本发明专利技术公开了一种肺结节良恶性识别模型训练方法、应用方法和系统，通过对获取的CT扫描数据集进行预处理得到目标CT图像块集组和目标结节块集组，并根据目标CT图像块集组，通过构建的AGVNet网络对初始分割模型进行肺结节分割训练，获得目标分割模型，AGVNet网络能够增强目标肺结节区域的细粒度特征，有助于更好地对目标肺结节区域进行图像分割；同时，本发明专利技术的实施例根据目标结节块集，通过ResNet网络对初始分类模型进行肺结节良恶性分类训练，获得目标分类模型，将目标分割模型和目标分类模型组合，得到肺结节良恶性识别模型，该模型能够对肺结节的良恶性进行识别判断。本发明专利技术可广泛应用于图像识别技术领域。广泛应用于图像识别技术领域。广泛应用于图像识别技术领域。
【技术实现步骤摘要】
一种肺结节良恶性识别模型训练方法、应用方法和系统
[0001]本专利技术涉及图像识别
，尤其是一种肺结节良恶性识别模型训练方法、应用方法和系统。
技术介绍
[0002]目前基于深度学习的肺结节分割和分类已经出现大量的研究，在肺结节分割方面，目前基于3D图像分割任务实际上被认为是体素的分类任务。Roy等人提出了一个协同组合，从而实现智能的肺结节分割，结合了深度学习和形状驱动水平集。Wang等人提出了一个多视角卷积神经网络(MV
‑
CNN)，从而分割肺结节。该模型是由三个CNN(卷积神经网络)分支组成，利用多尺度的肺结节作为输入，从而对目标体素进行二分类。另外，他们也提出了一种中央聚焦卷积神经网络模型，其两分支CNN充分利用了多尺度2D功能和3D功能。Mukherjee等人则提出了一种基于能量最小化的分割框架深度学习的基于先验的图像分割，联合了低级图像特征的特定领域成本函数和深度学习的目标定位。
[0003]在肺结节分类方面，Buty等人，提出了结合肺结节的外观特征和三维形状进行预测肺结节的良恶性。Shen等人提出了三维的可解释性的深层次语义CNN来预测肺结节的恶性等级。Hussein等人提出了多视图的CNN模型，用于恶性肺结节表征，利用每个维度的三个2D切片构建成一个3D张量，通过模型提取图像的特征，然后利用高斯过程预测良恶性。
[0004]目前大多数基于深度学习的肺结节分割和分类的研究存在以下几点不足：
[0005]1、没有系统性地进行数据预处理，在模型分割阶段带给模型大量的噪音信息，极易导致模型学习到过多噪音信息；
[0006]2、在分割阶段，分割模型大多是卷积层、BN层(批归一化层)的简单堆叠，无差别地对肺区域进行分割，无重点地展开分割，导致模型分割出大量错误区域等。
技术实现思路
[0007]有鉴于此，本专利技术实施例提供一种精确、高效的肺结节良恶性识别模型训练方法、应用方法和系统。
[0008]本专利技术的实施例提供了一种肺结节良恶性识别模型训练方法，包括：获取肺部CT扫描数据集，对所述肺部CT扫描数据集进行预处理，得到目标CT图像块集组和目标结节块集组；根据所述目标CT图像块集组，通过AGVNet网络对初始分割模型进行肺结节分割训练，获得目标分割模型；其中，所述AGVNet网络是在VNet网络的连接层加入了注意力门操作的网络；根据所述目标结节块集组，通过ResNet网络对初始分类模型进行肺结节良恶性分类训练，获得目标分类模型；将所述目标分割模型和所述目标分类模型组合成为肺结节良恶性识别模型。
[0009]可选地，所述获取肺部CT扫描数据集，对所述肺部CT扫描数据集进行预处理，得到目标CT图像块集组和目标结节块集组，包括：选取肺部CT扫描数据集中的一个CT扫描结果，对所述CT扫描结果中的每张CT切片图像进行图像去噪处理，得到CT切片集；其中，所述CT切
