[發明專利]一種無錨點框的三維肺結節檢測模型訓練方法及裝置

有效

• 申請號: 202110248609.0
• 申請日: 2021-03-05
• 公開（公告）號: CN112614133B
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 杜強;王思其;郭雨晨;聶方興;唐超
• 申請（專利權）人: 北京小白世紀網絡科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 北京八月瓜知識產權代理有限公司 11543
• 代理人: 秦瑩

本發明公開了一種無錨點框的三維肺結節檢測模型訓練方法及裝置，該方法包括：獲取數據集中三維肺結節樣本的圖像數據、標注類別和標注坐標點并構建三維肺結節數據庫；將進行數據增強后的圖像數據輸入到卷積神經網絡進行處理，得到多個特征圖；將特征圖輸入到預先設置的具有兩個卷積分支的共享頭部網絡，輸出預測類別、預測中心度和預測坐標點，計算預測置信度和標注中心度，將標注坐標點、預測坐標點、預測置信度、標注類別、預測中心度、標注中心度輸入到損失函數，反向傳播，訓練模型。采用本發明實施例，解決了有錨點框所帶來的問題、減少了很多的計算量，采用雙分支的網絡結構使得不同任務間的特征不互相干擾，模型結果更加準確。

技術領域

本發明涉及智能醫學工程技術領域，尤其是涉及一種無錨點框的三維肺結節檢測模型訓練方法及裝置。

背景技術

隨著近幾年人工智能技術的飛速發展，將最先進的技術有效的應用于臨床領域是必要的，同時，數據、算法、計算力、專業性四大要素促進著醫療人工智能的發展。

在本次算法研究中，數據集采用為LIDC-IDRI（The Lung Image DatabaseConsortium），該數據集由胸部醫學圖像文件(.dcm)(如CT、X光片)和對應的診斷結果病變標注(.xml) 組成。數據是由美國國家癌癥研究所(National Cancer Institute)發起收集的，目的是為了研究高危人群早期癌癥檢測。該數據集中，從中篩選了1018個研究實例。對于每個實例中的圖像，都由4位經驗豐富的胸部放射科醫師進行兩階段的診斷標注。在第一階段，每位醫師分別獨立診斷并標注病患位置，其中會標注三種類別：1.大于等于3mm的結節2.小于3mm的結節3.大于等于3mm的非結節。在隨后的第二階段中，各位醫師都分別獨立的復審其他三位醫師的標注，并給出自己最終的診斷結果。這樣的兩階段標注可以在避免forced consensus的前提下，盡可能完整的標注所有結果。基于這個數據集，主要是對數據集中的肺結節進行3d檢測及提取,并進行假陽性檢測。由于該數據集主要用到的標簽是肺結節位置以及分類，且是3d數據，所以檢測肺結節需要檢測一個3d物體，因此需要使用3d目標檢測的多任務同時優化的手段對其進行優化。

目前流行了非常多基于anchor-base的目標檢測網絡模型如yolo，ssd，retinanet等，基于anchor的缺點非常明顯，如：1.檢測表現效果對于錨框的尺寸、長寬比、數目非常敏感，因此錨框相關的超參數需要仔細的調節；2.錨框的尺寸和長寬比是固定的，因此，檢測器在處理形變較大的候選對象時比較困難，尤其是對于小目標，預先定義的錨框還限制了檢測器的泛化能力，因為，它們需要針對不同對象大小或長寬比進行設計；3.為了提高召回率，需要在圖像上放置密集的錨框，而這些錨框大多數屬于負樣本，這樣造成了正負樣本之間的不均衡；4.大量的錨框增加了在計算交并比時計算量和內存占用。

看一張肺部CT，醫生平常需要十幾分鐘到半個小時，而人工智能只需要幾秒鐘；3mm以內的小病灶，普通影像醫生肉眼很容易遺漏，人工智能卻容易識別；不會因為情緒、疲勞出錯。

目前已有的深度學習目標檢測模型如yolo，ssd，retinanet等基于anchor的都無法很好地適應該任務的要求。所以針對基于anchor-base的目標檢測方法的缺點以及在3d數據集進行3d目標檢測的需求，我們設計了目前在市面上暫時沒有的針對肺結節圖像的基于無anchor的3d目標檢測的深度學習方法。

發明內容

本發明的目的在于提供一種無錨點框的三維肺結節檢測模型訓練方法及裝置，旨在解決發明一種市面上暫時沒有的針對肺結節圖像的基于無錨點框的3d目標檢測的深度學習方法。

本發明提供一種無錨點框的三維肺結節檢測模型訓練方法，包括：

S101.獲取醫學CT圖像LIDC-IDRI數據集中三維肺結節樣本并構建三維肺結節數據庫，三維肺結節樣本包括圖像數據和標注數據，標注數據包括標注類別和標注坐標點；