卷积神经网络的训练方法、装置及结节征象识别方法、装置制造方法及图纸

本发明专利技术提供了一种卷积神经网络的训练方法、装置及结节征象识别方法、装置，解决了现有技术中结节征象识别准确率低，并且可识别征象类别少的问题。用于结节征象识别的卷积神经网络的训练方法，包括：获取已标记结节位置和结节征象类别的至少一组样本图像序列经特征提取后得到的第一特征图；采用具有不同感受野的至少两种池化核对第一特征图进行降采样得到至少两种第二特征图；根据至少两种第二特征图对卷积神经网络进行训练。

Training method and device of convolutional neural network and recognition method and device of nodule sign

【技术实现步骤摘要】
卷积神经网络的训练方法、装置及结节征象识别方法、装置
本专利技术涉及结节检测
，具体涉及一种用于结节征象识别的卷积神经网络的训练方法和装置、结节征象识别方法和装置、计算机设备，以及存储介质。
技术介绍
在医疗领域，对诸如肺结节和甲状腺结节等结节的研究，日益引起广泛关注。通常认为，结节是癌症最重要的早期征象之一，根据结节的病变特征能够推断出病灶特性，因此对结节征象的识别，是医生进行结节良性还是恶性的判断的重要参考。现有的结节征象识别方案包括：首先获取CT图像；然后人工对肺结节区域进行分割，提取肺结节的边缘特征；根据边缘特征判断是否有分叶、毛刺等边缘征象。这种识别方案准确率低，而且可识别征象类别少。
技术实现思路
有鉴于此，本专利技术实施例致力于提供一种卷积神经网络的训练方法、装置及结节征象识别方法、装置，以解决现有技术中结节征象识别准确率低，并且可识别征象类别少的问题。本专利技术第一方面提供了一种用于结节征象识别的卷积神经网络的训练方法，包括：获取已标记结节位置和结节征象类别的至少一组样本图像序列经特征提取后得到的第一特征图；采用具有不同感受野的至少两种池化核对第一特征图进行降采样得到至少两种第二特征图；根据至少两种第二特征图对卷积神经网络进行训练。在一个实施例中，采用具有不同感受野的至少两种池化核对第一特征图进行降采样得到至少两种第二特征图包括：采用具有不同感受野的至少两种池化核并行对第一特征图进行降采样得到至少两种第二特征图。在一个实施例中，根据至少两种第二特征图对卷积神经网络进行训练包括：采用多标签分类法根据至少两种第二特征图对卷积神经网络进行训练。在一个实施例中，采用多标签分类法根据至少两种第二特征图对卷积神经网络进行训练包括：分别针对至少两种第二特征图进行损失函数计算；根据损失函数的结果对至少两个分支网络进行训练。在一个实施例中，卷积神经网络包括依次连接的四个卷积层网络，四个卷积层网络的卷积核的大小相等。在一个实施例中，在获取已标记结节位置和结节征象类别的样本图像序列经特征提取后得到的第一特征图谱之前，还包括：获取已标记结节位置和结节征象类别的至少一组原始图像序列；对至少一组原始图像序列进行预处理得到至少一组样本图像序列。在一个实施例中，对至少一组原始图像序列进行预处理得到至少一组样本图像序列包括：将至少一组原始图像序列中的结节位置包含的区域截取出来，并归一化到相同大小；对经过归一化处理的图像序列进行图像增强得到样本图像序列；或，利用预定大小的矩形框将至少一组原始图像序列中的结节位置包含的区域截取出来；对截取后得到的图像序列进行图像增强得到至少一组样本图像序列。在一个实施例中，至少一组样本图像序列中的每一组样本图像序列包括以病灶为中心的多个CT层面对应的多张图像。本专利技术第二方面提供了一种结节征象识别方法，包括：获取已标记结节位置的目标图像序列；利用卷积神经网络模型对目标图像序列进行结节征象识别，卷积神经网络模型根据上述训练方法得到；输出目标图像序列中的结节对应的至少一个预定征象类别的概率。本专利技术第三方面提供了一种用于结节征象识别的卷积神经网络的训练装置，包括：第一获取模块，获取已标记结节位置和结节征象类别的至少一组样本图像序列经特征提取后得到的第一特征图；池化模块，采用具有不同感受野的至少两种池化核对第一特征图进行降采样得到至少两种第二特征图；训练模块，根据至少两种第二特征图对卷积神经网络进行训练。本专利技术第四方面提供了一种结节征象识别装置，包括：第二获取模块，获取已标记结节位置的目标图像序列；识别模块，利用卷积神经网络模型对目标图像序列进行结节征象识别，卷积神经网络模型根据上述训练方法得到；输出模块，输出目标图像序列中的结节对应的至少一个预定征象类别的概率。本专利技术第五方面提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，计算机程序被处理器执行时实现上述任一实施例提供的用于结节征象识别的卷积神经网络的训练方法的步骤；和/或，计算机程序被处理器执行时实现上述任一实施例提供的结节征象识别方法的步骤。本专利技术第六方面提供了一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例提供的用于结节征象识别的卷积神经网络的训练方法的步骤；和/或，计算机程序被处理器执行时实现上述任一实施例提供的结节征象识别方法的步骤。根据本专利技术提供的卷积神经网络的训练方法、装置及结节征象识别方法、装置，利用卷积神经网络对结节征象进行识别，提高了检测准确率，同时丰富了可识别的征象类别。附图说明图1示出了可以应用本专利技术实施例的用于结节征象识别的卷积神经网络的训练方法或装置、或者结节征象识别方法或装置的示例性系统架构的示意图。图2为本专利技术第一实施例提供的用于结节征象识别的卷积神经网络的结构图。图3为本专利技术第二实施例提供的用于结节征象识别的卷积神经网络的训练方法的流程图。图4为本专利技术第三实施例提供的图3所示训练方法中步骤S330的具体执行过程。图5为本专利技术第四实施例提供的用于结节征象识别的卷积神经网络的训练方法的流程图。图6所示为本专利技术第五实施例提供的结节征象识别方法流程图。图7为本专利技术第六实施例提供的用于结节征象识别的卷积神经网络的训练装置的结构框图。图8为本专利技术第七实施例提供的结节征象识别装置的结构框图。图9为本专利技术第八实施例提供的电子设备的结构框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1示出了可以应用本专利技术实施例的用于结节征象识别的卷积神经网络的训练方法或装置、或者结节征象识别方法或装置的示例性系统架构的示意图。如图1所示，系统架构100包括终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器102之间提供通信链路的介质。网络102包括各种连接类型，例如有线、无线通信链路或者光纤电缆等。终端设备101可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机和台式计算机等。服务器103可以是提供各种服务的服务器。这样，用户可以使用终端设备101通过网络102与服务器103交互，以接收或发送消息。例如，用户使用终端设备101向服务器103上传了一组已标注结节位置和结节征象类别的样本图像；服务器103可以基于该组样本图像对卷积神经网络进行训练，得到用于结节征象识别的卷积神经网络。又例如，用户使用终端设备101，还配合单独设置的CT设备进行CT图像采集，并上传至服务器103；服务器103使用前述训练好的用于结节征象识别的卷积神经网络对该CT图像进行结节征象识别。本文档来自技高网...