片集中的目标信息包括肺组织、肺实质、骨骼至少之一的信息；采用线性插值法统一所述CT切片集中的切片厚度；根据所述CT扫描数据集生成掩膜图像，采用最近邻插值法统一所述掩膜图像的切片厚度；根据所述掩膜图像中感兴趣区域的分布情况，选取目标CT切片；在所述目标CT切片中按固定长度截取包含肺结节的图像块，组成目标CT图像块集；根据所述肺部CT扫描结果集中的肺结节标注，获得目标结节块集；重复执行选取肺部CT扫描数据集中的一个CT扫描结果，对所述CT扫描结果中的每张CT切片图像进行图像去噪处理，得到CT切片集的步骤，直至获得所有所述CT扫描结果的目标CT图像块集组和目标结节块集组；其中，所述目标CT图像块集组由各个所述目标CT图像块集构成，所述目标结节块集组由各个所述目标结节块集构成。
[0010]可选地，所述根据所述目标CT图像块集组，通过AGVNet网络对初始分割模型进行肺结节分割训练，获得目标分割模型，包括：通过AGVNet网络构建初始分割模型；将所述目标CT图像块集组分为第一训练集和第一测试集；设定第一迭代次数，根据所述第一迭代次数和所述第一训练集对所述初始分割模型进行迭代训练，并在所述迭代训练的过程中通过第一损失函数评估所述迭代训练的结果，获得第一分割模型；其中，所述第一损失函数由二分类交叉熵损失函数与Dice损失函数结合得到；采用第一测试集测试所述第一分割模型，获得目标分割模型。
[0011]可选地，所述设定第一迭代次数，根据所述第一迭代次数和所述第一训练集对所述初始分割模型进行迭代训练，并在所述迭代训练的过程中通过第一损失函数评估所述迭代训练的结果，获得第一分割模型，包括：将所述第一训练集输入所述初始分割模型；通过所述初始分割模型的AGVNet网络输入侧卷积层对所述第一训练集的每个训练样本进行卷积，得到每层卷积的结果；通过注意力门网络将所述每层卷积的结果进行处理，得到引入注意力机制的特征图；将所述引入注意力机制的特征图输入到AGVNet网络的输出侧卷积层进行卷积处理，得到一次迭代训练的结果；通过第一损失函数对所述迭代训练的结果进行梯度下降优化，将收敛稳定的模型确定为第一分割模型。
[0012]可选地，所述第一损失函数表达式为：
[0013][0014]其中，L代表第一损失函数，p代表预测肺结节类别的概率，p∈(0,1)，t代表肺结节的真实类别，t的值为0或1。
[0015]可选地，所述根据所述目标结节块集组，通过ResNet网络对初始分类模型进行肺结节良恶性分类训练，获得目标分类模型，包括：将目标结节块集组分为第二训练集和第二测试集；通过ResNet网络构建初始分类模型；设定第二迭代次数，根据所述第二训练集和所述第二迭代次数对所述初始分类模型进行迭代训练，并在所述迭代训练的过程中采用第二损失函数进行评估优化，获得第一分类模型；采用所述第二测试集对所述第一分类模型进行测试，获得目标分类模型。
[0016]本专利技术的实施例还提供了一种肺结节良恶性识别模型的应用方法，包括：获取待检测的肺部CT扫描数据，对所述肺部CT扫描数据进行预处理，得到待识别样本；通过肺结节良恶性识别模型的目标分割模型对所述待识别样本进行肺结节图像分割，获得所述待识别样本的肺结节分割结果；根据CT扫描的放射剂量值以及肺结节大小的历史经验，对所述肺
结节分割结果进行后处理修正，获得肺结节分割图像；通过肺结节良恶性识别模型的目标分类模型对所述肺结节分割图像进行肺结节良恶性分类识别，得到肺结节良恶性分类识别结果；其中，所述肺结节良恶性识别模型根据如上所述的肺结节良恶性识别模型训练方法训练得到。
