基于遗传算法的肺结核检测模型的训练方法、装置及设备制造方法及图纸

本发明专利技术公开了一种基于遗传算法的肺结核检测模型的训练方法、装置及设备，首先采集样本胸片的dcm文件，排除非正位胸片后转换为png文件；影像科专家对采集得到的正位胸片进行判断，判断其是否属于肺结核患者；影像科专家对筛选出来的属于肺结核患者的正位胸片以标注框的方式将正位胸片中的病灶标注出来；将经过标注的正位胸片以及标注框信息输入肺结核检测模型中并行训练多个模型，经过多轮迭代得到最终的肺结核检测模型。本发明专利技术能够在较少的试验次数下得到比随机调参更优的结果并且能自动化地对参数进行调整，减少人工调参对经验的依赖。依赖。

【技术实现步骤摘要】
基于遗传算法的肺结核检测模型的训练方法、装置及设备


[0001]本专利技术涉及肺结核检测
，具体涉及一种基于遗传算法的肺结核检测模型的训练方法、装置及设备。

技术介绍

[0002]肺结核是我国的乙类传染病。结核病是由结核杆菌感染引起的慢性传染病。结核菌可能侵入人体全身各种器官，但主要侵犯肺脏，称为肺结核病。结核病又称为痨病和“白色瘟疫”，是一种古老的传染病，自有人类以来就有结核病。肺结核患者主要分布在我国穷困地区，由于缺乏高水平影像科专家对胸片进行准确判断，因此容易导致肺结核在穷困地区的进一步扩展。医疗影像辅助诊断设备能够在大规模检测肺结核筛查任务中发挥巨大的作用，但是医疗影像辅助诊断模型训练的超参数空间巨大，采用随机调参需要足够的算力来覆盖足够多的模型。如果采用手工调参的方式，则需要丰富的经验而且不能保证得到较为不错的结果。

