[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

说明书

本发明揭示了一种结节检测及其模型训练的方法和装置、计算机可读存储介质以及电子设备。所述结节检测的模型训练方法包括：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；以及基于所述正特征相似度损失和负特征损失的联合损失训练所述CNN模型。基于本发明实施例的方案，通过在CNN模型的训练中引入正特征相似度损失和负特征损失，能避免模型在高噪音数据下出现过拟合的情况，使得基于训练好的模型提取的特征向量有更强的辨别力。

技术领域

本发明涉及计算机技术领域，特别涉及一种结节检测及其模型训练的方法和装置、计算机可读存储介质以及电子设备。

背景技术

目前在医疗领域，对诸如肺结节和甲状腺结节等结节的研究，日益引起广泛关注。通说认为，结节是癌症最重要的早期征象之一，根据结节的病变特征能够推断出病灶特性。由于结节的大小、形状以及密度等特征的不确定性，即使基于清晰的CT图像，传统的医学检测方法难以满足肺结节检测精确度的需求。

近年来，随着人工智能和深度学习算法的发展，也推动图像处理的相关领域产生巨大变革。医疗诊断中的图像处理也越来越多的涉足其中，将基于大数据的深度学习应用于结节诊断中，对于充分利用医疗资源、缓解医生诊断压力有着重大意义。利用深度神经网络提取CT图像中的抽象特征，与人工手动提取的特征相比，能够更客观的表征图像自身的特性，避免人工主观因素在不同环境中造成不同程度的影响，因此日渐成为结节检测方法的主流。同时，为了结合CT图像的三维属性，相关技术中通常基于3D卷积神经网络(Convolutional Neural Network，CNN)来进行结节的检测。

与2D模型相比，3D CNN模型的复杂度要更大，而且不像前者那样可利用已有的2DCNN模型(例如利用ImageNet开放数据库训练的模型)作为预训练参数，这意味着后者的训练难度也更大。已有的用于结节检测的3D CNN模型，在训练数据较大的情况下，容易出现对训练数据的过拟合，造成模型的实际检测效果不佳。

发明内容

为了解决相关技术中结节检测模型实际效果不佳的问题，本发明提供了一种结节检测及其模型训练的方法和装置、计算机可读存储介质以及电子设备。

根据本发明的实施例，提供一种结节检测的模型训练方法，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；以及基于所述正特征相似度损失和负特征损失的联合损失训练所述CNN模型。

根据本发明的实施例，提供一种结节检测方法，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模型根据如上所述的结节检测的模型训练方法训练得到；以及基于所述提取的特征向量进行结节检测。

根据本发明的实施例，提供一种结节检测的模型训练装置，包括：样本生成模块，设置为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；特征提取模块，设置为使用卷积神经网络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；以及模型训练模块，设置为基于所述正特征相似度损失和负特征损失的联合损失训练所述CNN模型。

根据本发明的实施例，提供一种结节检测装置，包括：提取模块，设置为使用卷积神经网络CNN模型对采集的图像序列提取特征向量，所述CNN模型根据如上所述的结节检测的模型训练装置训练得到；以及检测模块，设置为基于所述提取的特征向量进行结节检测。

根据本发明的实施例，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的结节检测的模型训练方法或者如上所述的结节检测方法。