一种肺结节检测模型的训练方法及系统与流程

本发明涉及医学影像分析，尤其涉及一种肺结节检测模型的训练方法及系统。

背景技术：

1、低剂量计算机断层扫描已被广泛应用于肺癌早期筛查，目前基于深度学习的肺结节计算机辅助检测（computer-aided detection，cade）在标准剂量ct数据上已取得较好性能，但在实际临床应用中，由于不同医疗设备、扫描剂量、扫描协议、探测器状态以及图像重建算法存在差异，低剂量ct图像表现出复杂的退化特征变化，使得在特定数据条件下训练得到的检测模型难以保持稳定的跨设备、跨协议泛化性能。现有低剂量ct肺结节检测方法主要面临以下几个方面的问题：

2、1、物理退化模拟与实际成像过程存在分布偏移。现有方法多局限于图像域，通过叠加高斯或泊松噪声等简单扰动，或使用有限的高剂量/低剂量配对数据进行数据增强。这种策略未能深入刻画x射线光子传播、探测器统计及重建算法等正弦图域内的成像物理过程，因此难以表征重建核差异、散射效应等复杂退化因素。其结果是，模拟数据与真实临床扫描数据间存在显著分布差异，导致模型在跨设备、跨协议场景下的泛化能力严重受限。

3、2、特征表示耦合削弱了病灶语义稳定性。传统端到端检测网络在共享特征空间中将结节语义、退化及解剖背景等异质信息进行混合编码。在低剂量条件下，噪声和伪影引发的特征波动易干扰病灶的核心语义表达，且缺乏对不同信息因素的显式解耦约束。这使得模型在面对剂量或重建条件变化时稳定性不足，尤其不利于微小结节和低对比度结节的可靠识别。

4、3、忽视解剖空间上下文先验，导致假阳性增高。现有模型多依赖局部纹理特征，未能充分利用肺部血管、气道及胸膜等整体解剖结构作为空间约束。低剂量ct因噪声增强和对比度下降，进一步弱化了结节与正常组织的边界信息，使得模型在血管交叉或组织重叠区域易将正常结构误判为候选结节，造成较高的假阳性率，影响临床辅助诊断的准确性。

5、针对现有方法上述三个层面的局限，申请人提出改进方案。

技术实现思路

1、针对上述技术问题，本发明提出以下技术方案，旨在解决低剂量ct肺结节检测过程中，由于传统图像域退化模拟与真实成像过程存在偏差导致肺结节检测模型泛化能力不足，以及由于特征空间混合编码和缺乏解剖结构约束导致漏检与误检增加的问题。

2、第一方面，本发明提出的一种低剂量ct肺结节检测鲁棒训练方法，包括以下步骤：

3、步骤1、获取标准剂量ct图像并通过正向投影转换至正弦图域，在正弦图域内，按照多维物理退化参数进行物理退化模拟，生成退化正弦图数据，再经图像重建生成低剂量退化ct图像样本集和对应的物理退化参数集；

4、步骤2、将所述低剂量退化ct图像样本集输入到共享特征提取网络，获得基础特征；将所述基础特征输入到三路变分编码网络进行处理，获得结节内容隐变量、退化隐变量及解剖结构隐变量；

5、步骤3、对三个隐变量之间的两两组合关系分别建立互信息约束，获得互信息约束损失；基于所述物理退化参数集对所述退化隐变量建立辅助监督回归约束，获得物理参数回归损失；对三个隐变量的后验分布施加正则约束，获得隐变量分布正则损失；以及，采用交叉注意力机制融合结节内容隐变量与解剖结构隐变量，生成融合检测特征，输入所述融合检测特征至三维目标检测预测头，计算三维结节检测损失；

6、步骤4、结合所述互信息约束损失、物理参数回归损失、隐变量分布正则损失以及三维结节检测损失，构建总体联合优化目标函数，对肺结节检测模型进行端到端联合参数更新，直至模型收敛，获得训练好的肺结节检测模型。

