基于卷积神经网络的CT图像目标检测方法、装置及设备制造方法及图纸

本发明专利技术涉及一种基于卷积神经网络的CT图像目标检测方法、装置及设备，属于图像目标检测技术领域，基于卷积神经网络的CT图像目标检测方法、装置及设备通过获取目标患者的CT图像；将CT图像输入至预设CT图像目标检测模型中，得到CT图像中的目标区域及目标区域的类别。通过预先设置CT图像目标检测模型，在CT图像目标检测模型中设置注意力机制模块，对特征图中的不同通道分配不同的权重，提取特征图中的有用新型，提升CT图像的目标检测成功率。提升CT图像的目标检测成功率。提升CT图像的目标检测成功率。

【技术实现步骤摘要】
基于卷积神经网络的CT图像目标检测方法、装置及设备


[0001]本专利技术属于图像目标检测
，具体涉及一种基于卷积神经网络的CT图像目标检测方法、装置及设备。

技术介绍

[0002]医疗图像在临床诊断中具有重要意义。以CT(Computed Tomography，电子计算机断层扫描)图像为例，医生往往通过CT图像判断疑似患者有无病情以及病情的严重程度。很多病种如果在早期被诊断发现，则会有更大的机会得到有效的治疗，提高患者的生存率。但是，根据CT图像进行病情诊断的准确率非常依赖医生经验，在大多数情况下，医生需要通过肉眼去识别，难度较大，而且不同的医生可能给出不同的预测。
[0003]为了解决该问题，相关技术中，通常采用计算机辅助诊断技术(Computer Aided Diagnosis，CAD)对CT图像进行自动处理，可以实现在CT图像上框出疑似病灶的空间位置，提供给医师参考。
[0004]但是，目前的计算机辅助诊断技术有数据集不具有普遍性，算法之间难以对比，检测的准确率低，假阳性率高，难以大范围应用于临床诊断等。因此，如何提高CT图像的目标检测成功率成为现有技术中亟待解决的技术问题。

