[发明专利]一种肺结节鉴别方法、装置、设备及介质

说明书

本发明实施例公开了一种肺结节鉴别方法、装置、设备及介质，所述方法包括：获取待鉴别图像数据；将所述待鉴别图像数据输入至预先训练好的，包括肺结节鉴别主干网络、肺结节分割网络以及肺结节密度分类网络的鉴别模型中，获得所述鉴别模型输出的分类结果；根据所述分类结果确定所述待鉴别图像数据的鉴别结果。本发明实施例所提供的肺结节鉴别方法通过结合肺结节鉴别主干网络、肺结节分割网络和肺结节密度分类网络进行肺结节的鉴别，提高了肺结节鉴别结果的准确性。

技术领域

本发明实施例涉及医学图像技术领域，尤其涉及一种肺结节鉴别方法、装置、设备及介质。

背景技术

肺癌是世界范围内死亡率最高的癌症之一。病人的癌症被发现时，多数为中晚期，不仅存活率低，而且治疗成本高昂。早期诊断可有效提高肺癌患者的存活率，减轻患者家庭负担。电子计算机断层扫描(Computed Tomography，CT)的肺癌筛查是常见的早期诊断技术，但会导致医生工作强度的大幅上升，以及与之相伴的肺结节漏诊，特别是磨玻璃结节的漏诊。计算机辅助诊断(CAD)可以帮助医生降低工作强度，提升准确率，减少诊断错误。

近年来，基于深度学习的CAD技术逐渐得到医生的信赖和采用，特别是肺结节的检测任务，基于深度学习的CAD技术能够大大减少医生的工作量，同时能够一定程度上降低漏诊率。但是检测结果中会有较多小结节以及胸膜结节，这些结节绝大部分都是良性的，对于病人不会产生影响。因此需要有一个良恶性鉴别的环节，帮助医生对肺结节进行分类，以便给出针对性建议，减少病人不必要的恐慌。

关于肺结节鉴别，目前已经有许多算法对其进行实现，包括传统算法以及深度学习算法。但是由于肺结节的良恶性较难准确界定，其与多种征象都有关系，而目前基于深度学习的方法进行肺结节良恶性鉴别时，主要都是简单的将原始图像输入到网络中，让网络本身去学习输入图像的特征，这种方法若希望取得较为理想的鉴别结果，需要有大量的数据支撑，但是肺结节良恶性的标注需要对手术患者的切片进行病理分析，实现起来较为困难。因此目前基于深度学习的鉴别模型获得的鉴别结果准确率较低。

发明内容

本发明实施例提供了一种肺结节鉴别方法、装置、设备及介质，以实现提高肺结节鉴别结果的准确性。

第一方面，本发明实施例提供了一种肺结节鉴别方法，包括：

获取待鉴别图像数据；

将所述待鉴别图像数据输入至预先训练好的鉴别模型中，获得所述鉴别模型输出的分类结果，所述鉴别模型包括肺结节鉴别主干网络、肺结节分割网络以及肺结节密度分类网络；

根据所述分类结果确定所述待鉴别图像数据的鉴别结果。

第二方面，本发明实施例还提供了一种医学图像显示装置，包括：

图像数据获取模块，用于获取待鉴别图像数据；

分类结果获取模块，用于将所述待鉴别图像数据输入至预先训练好的鉴别模型中，获得所述鉴别模型输出的分类结果，所述鉴别模型包括肺结节鉴别主干网络、肺结节分割网络以及肺结节密度分类网络；

鉴别结果确定模块，根据所述分类结果确定所述待鉴别图像数据的鉴别结果。

第三方面，本发明实施例还提供了一种计算机设备，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所提供的用于肺结节鉴别方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的肺结节鉴别方法。