[发明专利]网络训练方法、装置、检测方法、计算机设备和存储介质

说明书

本申请涉及一种网络训练方法、装置、检测方法、计算机设备和存储介质，对检测网络进行训练时，通过负样本影像和预先标注好的第二正样本影像训练得到初始检测网络，并通过该初始检测网络对第一正样本影像中的目标区域进行标注，得到第一正样本影像对应的目标区域标注数据，然后将第一正样本影像中目标区域的标注结果、负样本影像、第二正样本影像一起对初始检测网络进行训练，得到目标检测网络，该方法可以将大量未对目标区域进行标注的医学影像转换为对目标区域进行了标注的影像，基于这些转换的影像，继续对检测网络进行训练得到目标检测网络，这样丰富了检测网络训练数据的数量，极大提高了目标检测网络的检出率和准确性，降低了假阳性。

技术领域

本申请涉及医疗技术领域，特别是涉及一种网络训练方法、装置、检测方法、计算机设备和存储介质。

背景技术

早期肺癌筛查可以通过低剂量CT影像对肺癌高危人群进行筛查，检测出早期肺癌(即肺结节)并提早进行治疗干预，降低肺癌致死率。为了提高CT肺结节筛查的效率，增加肺结节的检出率，可以借助计算机辅助检测(Computer Aided Detection，CADe)系统进行肺结节筛查。

目前肺结节CADe系统大多采用的是深度学习技术进行开发，如Faster RCNN(快速区域卷积神经网络)的框架。示例地，输入一例胸部CT影像，FasterRCNN通过前向卷积神经网络预测得到用于定位肺结节的特征图。在特征图的每个位置，Faster RCNN定义了几个不同大小，不同长宽比的Anchor box(候选定位框)，并通过和金标注肺结节定位框进行比对，可以将Anchor box分为正样本的Anchor box(与金标准定位框重合度超过某一阈值)，以及负样本的Anchor box(与金标准定位框重合度低于某一阈值)。在训练阶段，Faster RCNN通过卷积操作从特征图中预测每个Anchor box为正样本Anchor box的概率，并预测每个正样本Anchor box距离肺结节定位框的中心偏移以及大小偏差。通过这两个信息，Faster RCNN可以在图像中定位到每个肺结节的位置与大小。

但是，上述肺结节CADe系统的训练数据难以大批量获取，较少的标注训练数据，导致肺结节CADe系统的检出率比较低，或者假阳性比较高。

发明内容

基于此，有必要针对上述肺结节CADe系统的训练数据难以大批量获取，较少的标注训练数据，导致肺结节CADe系统的检出率比较低，或者假阳性比较高的技术问题，提供一种网络训练方法、装置、检测方法、计算机设备和存储介质。

第一方面，本申请实施例提供一种网络训练方法，该方法包括：

获取第一正样本影像、第二正样本影像和负样本影像；第一正样本影像包括未标注的目标区域；第二正样本影像包括已标注的目标区域；负样本影像未包括目标区域；

将第一正样本影像输入至初始检测网络中，得到第一正样本影像中目标区域的标注结果；初始检测网络为根据负样本影像和第二正样本影像训练得到的网络；

根据第一正样本影像中目标区域的标注结果、负样本影像、第二正样本影像对初始检测网络进行训练，得到目标检测网络。

在其中一个实施例中，上述根据第一正样本影像中目标区域的标注结果、负样本影像、第二正样本影像对初始检测网络进行训练，得到目标检测网络，包括：

根据各第一正样本影像中目标区域的标注结果、各第一正样本影像确定第一正样本影像的训练数据；

根据第一正样本影像的训练数据、负样本影像、第二正样本影像对初始检测网络进行训练，得到目标检测网络。

在其中一个实施例中，上述根据各第一正样本影像中目标区域的标注结果、各第一正样本影像确定第一正样本影像的训练数据，包括：将大于等于第一预设概率阈值的目标区域的标注结果、和各目标区域对应的第一正样本影像确定为第一正样本影像的训练数据。