基于遗传算法的肺结核检测模型的训练方法技术

本发明专利技术属于肺结核检测技术领域，尤其是基于遗传算法的肺结核检测模型的训练方法训练方法，包括以下步骤：

【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
，尤其涉及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
。
[0003]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，并且仅凭借经验水平进行诊断的话，很难保证诊断的效率和准确度，可靠性较低
。

技术实现思路

[0004]基于仅凭借经验水平进行诊断的话，很难保证诊断的效率和准确度，可靠性较低的技术问题，本专利技术提出了基于遗传算法的肺结核检测模型的训练方法
、
装置及设备
。
[0005]本专利技术提出的基于遗传算法的肺结核检测模型的训练方法，包括以下步骤：
[0006]S1
：采集预定数量的医学影像图像；
[0007]S2
：影像科专家对采集得到的医学影像图像进行判断，判断其是否属于肺结核患者，排除健康的医学影像图像；
[0008]S3
：影像科专家对筛选出来的属于肺结核患者的医学影像图像进行标注，以标注框的方式将医学影像图像中的病灶标注出，形成肺结核病灶标识区域；
[0009]S4
：对标注之后的医学影像图像进行预处理，得到预处理后的医学影像图像，并将预处理后的医学影像数据的一部分作为训练图像；
[0010]S5
：将训练图像输入至预定网络模型，以利用预处理后的医学影像图像对预定网络模型进行训练；
[0011]S6
：将经过标注的预处理后的医学影像图像以及标注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；
[0012]S7
：将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；
[0013]S8
：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；
[0014]S9
：将经过标注的医学影像图像以及标注信息输入新一代待训练的多个模型中并行训练；
[0015]S10
：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
。
[0016]作为本专利技术的一种优选实施方式，在所述
S4
中：将所述预定数量的医学影像图像
进行格式转换，得到所述预定数量的医学影像图像对应的灰度图
。
[0017]作为本专利技术的一种优选实施方式，在所述
S4
中：通过二值化处理方式对灰度图进行二值化处理，得到标准化的灰度图
。
[0018]作为本专利技术的一种优选实施方式，在所述
S4
中：对标准化的灰度图进行腐蚀和膨胀处理，以过滤掉标准化的图像中的干扰点，得到过滤后的灰度图
。
[0019]作为本专利技术的一种优选实施方式，在所述
S10
中：如果当前的迭代轮数小于预设的迭代轮数上限，则返回至步骤
S8
；如果当前的迭代轮数大于预设的迭代轮数上限，则选择适应值最高的模型作为最终的肺结核检测模型
。
[0020]基于遗传算法的肺结核检测模型的训练装置，包括：
[0021]医学影像图像采集单元：用于采集预定数量的医学影像图像；
[0022]筛选单元：用于影像科专家对采集得到的医学影像图像进行判断，判断其是否属于肺结核患者，排除健康的医学影像图像；
[0023]标注单元：用于影像科专家对筛选出来的属于肺结核患者的医学影像图像进行标注，以标注框的方式将医学影像图像中的病灶标注出，形成肺结核病灶标识区域；
[0024]预处理单元：用于对标注之后的医学影像图像进行预处理，得到预处理后的医学影像图像，并将预处理后的医学影像数据的一部分作为训练图像；
[0025]训练单元：用于将训练图像输入至预定网络模型，以利用预处理后的医学影像图像对预定网络模型进行训练，并按照训练方法的步骤
S3
‑
S10
进行模型训练，得到最终的肺结核检测模型
。
[0026]作为本专利技术的一种优选实施方式，所述预处理单元，包括：
[0027]转换模块：用于将所述预定数量的医学影像图像进行格式转换，得到所述预定数量的医学影像图像对应的灰度图；
[0028]二值化处理模块：用于通过二值化处理方式对灰度图进行二值化处理，得到标准化的灰度图；
[0029]过滤模块：用于对标准化的灰度图进行腐蚀和膨胀处理，以过滤掉标准化的图像中的干扰点，得到过滤后的灰度图
。
[0030]作为本专利技术的一种优选实施方式，基于遗传算法的肺结核检测模型的训练方法得到的肺结核检测模型的辅助诊断设备
。
[0031]本专利技术中的有益效果为：
[0032]采用采集预定数量的医学影像图像；影像科专家对采集得到的医学影像图像进行判断，判断其是否属于肺结核患者，排除健康的医学影像图像；影像科专家对筛选出来的属于肺结核患者的医学影像图像进行标注，以标注框的方式将医学影像图像中的病灶标注出，形成肺结核病灶标识区域；对标注之后的医学影像图像进行预处理，得到预处理后的医学影像图像，并将预处理后的医学影像数据的一部分作为训练图像；将训练图像输入至预定网络模型，以利用预处理后的医学影像图像对预定网络模型进行训练
。
实现了通过预先标注有肺结核病灶标识区域的医学影像数据结合预定网络模型，训练得到肺结核检测模型的目的，达到了提高肺结核检测模型的可靠性的技术效果，解决了相关技术中用于进行肺结核检测的方式可靠性较低的问题
。
附图说明
[0033]图1为本专利技术提出的基于遗传算法的肺结核检测模型的训练方法的流程图；
[0034]图2为本专利技术提出的基于遗传算法的肺结核检测模型的训练装置的框架示意图；
[0035]图3为本专利技术提出的基于遗传算法的肺结核检测模型的训练装置的预处理单元框架示意图
。
具体实施方式
[0036]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例
。
[0037]参照图1‑3[0038]基于遗传算法的肺结核检测模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于遗传算法的肺结核检测模型的训练方法，其特征在于，包括以下步骤：
S1
：采集预定数量的医学影像图像；
S2
：影像科专家对采集得到的医学影像图像进行判断，判断其是否属于肺结核患者，排除健康的医学影像图像；
S3
：影像科专家对筛选出来的属于肺结核患者的医学影像图像进行标注，以标注框的方式将医学影像图像中的病灶标注出，形成肺结核病灶标识区域；
S4
：对标注之后的医学影像图像进行预处理，得到预处理后的医学影像图像，并将预处理后的医学影像数据的一部分作为训练图像；
S5
：将训练图像输入至预定网络模型，以利用预处理后的医学影像图像对预定网络模型进行训练；
S6
：将经过标注的预处理后的医学影像图像以及标注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；
S7
：将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；
S8
：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；
S9
：将经过标注的医学影像图像以及标注信息输入新一代待训练的多个模型中并行训练；
S10
：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
。2.
根据权利要求1所述的基于遗传算法的肺结核检测模型的训练方法，其特征在于，在所述
S4
中：将所述预定数量的医学影像图像进行格式转换，得到所述预定数量的医学影像图像对应的灰度图
。3.
根据权利要求2所述的基于遗传算法的肺结核检测模型的训练方法，其特征在于，在所述
S4
中：通过二值化处理方式对灰度图进行二值化处理，得到标准化的灰度图
。4.
根据权利要求...

【专利技术属性】
技术研发人员：赵雁林，王欢，吉旭，
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：