检测模型训练方法、淋巴结检测方法、装置、设备及介质制造方法及图纸

本发明专利技术实施例公开了一种检测模型训练方法、淋巴结检测方法、装置、设备及介质，检测模型训练方法包括：基于特征提取网络构建淋巴结检测模型；获取所述淋巴结检测模型的训练样本数据，使用所述训练样本数据对所述淋巴结检测模型进行训练，得到训练好的淋巴结检测模型，其中所述训练样本数据包括样本图像、所述样本图像对应的样本检测标签，以及所述样本图像对应的样本分割标签。本发明专利技术实施例提供的模型训练方法通过使用包括样本图像、样本图像对应的样本检测标签以及样本图像对应的样本分割标签的训练样本数据对淋巴结检测模型中的不同特征层进行多分支训练，使得训练好的淋巴结检测模型能够提供较全面的淋巴结检测信息。

【技术实现步骤摘要】
检测模型训练方法、淋巴结检测方法、装置、设备及介质
本专利技术实施例涉及图像处理领域，尤其涉及一种检测模型训练方法、淋巴结检测方法、装置、设备及介质。
技术介绍
淋巴结是人体免疫系统的重要组成部分，是淋巴回流系统的重要节点，正常直径多在5毫米之内。纵隔是指人体胸部位于两肺之间，胸廓入口以下，膈肌以上的区域。纵隔淋巴结，是指位于纵隔内的淋巴结。而纵隔淋巴结肿大是根据影像学检查(如CT、磁共振)结果进行判断的，一般是指短径大于1厘米的淋巴结。纵隔淋巴结肿大可能会对健康造成一定影响，如果纵隔淋巴结肿大为恶性肿瘤所致，一方面肿瘤自身的进展可危及生命，另一方面淋巴结的不断增大可能压迫或侵犯纵隔内的重要脏器，如大气道、大血管，可导致呼吸、循环系统衰竭。如果是良性疾病(如结节病、结核)引起的纵隔淋巴结肿大，因疾病进展较缓慢且多可通过治疗控制或缓解，危险度较低。目前，对淋巴结的检测方法有两类：一、使用区域生长法，填充法等传统方法，二、使用深度学习的方法。其中，传统算法自动化程度低，需要人工参与；深度学习算法任务单一，检测结果较片面。
技术实现思路
本专利技术实施例提供了一种检测模型训练方法、淋巴结检测方法、装置、设备及介质，以实现提供较全面的淋巴结检测信息。第一方面，本专利技术实施例提供了一种淋巴结检测模型训练方法，包括：基于特征提取网络构建淋巴结检测模型；获取淋巴结检测模型的训练样本数据，使用训练样本数据对淋巴结检测模型进行训练，得到训练好的淋巴结检测模型，其中训练样本数据包括样本图像、样本图像对应的样本检测标签，以及样本图像对应的样本分割标签。第二方面，本专利技术实施例还提供了一种淋巴结检测方法，包括：获取待检测图像；将待检测图像输入至训练好的淋巴结检测模型中，获得淋巴结检测模型输出的输出信息，其中，训练好的淋巴结检测模型是使用如本专利技术任意实施例所提供的淋巴结检测模型训练方法训练得到的；根据输出信息确定待检测图像的检测信息并输出。第三方面，本专利技术实施例还提供了一种淋巴结检测模型训练装置，包括：模型构建模块，用于基于特征提取网络构建淋巴结检测模型；模型训练模块，用于获取淋巴结检测模型的训练样本数据，使用训练样本数据对淋巴结检测模型进行训练，得到训练好的淋巴结检测模型，其中训练样本数据包括样本图像、样本图像对应的样本检测标签，以及样本图像对应的样本分割标签。第四方面，本专利技术实施例还提供了一种淋巴结检测装置，包括：检测图像获取模块，用于获取待检测图像；；图像检测模块，用于将待检测图像输入至训练好的淋巴结检测模型中，获得淋巴结检测模型输出的输出信息，其中，训练好的淋巴结检测模型是使用如本专利技术任意实施例所提供的淋巴结检测模型训练方法训练得到的；检测信息输出模块，用于根据输出信息确定待检测图像的检测信息并输出。第五方面，本专利技术实施例还提供了一种计算机设备，设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如本专利技术任意实施例所提供的淋巴结检测模型训练方法，和/或，实现如本专利技术任意实施例所提供的淋巴结检测方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术任意实施例所提供的淋巴结检测模型训练方法，和/或，实现如本专利技术任意实施例所提供的淋巴结检测方法。本专利技术实施例通过基于特征提取网络构建淋巴结检测模型；获取淋巴结检测模型的训练样本数据，使用训练样本数据对淋巴结检测模型进行训练，得到训练好的淋巴结检测模型，其中训练样本数据包括样本图像、样本图像对应的样本检测标签，以及样本图像对应的样本分割标签，通过使用包括样本图像、样本图像对应的样本检测标签以及样本图像对应的样本分割标签的训练样本数据对淋巴结检测模型中的不同特征层进行多分支训练，使得训练好的淋巴结检测模型在进行淋巴结检测时能够提供较全面的淋巴结检测信息。附图说明图1a是本专利技术实施例一所提供的一种淋巴结检测模型训练方法的流程图；图1b是本专利技术实施例一所提供的一种纵膈淋巴结分布示意图；图1c是本专利技术实施例一所提供的一种淋巴结检测模型训练示意图；图2a是本专利技术实施例二所提供的一种淋巴结检测方法的流程图；图2b是本专利技术实施例二所提供的一种淋巴结检测结果示意图；图3是本专利技术实施例三所提供的一种淋巴结检测模型训练装置的结构示意图；图4是本专利技术实施例四所提供的一种淋巴结检测装置的结构示意图；图5是本专利技术实施例五所提供的一种计算机设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1a是本专利技术实施例一所提供的一种淋巴结检测模型训练方法的流程图。本实施例可适用于对淋巴结检测模型进行训练时的情形。该方法可以由淋巴结检测模型训练装置执行，该淋巴结检测模型训练装置可以采用软件和/或硬件的方式实现，例如，该淋巴结检测模型训练装置可配置于计算机设备中。如图1a所示，所述方法包括：S110、基于特征提取网络构建淋巴结检测模型。在本实施例中，基于特征提取网络构建淋巴结检测模型，并对样本标记后，使用标记样本构成的训练样本数据对构建好的淋巴结检测模型进行训练，得到训练好的淋巴结检测模型，使得训练好的淋巴结检测模型能够准确，自动，鲁棒地检测纵膈的淋巴结并进行分割，给出淋巴结的分组信息和长短径大小以供医生判断是否肿大。可选的，为了实现全面的获取淋巴结的信息，在构建淋巴结检测模型时，需要在特征提取网络的基础上添加淋巴结识别模块、淋巴结分组模块、淋巴结位置回归模块和淋巴结分割模块，通过淋巴结识别模块对图像特征进行分析，得到淋巴结的识别信息(图像候选区域内是否存在淋巴结)，通过淋巴结分组模块对图像特征进行分析，得到淋巴结的分组信息(淋巴结所属组别)，通过淋巴结位置回归模块对图像特征进行分析，得到淋巴结的位置信息(淋巴结所在矩形框)，通过淋巴结分割模块对图像特征进行分析，得到淋巴结的分割特征(分割轮廓)。可选的，特征提取网络为ResNext50-FPN网络，即采用深度学习中经典的ResNext50-FPN作为特征提取网络，提取出图像的特征数据。在本专利技术的一种实施方式中，基于特征提取网络构建淋巴结检测模型，包括：以特征提取网络为基础网络结构，在特征提取网络的第一特征提取层后并列添加二分类分支模块、多分类分支模块以及目标框回归模块；在特征提取网络的第二特征提取层后添加淋巴结分割模块，得到构建好的淋巴结检测模型。具体的，考虑到上述淋巴结识别模块、淋巴结分组模块、淋巴结位置回归模块以及淋巴结分割模块的具体作用，将各模块进行具体本文档来自技高网...

