存在 肺結節的概率。

第三方面，本發明實施例還提供了一種肺結節檢測模型訓練裝置，包括：

第一訓練模塊，用于以標注數據為樣本訓練肺結節檢測模型，所述標注數據包括多張帶 有標簽的第一肺部CT圖像樣本，所述標簽用于標示所述第一肺部CT圖像樣本是否存在肺 結節；

結節特征提取模塊，用于將所述標注數據和未標注數據輸入所述肺結節檢測模型，得到 各肺部CT圖像樣本的結節特征，所述未標注數據包括多張不帶標簽的第二肺部CT圖像樣 本；