技术实现思路

[0003]针对现有技术的不足，本专利技术旨在提供一种基于遗传算法的肺结核检测模型的训练方法、装置及设备。
[0004]为了实现上述目的，本专利技术采用如下技术方案：
[0005]一种基于遗传算法的肺结核检测模型的训练方法，具体过程如下：
[0006]S1、采集样本胸片的dcm文件，同时排除非正位胸片，筛选得到正位胸片；将采集到的正位胸片的dcm文件转换为png文件；
[0007]S2、影像科专家对采集得到的正位胸片进行判断，判断其是否属于肺结核患者，排除健康的正位胸片；
[0008]S3、影像科专家对筛选出来的属于肺结核患者的正位胸片进行标注，以标注框的方式将正位胸片中的病灶标注出来；
[0009]S4、将经过标注的正位胸片以及标注框信息输入肺结核检测模型中并行训练多个模型，各个模型开始训练前先在超参数的范围内随机选择固定数值；
[0010]S5、把训练好的各个模型在验证集上进行验证，计算模型的平均准确率作为该模型的适应值；
[0011]S6、将训练好的所有模型的超参数进行选择、交叉、变异操作，得到新一代待训练的多个模型；
[0012]S7、将经过标注的正位胸片以及标注框信息输入新一代待训练的多个模型中并行训练；
[0013]S8、计算训练得到的模型在验证集上的平均准确率作为该模型的适应值；
[0014]S9、如果当前的迭代轮数小于预设的迭代轮数上限，返回至步骤S6，否则选择适应值最高的模型作为最终的肺结核检测模型。
[0015]本专利技术提供一种实现上述训练方法的训练装置，包括：
[0016]胸片采集模块：用于采集样本胸片的dcm文件，同时排除非正位胸片，筛选得到正位胸片，以及将采集到的正位胸片的dcm文件转换为png文件；
[0017]胸片筛选模块：用于供影像科专家对采集得到的正位胸片进行判断，判断其是否属于肺结核患者，排除健康的正位胸片；
[0018]标注模块：用于供影像科专家对筛选出来的属于肺结核患者的正位胸片进行标注，以标注框的方式将正位胸片中的病灶标注出来；
[0019]训练模块：用于按照权利要求1所述方法的步骤S4
‑
S9进行模型训练，得到最终的肺结核检测模型。
[0020]本专利技术还提供一种具有上述训练方法训练得到的肺结核检测模型的辅助诊断设备。
[0021]本专利技术的有益效果在于：本专利技术能够在较少的试验次数下得到比随机调参更优的结果并且能自动化地对参数进行调整，减少人工调参对经验的依赖。
附图说明
[0022]图1为本专利技术实施例1的方法流程图。
具体实施方式
[0023]以下将结合附图对本专利技术作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围并不限于本实施例。
[0024]实施例1
[0025]本实施例提供一种基于遗传算法的肺结核检测模型的训练方法，如图1所示，具体过程如下：
[0026]S1、采集样本胸片的dcm文件，同时排除非正位胸片，筛选得到正位胸片；将采集到的正位胸片的dcm文件转换为png文件；
[0027]S2、影像科专家对采集得到的正位胸片进行判断，判断其是否属于肺结核患者，排除健康的正位胸片；
[0028]S3、影像科专家对筛选出来的属于肺结核患者的正位胸片进行标注，以标注框的方式将正位胸片中的病灶标注出来；
[0029]S4、将经过标注的正位胸片以及标注框信息输入肺结核检测模型中并行训练多个模型，各个模型开始训练前先在超参数的范围内随机选择固定数值；
[0030]S5、把训练好的各个模型在验证集上进行验证，计算模型的平均准确率作为该模型的适应值；
[0031]S6、将训练好的所有模型的超参数进行选择、交叉、变异操作，得到新一代待训练的多个模型；
[0032]S7、将经过标注的正位胸片以及标注框信息输入新一代待训练的多个模型中并行训练；
[0033]S8、计算训练得到的模型在验证集上的平均准确率作为该模型的适应值；
[0034]S9、如果当前的迭代轮数小于预设的迭代轮数上限，返回至步骤S6，否则选择适应值最高的模型作为最终的肺结核检测模型。
[0035]利用所述肺结核检测模型时，将待检测的胸片输入肺结核检测模型中，肺结核检测模型对胸片进行检测并输出检测预测结果。
[0036]实施例2
[0037]本实施例提供一种实现实施例1所述训练方法的训练装置，包括：
[0038]胸片采集模块：用于采集样本胸片的dcm文件，同时排除非正位胸片，筛选得到正位胸片，以及将采集到的正位胸片的dcm文件转换为png文件；
[0039]胸片筛选模块：用于供影像科专家对采集得到的正位胸片进行判断，判断其是否属于肺结核患者，排除健康的正位胸片；
[0040]标注模块：用于供影像科专家对筛选出来的属于肺结核患者的正位胸片进行标注，以标注框的方式将正位胸片中的病灶标注出来；
[0041]训练模块：用于按照实施例1方法的步骤S4
‑
S9进行模型训练，得到最终的肺结核检测模型。
[0042]实施例3
[0043]为了验证实施例1方法的优势，本实施例收集了4000张有临床验证的胸片并标注了其肺结核的病灶区域。将这4000张胸片分为3000张训练集，以及1000张验证集。同时还收集了10000张健康的胸片用于统计性能指标。在判断胸片是否正确检测为肺结核患者的任务上，在相同的100轮超参数调试的实验中，实施例1方法能够取得0.9461的AUC
‑
ROC值。而随机调参的方法只能取得0.9353的AUC
‑
ROC值。
[0044]其中超参数定义如表1所示。
[0045]表1
[0046]超参数参数范围学习率1e
‑
5～1e
‑
1权重衰减0～1e
‑
3图像旋转角度0～45度图像放大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遗传算法的肺结核检测模型的训练方法，其特征在于，具体过程如下：S1、采集样本胸片的dcm文件，同时排除非正位胸片，筛选得到正位胸片；将采集到的正位胸片的dcm文件转换为png文件；S2、影像科专家对采集得到的正位胸片进行判断，判断其是否属于肺结核患者，排除健康的正位胸片；S3、影像科专家对筛选出来的属于肺结核患者的正位胸片进行标注，以标注框的方式将正位胸片中的病灶标注出来；S4、将经过标注的正位胸片以及标注框信息输入肺结核检测模型中并行训练多个模型，各个模型开始训练前先在超参数的范围内随机选择固定数值；S5、把训练好的各个模型在验证集上进行验证，计算模型的平均准确率作为该模型的适应值；S6、将训练好的所有模型的超参数进行选择、交叉、变异操作，得到新一代待训练的多个模型；S7、将经过标注的正位胸片以及标注框信息输入新一代待训练的多个模型中并行训练；S8、计算训练得...

【专利技术属性】
技术研发人员：赵雁林，吴博烔，王欢，
申请(专利权)人：北京掌引医疗科技有限公司，
类型：发明
国别省市：