[发明专利]一种支气管分级及模型训练方法、装置及电子设备

权利要求书

1.一种支气管分级模型训练方法，其特征在于，包括：

获取支气管训练数据集，针对支气管训练数据集中的每一支气管训练数据，对该支气管训练数据中的每一像素点所属的支气管分级进行标注；

提取支气管训练数据集中每一支气管训练数据的中线，确定中线的关键点；

根据中线的关键点，对中线进行分段，依据分段的支气管段之间的邻接关系，构建中线邻接矩阵；

针对每一支气管段，依据该支气管段中标注的每一像素点所属的支气管分级，确定该支气管段所属的支气管分级；

针对每一支气管训练数据，将该支气管训练数据包含的各支气管段的像素点坐标矩阵与中线邻接矩阵，作为待训练的深度图神经网络的输入，对该待训练的深度图神经网络进行训练；

依据支气管段所属的支气管分级以及待训练的深度图神经网络的输出，确定待训练的深度图神经网络收敛，得到支气管分级模型；

所述将该支气管训练数据包含的各支气管段的像素点坐标矩阵与中线邻接矩阵，作为待训练的深度图神经网络的输入之前，所述方法还包括：

针对每一支气管段，获取该支气管段在各维度方向上的像素点数；

依据深度图神经网络要求的各维度方向上的像素点数阈值，利用线性插值方法，将支气管段在各维度方向上的像素点数变换为对应维度方向上的像素点数阈值；

所述深度图神经网络包括依次相连的多个操作处理相同的深度图网络块，所述将该支气管训练数据包含的各支气管段的像素点坐标矩阵与中线邻接矩阵，作为待训练的深度图神经网络的输入，对该待训练的深度图神经网络进行训练，包括：

将由各支气管段的像素点坐标矩阵组成的坐标点特征矩阵输入待训练的深度图神经网络，与待训练的深度图神经网络的训练参数矩阵相乘，得到第一特征；

对第一特征进行批量归一化，得到第二特征；

对第二特征进行激活处理，得到第三特征；

将第三特征与中线邻接矩阵进行相乘，得到第四特征；

对第四特征进行图归一化处理，得到第五特征；

将第五特征与坐标点特征矩阵进行相加处理，得到第六特征；

对第六特征进行激活处理，得到用于输入下一深度图网络块的输出特征。

2.根据权利要求1所述的方法，其特征在于，所述根据中线的关键点，对中线进行分段，包括：

从中线最上端的端点开始遍历，采用深度优先搜索或者广度优先搜索方法，对该中线进行遍历；

当遍历经过一关键点，则得到一支气管段。

3.根据权利要求1所述的方法，其特征在于，所述依据分段的支气管段之间的邻接关系，构建中线邻接矩阵，包括：

对从中线进行分段得到的支气管段进行标识；

构建数值为空的初始邻接矩阵，初始邻接矩阵的行数与列数相等，行数为提取的支气管段数，行、列对应支气管段的标识；

针对每一提取的支气管段，在该支气管段对应的初始邻接矩阵的行中，根据邻接关系，将与该支气管段相邻的支气管段对应的列值置1，与该支气管段不相邻的支气管段对应的列值置0，得到中线邻接矩阵。

4.根据权利要求1所述的方法，其特征在于，所述依据该支气管段中标注的每一像素点所属的支气管分级，确定该支气管段所属的支气管分级，包括：

遍历支气管段中标注的每一像素点，对每一像素点所属的支气管分级进行统计；

从统计的支气管分级中，获取最多像素点数对应的支气管分级，确定为该支气管段所属的支气管分级。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

从支气管训练数据集中进行随机抽样，并对随机抽样的支气管训练数据进行数据扩充，将进行数据扩充得到的数据置于支气管训练数据集中。