医学图像的目标检测模型训练方法和装置制造方法及图纸

本申请实施例提供了一种医学图像的目标检测模型训练方法和装置，解决了现有医学图像的目标检测方式的准确率低和效率低的问题。该医学图像的目标检测模型训练方法包括：将包括三维空间内的多个层面图像的医学图像样本和与所述医学图像样本对应的标注检测框输入卷积神经网络；基于所述卷积神经网络提取所述多个层面图像的三维特征图；基于所述卷积神经网络根据所述三维特征图获得预测检测框；计算所述预测检测框和所述标注检测框之间损失；以及基于所述损失调整所述卷积神经网络的网络参数。

Training method and device of medical image target detection model

【技术实现步骤摘要】
医学图像的目标检测模型训练方法和装置
本申请涉及影像分析
，具体涉及一种医学图像的目标检测模型训练方法、装置、电子设备和计算机可读存储介质。
技术介绍
以深度学习技术为核心的计算机辅助诊断技术越来越广泛的应用在临床实践中。目前，针对CT（电子计算机断层扫描）、MRI（磁共振成像）等三维医疗图像的病灶检出问题成为相关研究的热点。和自然图像不同，CT、MRI等模态的医疗图像数据具有多个层面，是对三维空间中人体组织和结构的一种描述。因此，针对此类医疗图像的目标检测任务中，除了要考虑空间信息，还需要借助多个层面的特征进行辅助建模。当前针对CT等图像的目标检测任务通常有两种，第一种是直接预测三维空间中的三维检测框，表示为（x,y,z,w,h,d），即中心点坐标和长宽高；另一种则是对图像中的每一个层面进行预测，得到相应的二维检测框，表示为（x,y,w,h），即该层面上的中心点坐标和长宽。在自然图像中，基于深度学习的检测技术通常解决的问题是二维图像中的目标定位问题。随着深度学习技术的发展，现在已经有一系列的方法可以进行精准的目标检测，比本文档来自技高网...

【技术保护点】
1.一种医学图像的目标检测模型训练方法，其特征在于，包括：/n将包括三维空间内的多个层面图像的医学图像样本和与所述医学图像样本对应的标注检测框输入卷积神经网络；/n基于所述卷积神经网络提取所述多个层面图像的三维特征图；/n基于所述卷积神经网络根据所述三维特征图获得预测检测框；/n计算所述预测检测框和所述标注检测框之间损失；以及/n基于所述损失调整所述卷积神经网络的网络参数。/n

【技术特征摘要】
1.一种医学图像的目标检测模型训练方法，其特征在于，包括：
将包括三维空间内的多个层面图像的医学图像样本和与所述医学图像样本对应的标注检测框输入卷积神经网络；
基于所述卷积神经网络提取所述多个层面图像的三维特征图；
基于所述卷积神经网络根据所述三维特征图获得预测检测框；
计算所述预测检测框和所述标注检测框之间损失；以及
基于所述损失调整所述卷积神经网络的网络参数。


2.根据权利要求1所述的方法，其特征在于，所述标注检测框为与多个层面图像中的待检测图像对应的二维标注检测框；
其中，在基于所述卷积神经网络根据所述三维特征图获得预测检测框之前，所述方法进一步包括：
将所述三维特征图转换为二维特征图；
其中，所述基于所述卷积神经网络根据所述三维特征图获得预测检测框包括：基于所述卷积神经网络根据所述二维特征图获得二维预测检测框；
其中，所述计算所述预测检测框和所述标注检测框之间损失包括：计算所述二维预测检测框和所述二维标注检测框之间损失。


3.根据权利要求1所述的方法，其特征在于，所述卷积神经网络为伪三维卷积神经网络。


4.根据权利要求1所述的方法，其特征在于，所述多个层面图像在三维空间内的竖向间隔距离相等，待检测图像为所述多个层面图像的三维空间中心位置的图像。


5.根据权利要求1所述的方法，其特征在于，所述基于所述卷积神经网络提取所述多个层面图像的三维特征图包括：
对所述多个层面图像进行三维池化操作时保持竖直方向的分辨率不变；或，
对所述多个层面图像进行三维池化操作时在竖直方向上也降采样，降低竖直方向的分辨率。


6.根据权利要求1所述...

【专利技术属性】
技术研发人员：张树，马杰超，李梓豪，俞益洲，
申请(专利权)人：北京深睿博联科技有限责任公司，杭州深睿博联科技有限公司，
类型：发明
国别省市：北京;11