【技术保护点】
1.一种用于结节征象识别的卷积神经网络的训练方法，其特征在于，包括：/n获取已标记结节位置和结节征象类别的至少一组样本图像序列经特征提取后得到的第一特征图；/n采用具有不同感受野的至少两种池化核对所述第一特征图进行降采样得到至少两种第二特征图；/n根据所述至少两种第二特征图对所述卷积神经网络进行训练。/n

【技术特征摘要】
1.一种用于结节征象识别的卷积神经网络的训练方法，其特征在于，包括：
获取已标记结节位置和结节征象类别的至少一组样本图像序列经特征提取后得到的第一特征图；
采用具有不同感受野的至少两种池化核对所述第一特征图进行降采样得到至少两种第二特征图；
根据所述至少两种第二特征图对所述卷积神经网络进行训练。


2.根据权利要求1所述的用于结节征象识别的卷积神经网络的训练方法，其特征在于，所述采用具有不同感受野的至少两种池化核对所述第一特征图进行降采样得到至少两种第二特征图包括：
采用具有不同感受野的至少两种池化核并行对所述第一特征图进行降采样得到所述至少两种第二特征图。


3.根据权利要求1所述的用于结节征象识别的卷积神经网络的训练方法，其特征在于，所述根据所述至少两种第二特征图对所述卷积神经网络进行训练包括：
采用多标签分类法根据所述至少两种第二特征图对所述卷积神经网络进行训练。


4.根据权利要求3所述的用于结节征象识别的卷积神经网络的训练方法，其特征在于，所述采用多标签分类法根据所述至少两种第二特征图对卷积神经网络进行训练包括：
分别针对所述至少两种第二特征图进行损失函数计算；
根据所述损失函数的结果对至少两个分支网络进行训练。


5.根据权利要求3所述的用于结节征象识别的卷积神经网络的训练方法，其特征在于，所述卷积神经网络包括依次连接的四个卷积层网络，所述四个卷积层网络的卷积核的大小相等。


6.根据权利要求1所述的用于结节征象识别的卷积神经网络的训练方法，其特征在于，在所述获取已标记结节位置和结节征象类别的样本图像序列经特征提取后得到的第一特征图谱之前，还包括：
获取已标记结节位置和结节征象类别的至少一组原始图像序列；
对所述至少一组原始图像序列进行预处理得到所述至少一组样本图像序列。


7.根据权利要求6所述的用于结节征象识别的卷积神经网络的训练方法，其特征在于，所述对所述至少一组原始图像序列进行预处理得到所述至少一组样本图像序列包括：
将所述至少一组原始图像序列中的所述结节位置包含的区域截取出来，并归一化到相同大小；
对经过所述归一化处理的图像序列进行图像增强得到所述至少一组样本图像序...

【专利技术属性】
技术研发人员：袁勇，陈宽，王少康，
申请(专利权)人：北京推想科技有限公司，
类型：发明
国别省市：北京;11