[发明专利]一种确定肺结节密度的方法及装置

权利要求书

1.一种确定肺结节密度的方法，其特征在于，所述方法包括：

获取患者的肺部电子计算机断层扫描CT图像；

确定所述患者的肺结节在所述患者的肺部CT图像中的位置，并从所述患者的肺部CT图像中提取得到所述患者的肺结节图像；其中，所述肺部CT图像和所述肺结节图像均为三维图像；

采用预设特征提取神经网络模型对所述患者的肺结节图像进行特征提取，得到所述患者对应的特征向量；所述预设特征提取神经网络模型的参数是通过对多个患者的肺结节图像进行训练得到的，所述预设特征提取神经网络模型包括N个卷积模块；N小于或等于第一阈值；其中，每个卷积模块包括卷积层、与所述卷积层连接的归一化BN层、与所述BN层连接的激活函数层、以及与所述激活函数层连接的max pooling层；

将所述患者对应的特征向量输入预设密度分类神经网络模型，并得到所述预设密度分类神经网络模型输出的所述患者患有的肺结节对应的肺结节密度；其中，所述预设的密度分类神经网络模型的参数是通过对多个患者对应的特征向量、每个患者患有的肺结节对应的肺结节密度进行训练得到的，所述预设密度分类神经网络模型包括两个全连接层和一个softmax层。

2.根据权利要求1所述的方法，其特征在于，将所述患者对应的特征向量输入预设密度分类神经网络模型，并得到所述预设密度分类神经网络模型输出的所述患者患有的肺结节对应的肺结节密度，包括：

将所述患者对应的特征向量输入预设密度分类神经网络模型，得到多个预设肺结节密度对应的置信度；

将所述多个预设肺结节密度对应的置信度中置信度最高的预设肺结节密度作为所述患者患有的肺结节对应的肺结节密度。

3.根据权利要求1所述的方法，其特征在于，所述预设的密度分类神经网络模型的参数是通过对多个患者对应的特征向量、每个患者患有的肺结节对应的肺结节密度进行训练得到的，包括：

将所述多个患者对应的特征向量输入到初始的密度分类神经网络模型，得到每个患者患有的肺结节对应的预测肺结节密度；

根据所述每个患者患有的肺结节对应的预测肺结节密度以及每个患者患有的肺结节对应的实际肺结节密度，进行反向训练，生成所述预设密度分类神经网络模型。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述肺结节密度包括实性肺结节密度、磨玻璃肺结节密度、半实性肺结节密度中的任意一项。

5.一种确定肺结节密度的装置，其特征在于，所述装置包括：

获取单元，用于获取患者的肺部电子计算机断层扫描CT图像；

处理单元，用于确定所述患者的肺结节在所述患者的肺部CT图像中的位置，并从所述患者的肺部CT图像中提取得到所述患者的肺结节图像；其中，所述肺部CT图像和所述肺结节图像均为三维图像；

所述处理单元，还用于采用预设特征提取神经网络模型对所述患者的肺结节图像进行特征提取，得到所述患者对应的特征向量；所述预设特征提取神经网络模型的参数是通过对多个患者的肺结节图像进行训练得到的，所述预设特征提取神经网络模型包括N个卷积模块；N小于或等于第一阈值；其中，每个卷积模块包括卷积层、与所述卷积层连接的归一化BN层、与所述BN层连接的激活函数层、以及与所述激活函数层连接的max pooling层；以及将所述患者对应的特征向量输入预设密度分类神经网络模型，并得到所述预设密度分类神经网络模型输出的所述患者患有的肺结节对应的肺结节密度；其中，所述预设的密度分类神经网络模型的参数是通过对多个患者对应的特征向量、每个患者患有的肺结节对应的肺结节密度进行训练得到的，所述预设特征提取神经网络模型包括两个全连接层和一个softmax层。

6.根据权利要求5所述的装置，其特征在于，所述处理单元具体用于：

将所述患者对应的特征向量输入预设密度分类神经网络模型，得到多个预设肺结节密度对应的置信度；

将所述多个预设肺结节密度对应的置信度中置信度最高的预设肺结节密度作为所述患者患有的肺结节对应的肺结节密度。