[发明专利]一种无锚点框的三维肺结节检测模型训练方法及装置

权利要求书

1.一种无锚点框的三维肺结节检测模型训练方法，其特征在于，包括：

S1.获取医学CT图像LIDC-IDRI数据集中三维肺结节样本并构建三维肺结节数据库，所述三维肺结节样本包括图像数据和标注数据，所述标注数据包括标注类别和标注坐标点；

S2.将进行数据增强后的图像数据输入到卷积神经网络进行卷积处理，提取图像特征，得到多个特征图；

S3.将所述多个特征图输入到预先设置的具有两个卷积分支的共享头部网络，分别通过两层的卷积之后，从第一个分支输出预测类别和预测中心度，从第二个分支输出预测坐标点，根据所述预测类别，通过激活函数得到预测置信度；

S4. 将所述标注坐标点经过计算得到标注中心度，计算所述特征图上每个位置的回归目标中心度点到左边界的距离，所述中心度点到上边界的距离，所述中心度点到右边界的距离，所述中心度点到下边界的距离，所述中心度点到前边界的距离以及所述中心度点到后边界的距离，将所述标注坐标点、所述预测坐标点、所述预测置信度、所述标注类别、所述预测中心度、所述标注中心度输入到损失函数，反向传播，训练模型。

2.根据权利要求1所述的方法，其特征在于，所述步骤S2具体包括：

将图像数据进行数据增强后输入到卷积神经网络，在最后三层卷积神经网络时提取特征图C3、C4、C5；

将所述特征图C3、C4、C5分别经过1*1*1的卷积横向连接得到特征图P3、P4、P5，将所述特征图P5经过步长为二的3*3*3的卷积得到特征图P6，将所述特征图P6经过步长为二的3*3*3的卷积得到特征图P7；

所述多个特征图为所述特征图P3、P4、P5、P6、P7。

3.根据权利要求2所述的方法，其特征在于，步骤S4具体包括：

将所述标注坐标点经过计算得到标注中心度，将所述预测置信度和标注类别通过焦点Focal算法得出Focal损失函数，将所述预测中心度和标注中心度通过交叉熵BCE算法得出BCE损失函数，所述预测坐标点和标注坐标点通过交并比IOU算法得出IOU损失函数;

将所述Focal损失函数、BCE损失函数和IOU损失函数进行整合得到所述损失函数。

4.根据权利要求3所述的方法，其特征在于，步骤S4具体包括：计算所述特征图P3、P4、P5、P6、P7上每个位置的回归目标中心度点到左边界的距离l*，所述中心度点到上边界的距离t*，所述中心度点到右边界的距离r*，所述中心度点到下边界的距离b*，所述中心度点到前边界的距离f*以及所述中心度点到后边界的距离be*，假设mi是第i 层特征图最大的回归距离，图像中某一像素位置满足max(l*,t*,r*,b*,f*,be*) mi或min(l*,t*,r*,b*,f*,be*) mi-1则被定义为负样本，所述负样本的预测坐标点不参与所述IOU损失函数的计算。

5.根据权利要求1所述的方法，其特征在于，所述卷积神经网络包括骨干网络，所述骨干网络包括resnet3d、resnext3d和densenet3d。

6.一种无锚点框的三维肺结节检测模型训练装置，其特征在于，包括：

样本获取模块：获取医学CT图像LIDC-IDRI数据集中三维肺结节样本并构建三维肺结节数据库，所述三维肺结节样本包括图像数据和标注数据，所述标注数据包括标注类别和标注坐标点；

特征提取模块：将进行数据增强后的图像数据输入到卷积神经网络进行卷积处理，提取图像特征，得到多个特征图；

预测模块：将所述多个特征图输入到预先设置的具有两个卷积分支的共享头部网络，分别通过两层的卷积之后，从第一个分支输出预测类别和预测中心度，从第二个分支输出预测坐标点，根据所述预测类别，通过激活函数得到预测置信度；

训练模块：将所述标注坐标点经过计算得到标注中心度，将所述标注坐标点、所述预测坐标点、所述预测置信度、所述标注类别、所述预测中心度、所述标注中心度输入到损失函数，反向传播，训练模型。