[发明专利]一种基于CT切片的多模型假阳衰减的疾病分类方法及装置

权利要求书

1.一种基于CT切片的多模型假阳衰减的疾病分类方法，其特征在于，包括：

S1.将CT序列图像输入一次筛查模型，通过所述一次筛查模型自动对所述CT序列图像进行处理，即使用卷积神经网络对所述CT序列图像进行特征提取，对疑似结节的特征区域进行分割定位，输出一次筛查模型结果；

S2.将所述一次筛查结果中置信度低于最低置信度预设值的部分单独取出，得到假性数据；

S3.选取二次筛查模型，并对选取的二次筛查模型的参数进行设置，选取所用损失函数和优化器；

S4.将步骤S2中所述假性数据添加所述二次筛查模型的标签作为训练标签，输入到选取的所述二次筛查模型进行训练，进行精准分类，得到假阳性数据和真阳性数据。

2.根据权利要求1所述的一种基于CT切片的多模型假阳衰减的疾病分类方法，其特征在于，在步骤S2中，得到假阳性数据具体包括：在所述一次筛查模型结果在输出时，将每个结果对应一个位置及置信度，所述置信度取值在0-1之间，设定一个数值作为最低置信度预设值，低于最低置信度预设值的数据单独取出，作为假性数据进行下一次筛查。

3.根据权利要求1所述的一种基于CT切片的多模型假阳衰减的疾病分类方法，其特征在于，在步骤S3中，选用如ResNet18这样的浅层网络作为二次筛查模型。

4.根据权利要求1所述的一种基于CT切片的多模型假阳衰减的疾病分类方法，其特征在于，步骤S3中所述参数具体包括：学习率，所述学习率设置为0.001，所述损失函数为BCEloss，所述优化器选用SGD优化器。

5.一种基于CT切片的多模型假阳衰减的疾病分类装置，其特征在于，包括：

一次筛查模块：用于将CT序列图像输入一次筛查模型，通过所述一次筛查模型自动对所述CT序列图像进行处理，即使用卷积神经网络对所述CT序列图像进行特征提取，对疑似结节的特征区域进行分割定位，输出一次筛查模型结果；

假阳数据选取模块：用于将所述一次筛查结果中置信度低于最低置信度预设值的部分单独取出，得到假性数据。

参数设置模块：用于对选取的二次筛查模型的参数进行设置，选取所用损失函数和优化器。

二次筛查模块：用于将步骤S2中所述假性数据添加所述二次筛查模型的标签作为训练标签，输入到选取的所述二次筛查模型进行训练，进行精准分类，得到假阳性数据和真阳性数据。

6.根据权利要求5所述的一种基于CT切片的多模型假阳衰减的疾病分类装置，其特征在于，假阳数据选取模块具体用于，选取出置信度低于最低置信度预设值的数据，作为假性数据进行下一次筛查。

7.根据权利要求5所述的一种基于CT切片的多模型假阳衰减的疾病分类装置，其特征在于，参数设置模块具体用于，为选取的如ResNet18这样的浅层网络模型设置学习率、损失函数及优化器，所述学习率固定设置为0.001，所述损失函数为BCEloss，所述优化器为SGD优化器。

8.一种基于CT切片的多模型假阳衰减的疾病分类装置，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的基于CT切片的多模型假阳衰减的疾病分类方法的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至4中任一项所述的基于CT切片的多模型假阳衰减的疾病分类方法的步骤。