[發(fā)明專利]人工智能模型訓(xùn)練方法及裝置

在審

• 申請?zhí)枺?/td>: 202310324627.1
• 申請日: 2023-03-30
• 公開（公告）號: CN116416493A
• 公開（公告）日: 2023-07-11
• 發(fā)明（設(shè)計）人: 沈晨天;王陽;張茜;孫貞魁;羅全勇;丁雪海;聶良兵;巨年婷
• 申請（專利權(quán)）人: 上海市第六人民醫(yī)院
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82;G06T7/00;G06N3/04;G06N3/08
• 代理公司: 上海梵恒知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 31357
• 代理人: 李文鳳

1.一種人工智能模型訓(xùn)練方法，其特征在于，包括：

獲取肺部CT影像以及PET影像；

確定所述CT影像對應(yīng)的亨斯菲爾德單位，以及所述PET影像對應(yīng)的標準攝取值；

將所述CT影像對應(yīng)的亨斯菲爾德單位以及所述CT影像中的肺結(jié)節(jié)的標注數(shù)據(jù)作為模型輸入，將所述PET影像對應(yīng)的標準攝取值作為模型輸出，執(zhí)行標準攝取值預(yù)測模型訓(xùn)練，得到標準攝取值預(yù)測模型。

2.如權(quán)利要求1所述的人工智能模型訓(xùn)練方法，其特征在于，所述確定所述CT影像對應(yīng)的亨斯菲爾德單位，包括：

采用如下公式確定所述CT影像對應(yīng)的亨斯菲爾德單位Hounsfieldunits：

HounsfieldUnit＝PixelArray×RescaleSlope+RescaleIntercept；

其中，pixelArray為所述CT影像對應(yīng)的矩陣數(shù)據(jù)，RescaleSlope為所述CT影像對應(yīng)的重縮放斜率，RescaleIntercept為所述CT影像對應(yīng)的重縮放截斷值。

3.如權(quán)利要求2所述的人工智能模型訓(xùn)練方法，其特征在于，還包括：

根據(jù)預(yù)設(shè)的窗位與窗寬，將所述CT影像對應(yīng)的亨斯菲爾德單位限制在目標區(qū)間內(nèi)；所述目標區(qū)間的區(qū)間最大值為W_C+W_W×0.5，所述目標區(qū)間的區(qū)間最小值為W_C-W_W×0.5，W_C為窗位，W_W為窗寬；

對所述CT影像對應(yīng)的亨斯菲爾德單位進行歸一化處理，歸一化之后的所述CT影像對應(yīng)的亨斯菲爾德單位的取值為0～1。

4.如權(quán)利要求3所述的人工智能模型訓(xùn)練方法，其特征在于，所述根據(jù)預(yù)設(shè)的窗位與窗寬，將所述CT影像對應(yīng)的亨斯菲爾德單位限制在目標區(qū)間內(nèi)，包括：

所述CT影像對應(yīng)的亨斯菲爾德單位大于所述區(qū)間最大值，將所述CT影像對應(yīng)的亨斯菲爾德單位取所述區(qū)間最大值；

所述CT影像對應(yīng)的亨斯菲爾德單位大于所述區(qū)間最小值，將所述CT影像對應(yīng)的亨斯菲爾德單位取所述區(qū)間最小值；

所述CT影像對應(yīng)的亨斯菲爾德單位處于所述目標區(qū)間內(nèi)，保持所述CT影像對應(yīng)的亨斯菲爾德單位不變。

5.如權(quán)利要求3所述的人工智能模型訓(xùn)練方法，其特征在于，采用如下公式對所述CT影像對應(yīng)的亨斯菲爾德單位進行歸一化處理：

Dout＝Hounsfieldunits/(top-bottom)，Dout為歸一化之后的CT影像對應(yīng)的亨斯菲爾德單位，top為所述區(qū)間最大值，bottom為所述區(qū)間最小值。

6.如權(quán)利要求1所述的人工智能模型訓(xùn)練方法，其特征在于，所述CT影像中的肺結(jié)節(jié)的標注數(shù)據(jù)采用如下方式獲取：

獲取所述CT影像上的肺結(jié)節(jié)區(qū)域；

以所述肺結(jié)節(jié)區(qū)域為中心，獲取預(yù)設(shè)大小的圖像塊；

基于所述圖像塊獲取所述標注數(shù)據(jù)。

7.如權(quán)利要求6所述的人工智能模型訓(xùn)練方法，其特征在于，當所述圖像塊中包括多個肺結(jié)節(jié)區(qū)域時，保留位于所述圖像塊中心的肺結(jié)節(jié)區(qū)域，去除所述圖像塊中其他位置的肺結(jié)節(jié)區(qū)域。

8.如權(quán)利要求1所述的人工智能模型訓(xùn)練方法，其特征在于，所述標準攝取值預(yù)測模型采用ResNet-34架構(gòu)。

9.如權(quán)利要求8所述的人工智能模型訓(xùn)練方法，其特征在于，所述標準攝取值預(yù)測模型的stem部分執(zhí)行一次下采樣過程。

10.一種人工智能模型訓(xùn)練裝置，其特征在于，包括：

獲取單元，用于獲取肺部CT影像以及PET影像；

確定單元，用于確定所述CT影像對應(yīng)的亨斯菲爾德單位，以及所述PET影像對應(yīng)的標準攝取值；

訓(xùn)練單元，用于將所述CT影像對應(yīng)的亨斯菲爾德單位以及所述CT影像中的肺結(jié)節(jié)的標注數(shù)據(jù)作為模型輸入，將所述PET影像對應(yīng)的標準攝取值作為模型輸出，執(zhí)行標準攝取值預(yù)測模型訓(xùn)練，得到標準攝取值預(yù)測模型。