[发明专利]肺结节检测模型训练方法、检测方法及装置

权利要求书

1.一种肺结节检测模型训练方法，其特征在于，包括：

以标注数据为样本训练肺结节检测模型，所述标注数据包括多张带有标签的第一肺部CT图像样本，所述标签用于标示所述第一肺部CT图像样本是否存在肺结节；

将所述标注数据和未标注数据输入所述肺结节检测模型，得到各肺部CT图像样本的结节特征，所述未标注数据包括多张不带标签的第二肺部CT图像样本；

计算各所述结节特征之间的连接矩阵，所述连接矩阵用于表示各所述结节特征之间的连接关系；

基于所述连接矩阵构建图卷积神经网络；

以所述标注数据中各第一肺部CT图像样本的结节特征为样本训练所述图卷积神经网络；

将所述未标注数据的结节特征输入所述图卷积神经网络中进行处理，确定各所述第二肺部CT图像样本的伪标签；

以所述标注数据和带伪标签的未标注数据为样本，重新训练所述肺结节检测模型。

2.根据权利要求1所述的肺结节检测模型训练方法，其特征在于，所述肺结节检测模型包括沙漏网络、分类网络、回归网络和第一分类器，所述沙漏网络具有第一输出端和第二输出端，分别用于输出第一输出特征和第二输出特征，所述以标注数据为样本训练肺结节检测模型，包括：

将所述带有标签的第一肺部CT图像样本输入所述沙漏网络中进行处理，得到第一输出特征和第二输出特征；

将所述第一输出特征输入所述回归网络进行处理，得到第一预测点的目标属性；

将所述第二输出特征输入所述分类网络进行处理，得到所述第一肺部CT图像样本的结节特征；

将所述结节特征输入所述第一分类器，得到所述第一预测点为肺结节的中心点的第一概率；

基于所述第一概率计算分类损失值，以及基于所述目标属性计算回归损失值；

根据第一损失值更新所述沙漏网络、分类网络、回归网络和第一分类器的参数，所述第一损失值为所述分类损失值和所述回归损失值之和。

3.根据权利要求2所述的肺结节检测模型训练方法，其特征在于，所述基于所述第一概率计算分类损失值，以及基于所述目标属性计算回归损失值，包括：

通过焦点损失函数计算将所述第一预测点作为肺结节的中心点的焦点损失值作为分类损失值；

通过平均绝对误差函数计算所述第一预测点相对于所述肺结节的中心点的平均绝对误差作为回归损失值。

4.根据权利要求1-3任一所述的肺结节检测模型训练方法，其特征在于，将所述标注数据和未标注数据输入所述肺结节检测模型，得到各肺部CT图像样本的结节特征，包括：

将所述标注数据和未标注数据输入所述肺结节检测模型，得到第二预测点为肺结节的中心点的第二概率；

从所述标注数据和未标注数据中确定所述第二概率大于概率阈值的目标肺部CT图像样本；

将所述目标肺部CT图像样本的结节特征作为目标结节特征。

5.根据权利要求4所述的肺结节检测模型训练方法，其特征在于，所述计算各所述结节特征之间的连接矩阵，包括：

计算每一所述目标结节特征与该目标结节特征的K近邻内的目标结节特征的距离；

基于所述距离确定连接矩阵。

6.根据权利要求1-3任一所述的肺结节检测模型训练方法，其特征在于，基于所述连接矩阵构建图卷积神经网络，包括：

对所述连接矩阵进行正则化处理，得到正则化矩阵；

基于所述正则化矩阵构建图卷积神经网络，所述图卷积神经网络包括第一图卷积层、第二图卷积层和第二分类器，所述正则化矩阵为所述第一图卷积层和所述第二图卷积层的参数矩阵。