[发明专利]肺结节检测模型训练方法和装置、肺结节检测方法和装置

说明书

本申请涉及一种肺结节检测模型训练方法和装置、肺结节检测方法和装置。该方案中，肺结节检测模型至少包括基于2D Faster R‑CNN网络的候选生成器和基于3D CNN网络的FPR模型，其中，利用候选生成器对由连续层面的CT灰度图像堆叠生成的紧凑图像进行背景、肺结节候选区域和假阳性候选区域三向分类，然后利用FPR模型对肺结节候选区域进行分类，得到肺结节和假阳性，由于候选生成器将假阳性单独分为一类，减少了假阳性的数量，从而提高了检测的灵敏度。又由于还通过FPR模型回归出平移矢量，据此，检测时可以将预测的肺结节的位置向实际肺结节的位置移动提高了检测灵敏度，进一步减少了假阳性的数量。

技术领域

本申请涉及医学图像处理技术领域，尤其涉及一种肺结节检测模型训练方法和装置、肺结节检测方法和装置。

背景技术

肺癌是癌症死亡的主要原因，因此早期发现和治疗至关重要。判断肺部是否存在肺结节是判定癌症的一项有力指标。目前，可以借助胸部薄层(thin－section，CT)图像，判断是否存在肺结节，这大大增加了医生的工作量。为减轻医生的负担，实现对CT图像中肺结节的自动识别已成为非常关键的技术，目前的肺结节检测技术中，基于卷积神经网络(Convolutional Neural Network，CNN)识别CT图像中的肺结节，但是由于肺结节的变化多样，有各种大小，各种形状，并且CT图像中存在很多容易跟肺结节混淆的物体，导致检测灵敏度不高且检测的结果中的假阳性较高。

发明内容

为至少在一定程度上克服相关技术中存在的问题，本申请提供一种肺结节检测模型训练方法和装置、肺结节检测方法和装置。

根据本申请实施例的第一方面，提供一种肺结节检测模型训练方法，所述肺结节检测模型至少包括基于2D Faster R-CNN网络的候选生成器和基于3D CNN网络的FPR模型；所述肺结节检测模型训练方法，包括：

对CT灰度图像进行堆叠，其中，将连续层叠的M层CT灰度图像按照预设策略堆叠生成一层紧凑图像；M的取值为正整数；

将所述紧凑图像、所述紧凑图像中存在的实际肺结节的标注，输入到所述候选生成器，进行收敛训练，输出候选区域与对候选区域的判断，分别为背景区域、肺结节候选区域和假阳性候选区域；其中，所述标注包括肺结节的位置和直径；

将所述候选生成器输出的肺结节候选区域与所述标注对比，分出肺结节候选区域与假阳性候选区域，输入所述FPR模型，进行收敛训练，分类输出肺结节和假阳性，以及根据分类输出的肺结节的位置中心向实际肺结节的位置中心移动的向量回归出平移矢量，以便检测时进行平移矢量的预测，根据预测的平移矢量，将预测的肺结节的位置中心向实际肺结节的位置中心移动。

较佳地，所述将所述紧凑图像、所述紧凑图像中存在的实际肺结节的标注，输入到所述候选生成器，进行收敛训练，输出候选区域与对候选区域的判断，分别为背景区域、肺结节候选区域和假阳性候选区域，包括：

将所述紧凑图像、所述紧凑图像中存在的实际肺结节的标注，输入到所述候选生成器，进行第一阶段的收敛训练，分类输出背景区域和肺结节候选区域；

收集所述候选生成器进行第一阶段的收敛训练输出的肺结节候选区域中的假阳性候选区域，并获取假阳性候选区域的位置；

将所述紧凑图像、所述紧凑图像中存在的实际肺结节的标注、假阳性候选区域的位置，输入到所述候选生成器，进行第二阶段的收敛训练，输出背景区域、肺结节候选区域和假阳性候选区域。

较佳地，所述2D Faster R-CNN网络包括RPN子网络和2D Fast R-CNN子网络；

所述将所述紧凑图像、所述紧凑图像中存在的实际肺结节的标注，输入到所述候选生成器，进行收敛训练，包括：

将所述紧凑图像输入到所述RPN子网络，进行收敛训练，输出候选区域及候选区域包含肺结节的概率评分；