技术实现思路

[0005]本专利技术提供了一种基于卷积神经网络的CT图像目标检测方法、装置及设备，以解决CT图像的目标检测成功率较低的技术问题。
[0006]本专利技术提供的技术方案如下：
[0007]一方面，一种基于卷积神经网络的CT图像目标检测方法，包括：
[0008]获取目标患者的CT图像；
[0009]将所述CT图像输入至预设CT图像目标检测模型中，得到所述CT图像中的目标区域及所述目标区域的类别。
[0010]可选的，所述预设CT图像目标检测模型的构建方法，包括：
[0011]基于SSD模型，在所述SSD模型的特征输出层设置注意力机制模块；
[0012]所述特征输出层用于输出特征图；
[0013]所述注意力机制模块对所述特征图的不同通道分配不同的权重。
[0014]可选的，所述预设CT图像目标检测模型，包括：特征输出层模块和检测匹配模块；
[0015]所述特征输出层模块，包括多个特征输出层；
[0016]所述检测匹配模块，接收所述特征输出层输出的特征图，和，通过所述注意力机制模块调整权重的调整特征图，并根据所述特征图和所述调整特征图生成检测框便宜了和类别标签，确定CT图像中的目标区域及所述目标区域的类别。
[0017]可选的，所述将所述CT图像输入至预设CT图像目标检测模型中，得到所述CT图像中的目标区域及所述目标区域的类别，包括：
[0018]提取第一预设特征输出层输出的特征图；以及，通过注意力机制模块获取第二预设特征输出层的特征图；所述第二预设特征输出层属于所述第一预设特征输出层；
[0019]使用每一层的先验框对特征输出层信息进行提取；
[0020]通过定位器根据每一个先验框信息生成检测框偏移量；
[0021]通过分类器根据每一个先验框信息生成类别标签；
[0022]剔除类别标签为背景的先验框，消除冗余先验框；
[0023]得到所述CT图像中的目标区域及所述目标区域的类别。
[0024]可选的，所述预设CT图像目标检测模型的构建方法，包括：
[0025]划分数据集为训练集和测试集，所述训练集和测试集内均包含多个标注好目标区域和目标区域类别的CT图像；
[0026]根据所述训练集中的CT图像，训练设置了注意力机制模块的预设CT图像目标检测模型，得到初步预设CT图像目标检测模型；
[0027]根据所述测试集中的CT图像，对所述初步预设CT图像目标检测模型进行测试和修正，得到目标预设CT图像目标检测模型，将所述目标预设CT图像目标检测模型作为所述预设CT图像目标检测模型。
[0028]又一方面，一种基于卷积神经网络的CT图像目标检测装置，包括：获取模块和检测模块；
[0029]所述获取模块，用于获取目标患者的CT图像；
[0030]所述检测模块，用于将所述CT图像输入至预设CT图像目标检测模型中，得到所述CT图像中的目标区域及所述目标区域的类别。
[0031]可选的，还包括，模型构建模块；所述模型构建模块，用于基于SSD模型，在所述SSD模型的特征输出层设置注意力机制模块；所述特征输出层用于输出特征图；所述注意力机制模块对所述特征图的不同通道分配不同的权重。
[0032]可选的，所述模型构建模块，用于划分数据集为训练集和测试集，所述训练集和测试集内均包含多个标注好目标区域和目标区域类别的CT图像；根据所述训练集中的CT图像，训练设置了注意力机制模块的预设CT图像目标检测模型，得到初步预设CT图像目标检测模型；根据所述测试集中的CT图像，对所述初步预设CT图像目标检测模型进行测试和修正，得到目标预设CT图像目标检测模型，将所述目标预设CT图像目标检测模型作为所述预设CT图像目标检测模型。
[0033]又一方面，一种基于卷积神经网络的CT图像目标检测设备，包括：处理器，以及与所述处理器相连接的存储器；
[0034]所述存储器用于存储计算机程序，所述计算机程序至少用于执行上述任一项所述的基于卷积神经网络的CT图像目标检测方法；
[0035]所述处理器用于调用并执行所述存储器中的所述计算机程序。
[0036]可选的，所述设备为CT扫描仪。
[0037]本专利技术的有益效果为：
[0038]本专利技术实施例提供的基于卷积神经网络的CT图像目标检测方法、装置及设备，通过获取目标患者的CT图像；将CT图像输入至预设CT图像目标检测模型中，得到CT图像中的目标区域及目标区域的类别。通过预先设置CT图像目标检测模型，在CT图像目标检测模型
中设置注意力机制模块，对特征图中的不同通道分配不同的权重，提取特征图中的有用新型，提升CT图像的目标检测成功率。
附图说明
[0039]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0040]图1为本专利技术实施例提供的一种基于卷积神经网络的CT图像目标检测方法的流程示意图；
[0041]图2为本专利技术实施例提供的一种预设CT图像目标检测模型的结构示意图；
[0042]图3为本专利技术实施例提供的一种注意力机制模块的结构示意图；
[0043]图4为本专利技术实施例提供的一种处理为JPG格式的CT图像示意图，其中，(a)为一切片处理为JPG格式的CT图像示意图，(b)为又一切片处理为JPG格式的CT图像示意图；
[0044]图5为本专利技术实施例提供的一种基于卷积神经网络的CT图像目标检测装置的结构示意图；...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的CT图像目标检测方法，其特征在于，包括：获取目标患者的CT图像；将所述CT图像输入至预设CT图像目标检测模型中，得到所述CT图像中的目标区域及所述目标区域的类别。2.根据权利要求1所述的方法，其特征在于，所述预设CT图像目标检测模型的构建方法，包括：基于SSD模型，在所述SSD模型的特征输出层设置注意力机制模块；所述特征输出层用于输出特征图；所述注意力机制模块对所述特征图的不同通道分配不同的权重。3.根据权利要求2所述的方法，其特征在于，所述预设CT图像目标检测模型，包括：特征输出层模块和检测匹配模块；所述特征输出层模块，包括多个特征输出层；所述检测匹配模块，接收所述特征输出层输出的特征图，和，通过所述注意力机制模块调整权重的调整特征图，并根据所述特征图和所述调整特征图生成检测框便宜了和类别标签，确定CT图像中的目标区域及所述目标区域的类别。4.根据权利要求3所述的方法，其特征在于，所述将所述CT图像输入至预设CT图像目标检测模型中，得到所述CT图像中的目标区域及所述目标区域的类别，包括：提取第一预设特征输出层输出的特征图；以及，通过注意力机制模块获取第二预设特征输出层的特征图；所述第二预设特征输出层属于所述第一预设特征输出层；使用每一层的先验框对特征输出层信息进行提取；通过定位器根据每一个先验框信息生成检测框偏移量；通过分类器根据每一个先验框信息生成类别标签；剔除类别标签为背景的先验框，消除冗余先验框；得到所述CT图像中的目标区域及所述目标区域的类别。5.根据权利要求2所述的方法，其特征在于，所述预设CT图像目标检测模型的构建方法，包括：划分数据集为训练集和测试集，所述训练集和测试集内均包含多个标注好目标区域和目标区域类别的CT图像；根据所述训练集中的CT图像，训练设置了注意力机制模块的预设C...

【专利技术属性】
技术研发人员：田淼，李琬祎，杨菲菲，刘光辉，田丹，吴少智，王宏秋，曹云建，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：