肺部疾病识别模型的训练方法、肺部疾病识别方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114187224A(43)申请公布日2022.03.15(21)申请号202010863223.6(22)申请日2020.08.25(71)申请人中移（成都）信息通信科技有限公司地址610041四川省成都市中国（四川）自由贸易试验区成都高新区交子大道575号J座6楼申请人中国移动通信集团有限公司(72)发明人左东奇胡冉杰杨了唐明轩黄承基(74)专利代理机构北京东方亿思知识产权代理有限责任公司11258代理人彭琼(51)Int.Cl.G06T7/00(2017.01)权利要求书3页说明书17页附图7页(54)发明名称肺部疾病识别模型的训练方法、肺部疾病识别方法及装置(57)摘要本申请公开了一种肺部疾病识别模型的训练方法、肺部疾病识别方法及装置。具体包括：获取电子计算机断层扫描CT图像样本，其中，所述CT图像样本包括样本CT图像和样本CT图像的样本标签；根据预设第一截取条件，对CT图像样本进行截取操作，得到包含病症区域的第一体数据；将第一体数据输入待训练的肺部疾病识别模型的第一双路径网络，确定病症区域的位置信息；根据预设第二截取条件和位置信息，对第一体数据进行截取操作，得到第二体数据；将第二体数据输入待训练的肺部疾病识别模型的目标分类网络，进行迭代训练，得到目标肺部疾病识别模型。根据本申请实施例，可以提高肺部疾病识别模型的训练速度。CN114187224ACN114187224A权利要求书1/3页1.一种肺部疾病识别模型的训练方法，其特征在于，包括：获取电子计算机断层扫描CT图像样本，其中，所述CT图像样本包括样本CT图像和样本CT图像的样本标签；根据预设第一截取条件，对所述CT图像样本进行截取操作，得到包含病症区域的第一体数据；将所述第一体数据输入待训练的肺部疾病识别模型的第一双路径网络，确定所述病症区域的位置信息；根据预设第二截取条件和所述位置信息，对所述第一体数据进行截取操作，得到第二体数据；将所述第二体数据输入待训练的肺部疾病识别模型的目标分类网络，进行迭代训练，得到目标肺部疾病识别模型。2.根据权利要求1所述的方法，其特征在于，所述根据预设第一截取条件，对所述CT图像样本进行截取操作，得到包含病症区域的第一体数据，包括：对所述CT图像样本进行图像掩膜处理，得到所述CT图像样本对应的肺部区域图像；根据预设第一截取条件，对所述CT图像样本对应的肺部区域图像进行截取操作，得到包含病症区域的第一体数据。3.根据权利要求2所述的方法，其特征在于，所述对CT图像样本进行图像掩膜处理，得到所述CT图像样本对应的肺部区域图像，包括：对所述CT图像样本进行高斯滤波操作和图像二值化操作，确定所述CT图像样本中的连通区域；根据预设条件，筛选所述CT图像样本中的连通区域，得到对应的满足预设体数据阈值的第一连通区域；对包括所述第一连通区域的CT图像样本进行膨胀操作，得到第一图像掩膜；根据所述第一图像掩膜，确定第二图像掩膜；根据归一化处理后的所述CT图像样本以及所述第一图像掩膜和所述第二图像掩膜，确定所述CT图像样本对应的肺部区域图像。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于所述第一体数据对初始第一双路径网络进行训练，直至所述初始第一双路径网络的损失函数满足预设条件，将损失函数满足预设条件时的初始第一双路径网络作为所述待训练的肺部疾病识别模型的第一双路径网络。5.根据权利要求4所述的方法，其特征在于，所述第一双路径网络的损失函数表示为如下公式：L(pi,ti)＝λLcls(pi,pi*)+pi*Lreg(ti,ti*)pi为当前边框为病症区域的预测分类值，ti是相应病症区域坐标预测，pi*为当前边框为病症区域的真实分类值，ti*是真实病症区域的坐标位置，Lcls为二分类交叉熵损失函数，Lreg为平滑L1损失函数，λ为预设系数。6.根据权利要求1所述的方法，其特征在于，所述将第二体数据输入待训练的肺部疾病识别模型的目标分类网络，进行迭代训练，得到目标肺部疾病识别模型，包括：利用目标分类网络中的第一特征提取网络，对所述第二体数据进行特征提取，得到与2CN114187224A权利要求书2/3页第二体数据对应的第一特征图，每个所述第一特征图大小相同；利用目标分类网络中的第二双路径网络，对所述第一特征图进行特征提取，得到所述第一特征图对应的第一特征向量；将所述第一特征向量输入目标分类网络中的分类网络，进行迭代训练，得到目标肺部疾病识别模型。7.根据权利要求1-6任一项所述的方法，其特征在于，所述第一双路径网络和第二双路径网络均为三维3D双路径网络。8.根据权利要求4或6所述的方法，其特征在于，所述3D双路径网络包括残差网络ResNet和密集卷积网络Dense