[0017]本专利技术的实施例还提供一种肺结节良恶性识别模型训练系统，包括：第一模块，所述第一模块用于获取肺部CT扫描数据集，对所述肺部CT扫描数据集进行预处理，得到目标CT图像块集组和目标结节块集组；第二模块，所述第二模块用于根据所述目标CT图像块集组，通过AGVNet网络对初始分割模型进行肺结节分割训练，获得目标分割模型；其中，所述AGVNet网络是在VNet网络的连接层加入了注意力门操作的网络；第三本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种肺结节良恶性识别模型训练方法，其特征在于，包括：获取肺部CT扫描数据集，对所述肺部CT扫描数据集进行预处理，得到目标CT图像块集组和目标结节块集组；根据所述目标CT图像块集组，通过AGVNet网络对初始分割模型进行肺结节分割训练，获得目标分割模型；其中，所述AGVNet网络是在VNet网络的连接层加入了注意力门操作的网络；根据所述目标结节块集组，通过ResNet网络对初始分类模型进行肺结节良恶性分类训练，获得目标分类模型；将所述目标分割模型和所述目标分类模型组合成为肺结节良恶性识别模型。2.根据权利要求1所述的一种肺结节良恶性识别模型训练方法，其特征在于，所述获取肺部CT扫描数据集，对所述肺部CT扫描数据集进行预处理，得到目标CT图像块集组和目标结节块集组，包括：选取肺部CT扫描数据集中的一个CT扫描结果，对所述CT扫描结果中的每张CT切片图像进行图像去噪处理，得到CT切片集；其中，所述CT切片集中的目标信息包括肺组织、肺实质、骨骼至少之一的信息；采用线性插值法统一所述CT切片集中的切片厚度；根据所述CT扫描数据集生成掩膜图像，采用最近邻插值法统一所述掩膜图像的切片厚度；根据所述掩膜图像中感兴趣区域的分布情况，选取目标CT切片；在所述目标CT切片中按固定长度截取包含肺结节的图像块，组成目标CT图像块集；根据所述肺部CT扫描结果集中的肺结节标注，获得目标结节块集；重复执行选取肺部CT扫描数据集中的一个CT扫描结果，对所述CT扫描结果中的每张CT切片图像进行图像去噪处理，得到CT切片集的步骤，直至获得所有所述CT扫描结果的目标CT图像块集组和目标结节块集组；其中，所述目标CT图像块集组由各个所述目标CT图像块集构成，所述目标结节块集组由各个所述目标结节块集构成。3.根据权利要求1所述的一种肺结节良恶性识别模型训练方法，其特征在于，所述根据所述目标CT图像块集组，通过AGVNet网络对初始分割模型进行肺结节分割训练，获得目标分割模型，包括：通过AGVNet网络构建初始分割模型；将所述目标CT图像块集组分为第一训练集和第一测试集；设定第一迭代次数，根据所述第一迭代次数和所述第一训练集对所述初始分割模型进行迭代训练，并在所述迭代训练的过程中通过第一损失函数评估所述迭代训练的结果，获得第一分割模型；其中，所述第一损失函数由二分类交叉熵损失函数与Dice损失函数结合得到；采用第一测试集测试所述第一分割模型，获得目标分割模型。4.根据权利要求3所述的一种肺结节良恶性识别模型训练方法，其特征在于，所述设定第一迭代次数，根据所述第一迭代次数和所述第一训练集对所述初始分割模型进行迭代训练，并在所述迭代训练的过程中通过第一损失函数评估所述迭代训练的结果，获得第一分割模型，包括：
将所述第一训练集输入所述初始分割模型；通过所述初始分割模型的AGVNet网络输入侧卷积层对所述第一训练集的每个训练样本进行...
【专利技术属性】
技术研发人员：梁军，苏俊光，麦成源，刘馨瑶，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：
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。