[发明专利]一种肺结核检测模型的构建方法及应用

权利要求书

1.一种肺结核检测模型的构建方法，其特征在于，包括：

A、获取指定数量的标注有肺结核病灶区域标注框的胸部X光图像；

B、对所述胸部X光图像进行图像预处理，以获取预处理后的图像数据；

C、选择一基础卷积神经网络模型，将所述预处理后的图像数据输入至所述基础卷积神经网络模型中进行训练，以获取训练后的肺结核检测模型；所述基础卷积神经网络模型为用于输出病灶区的候选框的神经网络模型；

其中，在所述基础卷积神经网络模型训练中，

步骤C根据不同的锚盒anchor尺寸，采用不同形状的卷积核，具体为：

对于宽度小于高度的锚盒anchor，采用3×1卷积核；

对于高度小于宽度的锚盒anchor，采用1×3卷积核；

对于高度等于宽度的锚盒anchor，采用3×3卷积核；

所述步骤C还包括：将所述基础卷积神经网络模型中所有的锚盒anchor的宽度和高度减半，以使每个正确的病灶区域groud truth至少匹配一个锚盒anchor；

步骤B所述对所述胸部X光图像进行图像预处理，具体为：使用聚类算法从具有窗口宽度WW和窗口位置WP指导值的样本中生成WW和WP的标准值；并通过直方图均衡操作处理，以及利用双线性插值算法进行图像的缩放，将图像双线性插值到1024×1024分辨率；

所述肺结核检测模型的分类损失函数的解析式为：

Loss_cls＝0.5-(p_t-0.5)²-α_t(1-p_t)^γlog(p_t)

其中，p_t指的是所述肺结核检测的模型输出的检测框对应的分类置信度分数；α_t、γ指的是提高困难样本损失的权重因子；其中，α_t＝0.40，γ＝1.0；

所述肺结核检测模型的用于平衡分类损失函数和回归损失函数的解析式为：

Loss＝Loss_cls+λLoss_reg

其中，所述Loss_cls指的是分类损失函数，Loss_reg指的是回归损失函数，λ指的是分类和回归损失函数的平衡系数；其中，λ＝0.25；

所述步骤C之后还包括：

D、设置一降假阳网络，其输入端与所述肺结核检测模型的输出端连接；其中，所述降假阳网络中的分类算法设置为二分类算法；所述降假阳网络为Inception-ResNet-v2网络；Inception-ResNet-v2网络的输出层采用Sigmoid激活函数；

其中，所述降假阳网络用于将所述肺结核检测模型输出的检测框及其对应的分类置信度分数进行处理后输出处理后的检测框及其对应分类置信度分数；

E、将分类置信度分数高于一指定阈值的检测框作为有效的候选框输出显示。

2.一种基于权利要求1所述的构建方法构建获得的肺结核检测模型的肺结核检测方法，其特征在于，包括如下步骤：

M1、获取患者的胸部X光图像；

M2、将所述胸部X光图像进行预处理，以获取预处理后的图像数据；

M3、将所述预处理后的图像数据输入至训练好的肺结核检测模型进行肺结核的检测；

M4、将所述肺结核检测模型输出的检测框及其对应的分类置信度分数输入至降假阳网络中；

M5、获取经过所述降假阳网络处理后输出的检测框及其对应分类置信度分数；

M6、将分类置信度分数高于一指定阈值的检测框作为有效的候选框输出显示。