[发明专利]一种肺结节检测模型的训练方法在审
| 申请号： | 202010609073.6 | 申请日： | 2020-06-29 |
| 公开（公告）号： | CN111815592A | 公开（公告）日： | 2020-10-23 |
| 发明（设计）人： | 杨磊;刘艳红;宋守安;霍本岩;边桂彬;李方圆;张方方 | 申请（专利权）人： | 郑州大学;中国科学院自动化研究所 |
| 主分类号： | G06T7/00 | 分类号： | G06T7/00 |
| 代理公司： | 郑州睿信知识产权代理有限公司 41119 | 代理人： | 崔旭东 |
| 地址： | 450001 河南*** | 国省代码： | 河南;41 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 结节 检测 模型 训练 方法 | ||
1.一种肺结节检测模型的训练方法，其特征在于，包括以下步骤：
获取原始CT图像样本，所述原始CT图像样本包括已标注的样本和未标注的样本，并将已标注的样本进行裁剪，得到肺结节块样本；
根据已标注的样本训练定位模型；根据肺结节块样本对分类模型进行预训练；
将未标注的样本输入训练好的定位模型，得到肺结节区域；
对肺结节区域进行裁剪，得到肺结节块；
将肺结节块输入预训练好的分类模型中，对肺结节块进行分类；
以分类后的肺结节块和所述肺结节块样本合为训练集数据，再次对分类模型进行训练，得到最终的分类模型。
2.根据权利要求1所述的肺结节模型的训练方法，其特征在于，所述定位模型为目标检测模型，目标检测模型的网络为CenterNet网络。
3.根据权利要求2所述的肺结节模型的训练方法，其特征在于，CenterNet网络中骨干网络的第一层卷积为深度可分离卷积。
4.根据权利要求3所述的肺结节模型的训练方法，其特征在于，骨干网络为ResNet-101网络。
5.根据权利要求1所述的肺结节模型的训练方法，其特征在于，所述分类模型为3D双通道模型。
6.根据权利要求5所述的肺结节模型的训练方法，其特征在于，所述3D双通道模型的网络为92层的深度卷积神经网络。
7.根据权利要求5或6所述的肺结节模型的训练方法，其特征在于，所述3D双通道模型的网络的初始卷积为深度可分离卷积。
8.根据权利要求1所述的肺结节模型的训练方法，其特征在于，所述已标注的样本中标注的肺结节图像和普通图像的数量比例为1:1。
9.根据权利要求1或8所述的肺结节模型的训练方法，其特征在于，所述已标注的样本通过数据增强的方式进行扩展。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于郑州大学;中国科学院自动化研究所，未经郑州大学;中国科学院自动化研究所许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202010609073.6/1.html，转载请声明来源钻瓜专利网。
- 上一篇：基于CT图像的肺结节检测方法
- 下一篇：一种电路基板落料机构及落料方法
