[发明专利]一种肺结节检测模型的训练方法

说明书

本发明涉及一种肺结节检测模型的训练方法，属于医学影像处理技术领域。训练方法的包括：获取原始CT图像样本，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；将未标注的样本依次输入训练好的定位模型和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。本发明通过预训练的分类模型对未标注的肺结节块进行分类，得到更多的训练样本，以更多的训练样本训练分类模型，在减少了标注过程，提高了肺结节检测模型的训练效率。

技术领域

本发明涉及一种肺结节检测模型的训练方法，属于医学影像处理技术领域。

背景技术

肺癌是我国最常见的恶性肿瘤之一，我国肺癌的五年生存率仅为15％，而肺癌的早期确诊是提高患者生存率的重要手段。然而，肺癌早期特征——肺部结节并不明显，需要有效地对肺部结节(简称肺结节)进行鉴别诊断和治疗。诊断过程是为了快速明确肺结节是良性还是恶性，治疗过程是尽早切除恶性结节，因此肺结节的诊断和治疗不仅可以避免不必要的过度治疗，还是防治肺癌的关键。

目前对肺结节的诊断过程是通过CT图像配合临床经验进行诊断，但由于医疗资源有限，导致诊断效率不高，为此有人提出运用神经网络对CT图像进行肺结节的检测，给予医生辅助，能够较好的节省人力资源并提高检测效率。

一般情况下，进行肺结节识别的过程包括：首先，通过一种神经网络对CT图像进行分割，得到肺结节区域；然后，通过另一种神经网络对肺结节区域进行良/恶性的分类，进而完成肺结节的检测。

然而上述检测过程中，为了提高良/恶性的分类精度，训练后一种用于良/恶性分类的神经网络时需要大量的样本数据，并且需要专业人员对样本数据进行标注，导致医生的工作负担增大，并且目前这样的样本数据量较小。

发明内容

本申请的目的在于提供了一种肺结节检测模型的训练方法，用以解决现有训练所需样本数据量不足的问题。

为实现上述目的，本申请提出了一种肺结节检测模型的训练方法的技术方案，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。

本发明的肺结节检测模型的训练方法的技术方案的有益效果是：本发明首先利用已标注的样本对定位模型进行训练，利用已标注的肺结节块样本对分类模型进行预训练，其次将未标注的样本经过训练好的定位模型以及预训练好的分类模型，得到分类后的肺结节块，最后将分类后的肺结节块和已标注的肺结节块合为训练集数据，再次训练得到最终的分类模型。本发明通过预训练的分类模型对未标注的肺结节块进行分类，得到更多的训练样本，以更多的训练样本训练分类模型，在减少了标注过程的基础上保证了分类模型的准确性，提高了肺结节检测模型的训练效率。

进一步的，为了更加迅速的定位肺结节区域，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。

进一步的，为了减少模型参数，提高训练速度，CenterNet网络中骨干网络的第一层卷积为深度可分离卷积。