[发明专利]结节检测及其模型训练的方法和装置以及电子设备

权利要求书

1.一种用于结节检测的模型训练方法，其特征在于，所述方法包括：

基于已标注结节位置的训练图像序列，获取包含结节的正样例和不包含结节的负样例，并对所述正样例和负样例进行扰动处理；

使用卷积神经网络CNN模型对所述扰动处理前后的正样例和负样例进行特征提取，并分别获取正特征相似度损失和负特征损失；以及

基于所述CNN模型的交叉熵损失和权重衰减损失、以及所述正特征相似度损失和所述负特征损失的加权求和获取联合损失；

基于所述联合损失训练所述CNN模型。

2.如权利要求1所述的方法，其特征在于，所述的基于已标注结节位置的训练图像序列，获取包含结节的正样例和不包含结节的负样例，并对所述正样例和负样例进行扰动处理，包括：

使用预设大小的裁剪框，对所述训练图像序列进行随机裁剪，以获取所述正样例和负样例；以及

按预设体素对所述正样例和负样例进行扰动，并保留扰动前后的正样例和扰动前后的负样例作为所述CNN模型的输入。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

针对经所述随机裁剪得到的正样例，按预设偏移量改变所述裁剪框的中心与所包含结节之间的相对位置，并保留改变所述相对位置前后的正样例作为所述扰动处理的输入。

4.如权利要求1所述的方法，其特征在于，所述的获取正特征相似度损失和负特征损失包括：

基于分别从所述扰动处理前后的正样例提取的第一特征向量和第二特征向量构建相似度损失函数，使得在所述CNN模型的训练过程中，所述第一特征向量与所述第二特征向量之间的距离趋于最小化；以及

基于从所述扰动处理前后的负样例提取的第三特征向量构建负特征损失函数，使得在所述CNN模型的训练过程中，所述第三特征向量的范数趋于最小化。

5.如权利要求1所述的方法，其特征在于，所述的基于所述联合损失训练所述CNN模型，还包括：

将所述联合损失经所述CNN模型反向传播以更新所述CNN模型的模型参数；

基于参数经过更新的CNN模型重新进行所述特征提取和所述联合损失的获取；以及

在确定满足预设停止条件时输出所述模型参数，在确定不满足所述预设停止条件时返回进行所述模型参数的更新。

6.如权利要求1-5任一项所述的方法，其特征在于，所述的CNN模型包括依次连接的卷积层网络、全局平均池化层以及Softmax层，且所述卷积层网络包括至少一个卷积核大小为1的卷积层以及至少一个跳步大于1的卷积层。

7.如权利要求6所述的方法，其特征在于，所述卷积层网络包括依次连接的以下卷积层：

卷积核大小为3、跳步为1、个数为64的第一卷积层；

卷积核大小为1、跳步为1、个数为64的第二卷积层；

卷积核大小为3、跳步为2、个数为64的第三卷积层；

卷积核大小为3、跳步为1、个数为128的第四卷积层；

卷积核大小为1、跳步为1、个数为128的第五卷积层；以及

卷积核大小为3、跳步为2、个数为128的第六卷积层。

8.一种结节检测方法，其特征在于，包括：

使用卷积神经网络CNN模型对采集的图像序列提取特征向量，所述CNN模型根据权利要求1至7中任一项所述的方法训练得到；以及

基于所述提取的特征向量进行结节检测。