【技术保护点】
1.一种淋巴结检测模型训练方法，其特征在于，包括：/n基于特征提取网络构建淋巴结检测模型；/n获取所述淋巴结检测模型的训练样本数据，使用所述训练样本数据对所述淋巴结检测模型进行训练，得到训练好的淋巴结检测模型，其中所述训练样本数据包括样本图像、所述样本图像对应的样本检测标签，以及所述样本图像对应的样本分割标签。/n

【技术特征摘要】
1.一种淋巴结检测模型训练方法，其特征在于，包括：
基于特征提取网络构建淋巴结检测模型；
获取所述淋巴结检测模型的训练样本数据，使用所述训练样本数据对所述淋巴结检测模型进行训练，得到训练好的淋巴结检测模型，其中所述训练样本数据包括样本图像、所述样本图像对应的样本检测标签，以及所述样本图像对应的样本分割标签。


2.根据权利要求1所述的方法，其特征在于，所述基于特征提取网络构建淋巴结检测模型，包括：
以所述特征提取网络为基础网络结构，在所述特征提取网络的第一特征提取层后并列添加二分类分支模块、多分类分支模块以及目标框回归模块；
在所述特征提取网络的第二特征提取层后添加淋巴结分割模块，得到构建好的淋巴结检测模型。


3.根据权利要求2所述的方法，其特征在于，所述样本检测标签包括样本识别标签、样本目标框标签以及样本组别标签，所述使用所述训练样本数据对所述淋巴结检测模型进行训练，得到训练好的淋巴结检测模型，包括：
将所述样本图像输入至所述特征提取网络中，获取所述第一特征提取层输出的第一特征，以及所述第二特征提取层输出的第二特征；
将所述第二特征输入至所述淋巴结分割模块中，获得所述淋巴结分割模块输出的预测分割结果，根据所述预测分割结果、所述样本分割标签以及分割损失函数确定分割损失值；
将所述第一特征输入至所述二分类分支模块中，获取所述二分类分支模块输出的预测识别结果，根据所述预测识别结果、所述样本识别标签以及二分类损失函数得到二分类损失值；
若所述样本识别标签为设定标签，则将所述第一特征分别输入至所述多分类分支模块以及所述目标框回归模块中，获得所述多分类分支模块输出的预测组别结果以及所述目标框回归模块输出的预测目标框；
根据所述预测组别结果、所述样本组别标签以及多分类损失函数得到多分类损失值，根据所述预测目标框、所述样本目标框标签以及目标框损失函数得到目标框损失值；
以所述分割损失值、所述二分类损失值、所述多分类损失值以及所述目标框损失值均收敛为目标，对所述淋巴结检测模型进行训练，得到训练好的淋巴结检测模型。


4.根据权利要求1所述的方法，其特征在于，所述特征提取网络为ResNext50-FPN网络。

【专利技术属性】
技术研发人员：袁勇，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