肺结节检测模型训练方法、检测方法及装置制造方法及图纸

本发明专利技术公开了一种肺结节检测模型训练方法、检测方法及装置。基于半监督学习方法训练肺结节检测模型，减少了训练肺结节检测模型所需的标注数据的数量，进而降低了标注成本。此外，通过计算各结节特征之间的连接矩阵，基于连接矩阵构建图卷积神经网络，利用图卷积神经网络充分挖掘标注数据和未标注数据之间的共性特征，能够提高肺结节检测模型的检测精度。

【技术实现步骤摘要】
肺结节检测模型训练方法、检测方法及装置
本专利技术实施例涉及机器学习
，尤其涉及一种肺结节检测模型训练方法、检测方法及装置。
技术介绍
受环境、吸烟以及遗传等因素的影响，肺癌是我国死亡率和发病率最高的恶性肿瘤。根据医学数据显示，早期肺癌5年生存率显著高于中晚期肺癌，早发现、早诊断和治疗是改善肺癌的重要途径。判断肺部是否存在肺结节是判定癌症的一项有力指标，因此肺结节的早期筛查变得尤为重要。其中，胸部低剂量CT图像具有分层薄、视野清晰、干扰因素少等特点，因此，基于肺部CT图像检测肺结节是目前国际公认的有效手段。随着计算机人工智能的发展，深度学习越来越多的应用到CT图片的分析中，这可以减轻医生工作负担。但现有的肺结节深度学习检测算法采用监督学习框架，训练样本需要预先进行人工标注。而深度学习模型参数量动辄上百万，为防止过拟合，需要大量的训练样本，即训练一个有效的深度学习检测模型，需要大量的人工标注样本。而一个薄层胸部CT序列包含200-500张图像，逐层查看标注耗时长，为保证标注质量，需要标注者是具有丰富经验的影像科医生，并采取多本文档来自技高网...

【技术保护点】
1.一种肺结节检测模型训练方法，其特征在于，包括：/n以标注数据为样本训练肺结节检测模型，所述标注数据包括多张带有标签的第一肺部CT图像样本，所述标签用于标示所述第一肺部CT图像样本是否存在肺结节；/n将所述标注数据和未标注数据输入所述肺结节检测模型，得到各肺部CT图像样本的结节特征，所述未标注数据包括多张不带标签的第二肺部CT图像样本；/n计算各所述结节特征之间的连接矩阵，所述连接矩阵用于表示各所述结节特征之间的连接关系；/n基于所述连接矩阵构建图卷积神经网络；/n以所述标注数据中各第一肺部CT图像样本的结节特征为样本训练所述图卷积神经网络；/n将所述未标注数据的结节特征输入所述图卷积神经网...

【技术特征摘要】
1.一种肺结节检测模型训练方法，其特征在于，包括：
以标注数据为样本训练肺结节检测模型，所述标注数据包括多张带有标签的第一肺部CT图像样本，所述标签用于标示所述第一肺部CT图像样本是否存在肺结节；
将所述标注数据和未标注数据输入所述肺结节检测模型，得到各肺部CT图像样本的结节特征，所述未标注数据包括多张不带标签的第二肺部CT图像样本；
计算各所述结节特征之间的连接矩阵，所述连接矩阵用于表示各所述结节特征之间的连接关系；
基于所述连接矩阵构建图卷积神经网络；
以所述标注数据中各第一肺部CT图像样本的结节特征为样本训练所述图卷积神经网络；
将所述未标注数据的结节特征输入所述图卷积神经网络中进行处理，确定各所述第二肺部CT图像样本的伪标签；
以所述标注数据和带伪标签的未标注数据为样本，重新训练所述肺结节检测模型。


2.根据权利要求1所述的肺结节检测模型训练方法，其特征在于，所述肺结节检测模型包括沙漏网络、分类网络、回归网络和第一分类器，所述沙漏网络具有第一输出端和第二输出端，分别用于输出第一输出特征和第二输出特征，所述以标注数据为样本训练肺结节检测模型，包括：
将所述带有标签的第一肺部CT图像样本输入所述沙漏网络中进行处理，得到第一输出特征和第二输出特征；
将所述第一输出特征输入所述回归网络进行处理，得到第一预测点的目标属性；
将所述第二输出特征输入所述分类网络进行处理，得到所述第一肺部CT图像样本的结节特征；
将所述结节特征输入所述第一分类器，得到所述第一预测点为肺结节的中心点的第一概率；
基于所述第一概率计算分类损失值，以及基于所述目标属性计算回归损失值；
根据第一损失值更新所述沙漏网络、分类网络、回归网络和第一分类器的参数，所述第一损失值为所述分类损失值和所述回归损失值之和。


3.根据权利要求2所述的肺结节检测模型训练方法，其特征在于，所述基于所述第一概率计算分类损失值，以及基于所述目标属性计算回归损失值，包括：
通过焦点损失函数计算将所述第一预测点作为肺结节的中心点的焦点损失值作为分类损失值；
通过平均绝对误差函数计算所述第一预测点相对于所述肺结节的中心点的平均绝对误差作为回归损失值。


4.根据权利要求1-3任一所述的肺结节检测模型训练方法，其特征在于，将所述标注数据和未标注数据输入所述肺结节检测模型，得到各肺部CT图像样本的结节特征，包括：
将所述标注数据和未标注数据输入所述肺结节检测模型，得到第二预测点为肺结节的中心点的第二概率；
从所述标注数据和未标注数据中确定所述第二概率大于概率阈值的目标肺部CT图像样本；
将所述目标肺部CT图像样本的结节特征作为目标结节特征。


5.根据权利要求4所述的肺结节检测模型训练方法，其特征在于，所述计算各所述结节特征之间的连接矩阵，包括：
计算每一所述目标结节特征与该目标结节特征的K近邻内的目标结节特征的距离；
基于所述距离确定连接矩阵。


6.根据权利要求1-3任一所述的肺结节检测模型训练方法，其特征在于，基于所述连接矩阵构建图卷积神经网络，包括：
对所述连接矩阵进行正则化处理，得到正则化矩阵；
基于所述正则化矩阵构建图卷积神经网络，所述图卷积神经网络包括第一图卷积层、第二图卷积层和第二分类器，所述正则化矩阵为所述第一图卷积层和所述第二图卷积层的参数矩阵。


7.根据权利要求6所述的肺结节检测模型训练方法，其特征在于，所述以所述标注数据中各第一肺部CT图像样本的结节特征为样本训练图卷积神经网络，包括：
将所述第一肺部CT图像样本的结节特征输入所述第一图卷积层中进行处理，得到...

【专利技术属性】
技术研发人员：张玉兵，王静雯，
申请(专利权)人：广州视源电子科技股份有限公司，
类型：发明
国别省市：广东;44