一种肺结节图像检测方法、模型训练方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种肺结节图像检测方法、模型训练方法、装置及存储介质，涉及医学影像处理领域。该肺结节图像检测的模型训练方法包括：通过卷积网络对CT肺结节数据进行预处理，获取肺结节特征图像；通过Xception网络结构获取肺结节特征图像的三维特征数据；堆叠肺结节特征图像的三维特征数据，获取第一四维特征；对第一四维特征进行三维卷积核处理，获取第二四维特征；根据第二四维特征，计算类别概率；类别概率是每个像素点为肺结节的几率；当类别概率满足模型的收敛条件时，获得已训练的肺结节图像检测模型。采用二维卷积+三维卷积核处理的架构，提高了计算效率，降低了对硬件资源的要求。

An Image Detection Method, Model Training Method, Device and Storage Medium for Pulmonary Nodules

【技术实现步骤摘要】
一种肺结节图像检测方法、模型训练方法、装置及存储介质
本申请涉及医学影像处理领域，具体而言，涉及一种肺结节图像检测方法、模型训练方法、装置及存储介质。
技术介绍
肺结节是一种病因未明的多系统多器官的肉芽肿性疾病，常侵犯肺、双侧肺门淋巴结、眼、皮肤等器官，其胸部受侵率高达80％～90％。CT是用于肺结节检测的一种有效工具，但CT影像数量与影像科医生数量之间的矛盾使得肺结节的自动检测算法成为一种迫切的需求。目前针对肺结节自动检测技术已经进行了大量的研究，这些研究主要着力于传统的机器学习以及深度学习领域。现有技术一般使用两种方法：第一种，二维卷积提取特征，使用循环网络对各层数据进行关联分析；第二种，使用三维卷积网络处理CT数据。第一种方案只能得到一个分类结果，循环网络的串行结构会降低计算效率，同时，循环网络对任意各层之间的计算不适合肺结节这种局部关联的疾病监测。第二种技术方案需要大量的样本和高配置的图形处理器，训练时间长。目前需要一种计算效率高的肺结节图像检测模型训练方法以解决上述问题。
技术实现思路
本专利技术实施例的目的在于提供一种肺结节图像检测方法、模型训练方法、装置及存储介质，使用二维卷积+三维卷积核处理的模型架构，解决计算效率低的问题。为了实现上述目的，本专利技术实施例采用的技术方案如下：第一方面，本专利技术实施例提出一种肺结节图像检测的模型训练方法，该方法包括：通过卷积网络对CT肺结节数据进行预处理，获取肺结节特征图像；通过Xception网络结构获取肺结节特征图像的三维特征数据；堆叠肺结节特征图像的三维特征数据，获取第一四维特征；对第一四维特征进行三维卷积核处理，获取第二四维特征；根据第二四维特征，计算类别概率；类别概率是每个像素点为肺结节的几率；当类别概率满足模型的收敛条件时，获得已训练的肺结节图像检测模型。可选地，在肺结节特征图像的三维特征数据通过Xception网络结构获取肺结节特征图像的三维特征数据之前，该方法还包括：根据开源的二维图像数据预训练上述Xception网络结构。可选地，方法还包括：当类别概率不满足模型的收敛条件时，则重新获取CT肺结节数据，对Xception网络结构执行迁移训练。具体地，对第一四维特征进行三维卷积核处理，获取输出通道数为相应的分类类别数的第二四维特征，包括：将第一四维特征用1x1x1的三维卷积核进行处理，获取输出通道数为256的第三四维特征；第一四维特征的输出通道数为2048。将第三四维特征依次使用5x1x3、5x3x1、7x1x3、7x3x1的三维卷积核进行处理，获取输出通道数为256的第四四维特征；使用修正线性单元对第四四维特征进行修正。将修正后第四四维特征进行上采样，获取输出通道数为256的第五四维特征。将第五四维特征与Xception网络结构中对应大小的属性映射层进行矩阵相加，获取输出通道数为256的第六四维特征。将第六四维特征用两个3x3x3的三维卷积核进行处理，获取输出通道数为256的第七四维特征；使用线性修订单元对第七四维特征进行修正。