[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

说明书

本发明公开了一种无锚点框的三维肺结节检测模型训练方法及装置，该方法包括：获取数据集中三维肺结节样本的图像数据、标注类别和标注坐标点并构建三维肺结节数据库；将进行数据增强后的图像数据输入到卷积神经网络进行处理，得到多个特征图；将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，输出预测类别、预测中心度和预测坐标点，计算预测置信度和标注中心度，将标注坐标点、预测坐标点、预测置信度、标注类别、预测中心度、标注中心度输入到损失函数，反向传播，训练模型。采用本发明实施例，解决了有锚点框所带来的问题、减少了很多的计算量，采用双分支的网络结构使得不同任务间的特征不互相干扰，模型结果更加准确。

技术领域

本发明涉及智能医学工程技术领域，尤其是涉及一种无锚点框的三维肺结节检测模型训练方法及装置。

背景技术

随着近几年人工智能技术的飞速发展，将最先进的技术有效的应用于临床领域是必要的，同时，数据、算法、计算力、专业性四大要素促进着医疗人工智能的发展。

在本次算法研究中，数据集采用为LIDC-IDRI（The Lung Image DatabaseConsortium），该数据集由胸部医学图像文件(.dcm)(如CT、X光片)和对应的诊断结果病变标注(.xml) 组成。数据是由美国国家癌症研究所(National Cancer Institute)发起收集的，目的是为了研究高危人群早期癌症检测。该数据集中，从中筛选了1018个研究实例。对于每个实例中的图像，都由4位经验丰富的胸部放射科医师进行两阶段的诊断标注。在第一阶段，每位医师分别独立诊断并标注病患位置，其中会标注三种类别：1.大于等于3mm的结节2.小于3mm的结节3.大于等于3mm的非结节。在随后的第二阶段中，各位医师都分别独立的复审其他三位医师的标注，并给出自己最终的诊断结果。这样的两阶段标注可以在避免forced consensus的前提下，尽可能完整的标注所有结果。基于这个数据集，主要是对数据集中的肺结节进行3d检测及提取,并进行假阳性检测。由于该数据集主要用到的标签是肺结节位置以及分类，且是3d数据，所以检测肺结节需要检测一个3d物体，因此需要使用3d目标检测的多任务同时优化的手段对其进行优化。

目前流行了非常多基于anchor-base的目标检测网络模型如yolo，ssd，retinanet等，基于anchor的缺点非常明显，如：1.检测表现效果对于锚框的尺寸、长宽比、数目非常敏感，因此锚框相关的超参数需要仔细的调节；2.锚框的尺寸和长宽比是固定的，因此，检测器在处理形变较大的候选对象时比较困难，尤其是对于小目标，预先定义的锚框还限制了检测器的泛化能力，因为，它们需要针对不同对象大小或长宽比进行设计；3.为了提高召回率，需要在图像上放置密集的锚框，而这些锚框大多数属于负样本，这样造成了正负样本之间的不均衡；4.大量的锚框增加了在计算交并比时计算量和内存占用。

看一张肺部CT，医生平常需要十几分钟到半个小时，而人工智能只需要几秒钟；3mm以内的小病灶，普通影像医生肉眼很容易遗漏，人工智能却容易识别；不会因为情绪、疲劳出错。

目前已有的深度学习目标检测模型如yolo，ssd，retinanet等基于anchor的都无法很好地适应该任务的要求。所以针对基于anchor-base的目标检测方法的缺点以及在3d数据集进行3d目标检测的需求，我们设计了目前在市面上暂时没有的针对肺结节图像的基于无anchor的3d目标检测的深度学习方法。

发明内容

本发明的目的在于提供一种无锚点框的三维肺结节检测模型训练方法及装置，旨在解决发明一种市面上暂时没有的针对肺结节图像的基于无锚点框的3d目标检测的深度学习方法。

本发明提供一种无锚点框的三维肺结节检测模型训练方法，包括：

S101.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，三维肺结节样本包括图像数据和标注数据，标注数据包括标注类别和标注坐标点；