[发明专利]一种基于中心点回归的肺结节检测方法和检测装置

说明书

本发明提供了一种基于中心点回归的肺结节检测方法和检测装置，解决肺结节检测准确性和时效性较差的技术问题。方法包括：通过肺结节影像训练样本对卷积神经网络进行训练输出特征预测数据，特征预测数据包括关键中心点置信度热力图、中心点偏移量和中心点所在肺结节的目标大小；根据所述卷积神经网络输出的特征预测数据形成损失函数；通过所述损失函数对卷积神经网络进行监督训练，迭代优化为肺结节特征提取网络。网络的输出利用了肺结节在影像上表现为类圆形的特点，在训练过程中可以很好地关注结节区域的图像特征，避免出现大量结节候选区域的负样本参与，加快了模型训练的速度。此外在检测推理的过程中无需额外的后处理操作加快了推理的速度。

技术领域

本发明涉及图像识别技术领域，具体涉及一种基于中心点回归的肺结节检测方法和检测装置。

背景技术

肺结节是肺部直径小于3cm局灶性、类圆形、密度增高的实性或半实性组织，具有形成肺癌的可能性，因此基于CT(Computed Tomography)的自动化肺结节检测方法进行有效的早期肺癌筛查非常必要。现有技术中的肺结节检测方法通常采用3D或者2D卷积神经网络，基于anchor-based模型获得结节位置的候选区域，在这些候选区域的基础上进行一次或者多次的位置回归并判断候选区域为结节的可能性。由于在模型训练过程中会在结节影像附近产生大量冗余的候选区域，使得模型不能很好地对结节区域进行特征学习，同时在推理过程中需要额外的后处理操作来消除这些冗余的候选区域。而直接利用anchor-free模型进行肺结节检测不能获得必须的稳定结果。

发明内容

鉴于上述问题，本发明实施例提供一种基于中心点回归的肺结节检测方法和检测装置，解决现有肺结节检测准确性和时效性较差的技术问题。

本发明实施例的基于中心点回归的肺结节检测方法，包括：

通过肺结节影像训练样本对卷积神经网络进行训练输出特征预测数据，特征预测数据包括关键中心点置信度热力图、中心点偏移量和中心点所在肺结节的目标大小；

根据所述卷积神经网络输出的特征预测数据形成损失函数；

通过所述损失函数对卷积神经网络进行监督训练，将所述卷积神经网络迭代优化为肺结节特征提取网络。

本发明一实施例中，还包括：

向所述肺结节特征提取网络输入肺结节影像测试样本进行推理，获取所述肺结节位置和肺结节大小映射在所述肺结节影像测试样本上。

本发明一实施例中，所述关键中心点置信度热力图的形成包括：

利用全卷积神经网络提取所述肺结节影像训练样本中各像素的图像特征；

提取肺结节的图像特征并进行下采样，形成所述关键中心点置信度热力图；

将所述肺结节影像训练样本中标记的肺结节中心点映射至所述关键中心点置信度热力图；

通过高斯核将所述肺结节影像训练样本中标记的肺结节区域分布在所述关键中心点置信度热力图中。

本发明一实施例中，所述根据所述卷积神经网络输出的特征预测数据形成损失函数包括：

根据所述关键中心点置信度热力图中肺结节中心点的预测位置与真实位置的分布差异形成中心点置信度损失函数；

根据所述预测位置相对所述肺结节影像训练样本的肺结节中心点的偏差形成所述肺结节中心点的位置偏移损失函数；

形成所述肺结节中心点所处肺结节的预测尺寸相对所述肺结节影像训练样本中肺结节大小的尺寸偏差损失函数；

根据肺结节在中心点置信度、位置偏移和尺寸偏差的损失形成训练过程损失函数。

本发明一实施例中，所述关键中心点置信度热力图的形成包括：