将修正后的第七四维特征用1x1x1的三维卷积核进行处理，获取输出通道数为相应的分类类别数的第二四维特征。第二方面，本专利技术实施例还提出一种肺结节图像检测方法，该方法应用于通过上述肺结节图像检测的模型训练方法获得的已训练的肺结节图像检测模型。该肺结节图像检测方法包括：通过卷积网络按照间隔为N/2依次抽取相邻的N层CT图像数据至所有CT图像数据抽取完成，并对CT图像数据进行预处理，获取肺结节特征图像。通过Xception网络结构获取肺结节特征图像的三维特征数据；堆叠肺结节特征图像的三维特征数据，获取第一四维特征；对第一四维特征进行三维卷积核处理，获取第二四维特征。根据第二四维特征，计算类别概率；类别概率是每个像素点为肺结节的几率。可选地，该方法还包括：根据类别概率，对N层CT图像数据进行预测，得到肺结节检测的预测结果；取两次相邻的N层CT图像数据的预测结果的平均值作为肺结节检测的最终预测结果。第三方面，本专利技术实施例还提出一种肺结节图像检测的模型训练装置，包括：第一处理模块和第一获取模块；第一获取模块，用于通过卷积网络获取CT肺结节数据；第一处理模块，用于预处理CT肺结节数据；第一获取模块获取肺结节特征图像。第一获取模块还用于通过Xception网络结构获取肺结节特征图像的三维特征数据；第一处理模块还用于堆叠肺结节特征图像的三维特征数据，第一获取模块还用于获取第一四维特征。第一处理模块还用于对第一四维特征进行三维卷积核处理，第一获取模块还用于获取第二四维特征；第一处理模块还用于根据第二四维特征，计算类别概率；类别概率是每个像素点为肺结节的几率；当类别概率满足模型的收敛条件时，第一获取模块还用于获取已训练的肺结节图像检测模型。可选地，第一处理模块还用于根据开源的二维图像数据预训练Xception网络结构。可选地，当类别概率不满足模型的收敛条件时，第一获取模块还用于重新获取CT肺结节数据；第一处理模块还用于对Xception网络结构执行迁移训练。第四方面，本专利技术实施例还提出一种肺结节图像检测装置，包括：第二处理模块和第二获取模块。第二获取模块，用于通过卷积网络按照间隔为N/2依次抽取相邻的N层CT图像数据至所有CT图像数据抽取完成；第二处理模块，用于预处理CT图像数据；第二获取模块还用于获取肺结节特征图像。第二处理模块还用于根据肺结节特征图像和Xception网络结构，获取肺结节特征图像的三维特征数据，堆叠肺结节特征图像的三维特征数据，第二获取模块还用于获取第一四维特征。第二处理模块还用于对第一四维特征进行三维卷积核处理，第二获取模块还用于获取第二四维特征。第二处理模块还用于根据第二四维特征，计算类别概率；类别概率是每个像素点为肺结节的几率。可选地，第二处理模块还用于根据类别概率，对N层图像数据进行预测，得到肺结节检测的预测结果；第二处理模块还用于取两次相邻的N层CT图像数据的预测结果的平均值作为肺结节检测的最终预测结果。第五方面，本专利技术实施例还提出一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器读取并运行时，实现上述的肺结节图像检测方法和肺结节图像检测的模型训练方法。本专利技术公开了一种肺结节图像检测方法、模型训练方法、装置及存储介质，涉及医学影像处理领域。该肺结节图像检测的模型训练方法包括：通过卷积网络对CT肺结节数据进行预处理，获取肺结节特征图像；通过Xception网络结构获取肺结节特征图像的三维特征数据；堆叠肺结节特征图像的三维特征数据，获取第一四维特征；对第一四维特征进行三维卷积核处理，获取第二四维特征；根据第二四维特征，计算类别概率；类别概率是每个像素点为肺结节的几率；当类别概率满足模型的收敛条件时，获得已训练的肺结节图像检测模型。采用二维卷积+三维卷积核的架构，提高了计算效率，降低了对硬件资源的要求。本专利技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术实施例了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应本文档来自技高网...

