【技术实现步骤摘要】
结节识别模型训练方法、结节识别方法及装置
本专利技术实施例涉及图像处理
，尤其涉及结节识别模型训练方法、结节识别方法及装置。
技术介绍
肺部结节是肺癌的早起症状之一，根据结节的病变特征可推断出病灶特性。由于结节的大小、形状以及密度等特征的不确定性，传统的医学检测方法难以满足肺结节的检测精度。近年来，随着人工智能和深度学习算法的发展，医学影像的处理也涉足其中，通过深度神经网络提取CT图像中的抽象特征，相对于人工手动提取特征，避免了人工主观因素在不同环境中造成的不同程度的影响。但是，由于结节的大小、形状以及密度等特征的不确定性，目前训练得到的深度神经网络对结节的识别精度低，无法适应不同的结节。
技术实现思路
本专利技术提供一种结节识别方法、装置、存储介质及电子设备，以实现提高结节识别精度。第一方面，本专利技术实施例提供了结节识别模型训练方法，包括：获取样本图像，其中，所述样本图像中各像素点设置有标识，所述标识包括正样本标识、负样本标识和非样本标识；将所述样本图像输入至待训...
【技术保护点】
1.一种结节识别模型训练方法，其特征在于，包括：/n获取样本图像，其中，所述样本图像中各像素点设置有标识，所述标识包括正样本标识、负样本标识和非样本标识；/n将所述样本图像输入至待训练的结节识别模型中，基于所述待训练的结节识别模型的识别结果确定各像素点的损失函数；/n根据所述样本图像中各像素点的标识和各像素点的损失函数，确定所述样本图像对应的损失函数；/n基于所述样本图像对应的损失函数对所述待训练的结节识别模型进行训练，生成结节识别模型。/n
【技术特征摘要】
1.一种结节识别模型训练方法，其特征在于，包括：
获取样本图像，其中，所述样本图像中各像素点设置有标识，所述标识包括正样本标识、负样本标识和非样本标识；
将所述样本图像输入至待训练的结节识别模型中，基于所述待训练的结节识别模型的识别结果确定各像素点的损失函数；
根据所述样本图像中各像素点的标识和各像素点的损失函数，确定所述样本图像对应的损失函数；
基于所述样本图像对应的损失函数对所述待训练的结节识别模型进行训练，生成结节识别模型。
2.根据权利要求1所述的方法，其特征在于，在获取样本图像之前，还包括：
根据已标记正样本标识对应的像素点数量和正负样本比例范围确定检测窗；
将所述检测窗内未标记的像素点设置负样本标识；
将所述检测窗外未标记的像素点设置非样本标识。
3.根据权利要求2所述的方法，其特征在于，所述根据已标记正样本标识对应的像素点数量和正负样本比例范围确定检测窗，包括：
根据已标记正样本标识对应的像素点数量和正负样本比例范围确定预设形状的检测窗的尺寸；
根据所述已标记正样本标识对应的像素点区域位置，确定所述检测窗的位置，所述已标记正样本标识对应的像素点区域位置位于所述检测窗的中心区域。
4.根据权利要求1所述的方法，其特征在于，所述根据所述样本图像中各像素点的标识和各像素点的损失函数，确定所述样本图像对应的损失函数，包括：
根据预设处理规则，将标识为正样本标识和负样本标识的像素点的损失函数进行处理，得到所述样本图像对应的损失函数。
5.根据权利要求1所述的方法，其特征在于，所述样本图像包括由三维肺部数据切片得到的多个二维样本图像，其中，所述将所述样本图像输入至待训练的结节识别模型中，包括：
对于当前二维样本图像，将所述当前二维样本图像、所述当前二维样本图像之前的第一预设数量的二维样本图像和所述当前二维样本图像之后的第二预设数量的二维样本图像，输入至待训练的结节识别模型中。
6.根据权利要求1所述的方法，其特征在于，所述结节识别模型包括特征提取模块、空洞卷积模块和解码模块，其中，所述特征提取模块包括残差块子网络和特征金字塔子网络，所述残差块子网络和特征金字塔子网络横向连接，所述解码模块包括依次连接的第一数量的反卷积块和第二数量的卷积块。
7.一种结节识别方法...
【专利技术属性】
技术研发人员：刘恩佑，张欢，赵朝炜，李新阳，陈宽，王少康，
申请(专利权)人：北京推想科技有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。