【技术保护点】
1.一种肺结节图像检测的模型训练方法，其特征在于，所述方法包括：通过卷积网络对CT肺结节数据进行预处理，获取肺结节特征图像；通过Xception网络结构获取所述肺结节特征图像的三维特征数据；堆叠所述肺结节特征图像的三维特征数据，获取第一四维特征；对所述第一四维特征进行三维卷积核处理，获取第二四维特征；根据所述第二四维特征，计算类别概率；所述类别概率是每个像素点为肺结节的几率；当所述类别概率满足模型的收敛条件时，获得已训练的肺结节图像检测模型。

【技术特征摘要】
1.一种肺结节图像检测的模型训练方法，其特征在于，所述方法包括：通过卷积网络对CT肺结节数据进行预处理，获取肺结节特征图像；通过Xception网络结构获取所述肺结节特征图像的三维特征数据；堆叠所述肺结节特征图像的三维特征数据，获取第一四维特征；对所述第一四维特征进行三维卷积核处理，获取第二四维特征；根据所述第二四维特征，计算类别概率；所述类别概率是每个像素点为肺结节的几率；当所述类别概率满足模型的收敛条件时，获得已训练的肺结节图像检测模型。2.根据权利要求1所述的肺结节图像检测的模型训练方法，其特征在于，在所述通过Xception网络结构获取所述肺结节特征图像的三维特征数据之前，所述方法还包括：根据开源的二维图像数据预训练所述Xception网络结构。3.根据权利要求2所述的肺结节图像检测的模型训练方法，其特征在于，所述方法还包括：当所述类别概率不满足模型的收敛条件时，则重新获取所述CT肺结节数据，对所述Xception网络结构执行迁移训练。4.根据权利要求1所述的肺结节图像检测的模型训练方法，其特征在于，所述对所述第一四维特征进行三维卷积核处理，获取输出通道数为相应的分类类别数的第二四维特征，包括：将所述第一四维特征用1x1x1的三维卷积核进行处理，获取输出通道数为256的第三四维特征；所述第一四维特征的输出通道数为2048；将所述第三四维特征依次使用5x1x3、5x3x1、7x1x3、7x3x1的三维卷积核进行处理，获取输出通道数为256的第四四维特征；使用修正线性单元对所述第四四维特征进行修正；将修正后所述第四四维特征进行上采样，获取输出通道数为256的第五四维特征；将所述第五四维特征与所述Xception网络结构中对应大小的属性映射层进行矩阵相加，获取输出通道数为256的第六四维特征；将所述第六四维特征用两个3x3x3的三维卷积核进行处理，获取输出通道数为256的第七四维特征；使用所述线性修订单元对所述第七四维特征进行修正；将修正后的所述第七四维特征用1x1x1的三维卷积核进行处理，获取输出通道数为相应的分类类别数的第二四维特征。5.一种肺结节图像检测方法，其特征在于，所述方法应用于通过所述权利要求1－4任意一项所述的方法获得的已训练的肺结节图像检测模型，所述方法包括：通过卷积网络按照间隔为N/2依次抽取相邻的N层CT图像数据至所有CT图像数据抽取完成，并对所述CT图像数据进行预处理，获取肺结节特征图像；通过Xception网络结构获取所述肺结节特征图像的三维特征数据；堆叠所述肺结节特征图像的三维...

【专利技术属性】
技术研发人员：王杰，
申请(专利权)人：成都医云科技有限公司，
类型：发明
国别省市：四川,51