7、进一步地，所述多维物理退化参数包括：

8、剂量比例因子，用于描述模拟扫描剂量相对于标准剂量条件的比例关系；

9、重建卷积核风格参数，用于连续表征不同重建卷积核对应的空间频率响应特征；

10、探测器电子噪声强度参数，用于量化表征ct探测器数据采集系统在信号转换、传输以及放大过程中产生的电子噪声影响；

11、散射辐射比例参数，用于描述散射光子对探测器接收信号造成的背景偏移影响；

12、重建策略融合参数，用于描述不同重建策略对最终图像纹理和噪声分布的影响。

13、进一步地，所述步骤1中的物理退化模拟包括：在正弦图域根据剂量比例因子调整入射光子数量，结合散射辐射比例参数引入散射光子背景项，利用泊松分布模拟低剂量条件下的光子计数统计涨落，以探测器电子噪声强度参数为基准叠加高斯电子噪声，获得ct探测器实际接收的光子计数测量值，所述光子计数测量值经对数变换处理，获得退化正弦图数据。

14、进一步地，所述步骤1中的图像重建包括：采用所述重建策略融合参数对不同重建方式进行加权融合，生成不同物理退化参数组合对应的低剂量退化ct图像样本集。

15、进一步地，所述步骤1中还包括对所述多维物理退化参数所构成的连续退化参数空间进行动态采样调度，具体配置为：

16、将所述连续退化参数空间离散划分为多个退化子区域；

17、在训练初始阶段，对各退化子区域执行均匀采样；

18、从各退化子区域中预留一部分样本作为验证样本，训练过程中，每轮训练结束后统计肺结节检测模型在各退化子区域对应验证样本上的三维结节检测损失，分别计算每个退化子区域内多个验证样本的平均检测损失；

19、根据各退化子区域的平均检测损失调整下一训练阶段的各退化子区域的采样权重，其中，平均检测损失相对更大的退化子区域，所获得的采样权重相对更高。

20、进一步地，所述三路变分编码网络包括结节内容变分编码头、退化变分编码头和解剖结构变分编码头，三个编码头对应分别将所述基础特征映射为结节内容隐变量、退化隐变量和解剖结构隐变量的变分近似后验分布，并通过重参数化方法采样分别获得结节内容隐变量、退化隐变量和解剖结构隐变量。

21、进一步地，所述步骤3中的建立互信息约束具体包括：采用club估计器，分别对结节内容隐变量与退化隐变量、结节内容隐变量与解剖结构隐变量、退化隐变量与解剖结构隐变量三对组合构建条件概率估计网络，估计组合的互信息上限，通过最小化各组合的互信息上限降低三个隐变量之间的信息相关性。

22、进一步地，所述建立辅助监督回归约束具体包括：基于所述退化隐变量预测得到物理退化参数估计值，根据所述物理退化参数估计值与所述物理退化参数集中对应的真实物理退化参数之间的差异构建物理参数回归损失。

23、进一步地，所述步骤3中的交叉注意力机制包括：将结节内容隐变量和解剖结构隐变量分别展开为token序列，以结节内容隐变量作为查询信息，以解剖结构隐变量作为键值信息，计算注意力权重，并通过残差连接保留原始结节内容信息。

24、第二方面，本发明提供一种肺结节检测模型的训练系统，用以实现上述训练方法，包括：

25、正弦图域多维退化流形生成模块，用于获取标准剂量ct图像并在正弦图域按照多维物理退化参数进行物理退化模拟，经图像重建生成低剂量退化ct图像样本集和对应的物理退化参数集；

26、三路特征变分正交解耦编码模块，用于将所述低剂量退化ct图像样本集经共享特征提取和三路变分编码网络，获得结节内容隐变量、退化隐变量及解剖结构隐变量；对三个隐变量之间的两两组合关系分别建立互信息约束，获得互信息约束损失；基于所述物理退化参数集对所述退化隐变量建立辅助监督回归约束获得物理参数回归损失；以及对三个隐变量的后验分布施加正则约束获得隐变量分布正则损失；

27、跨路径特征融合模块，用于采用交叉注意力机制，以结节内容隐变量作为查询信息，以解剖结构隐变量作为键值信息，融合结节内容隐变量与解剖结构隐变量，生成融合检测特征；

28、三维结节检测与预测模块，用于采用三维目标检测预测头对所述融合检测特征进行解码，输出肺结节三维包围框和结节存在置信度；根据所述三维包围框与对应的真实包围框之间的差异计算三维边界框回归损失，根据所述结节存在置信度与对应的真实类别标签之间的差异计算分类损失，由所述三维边界框回归损失和分类损失获得三维结节检测损失；

29、联合优化模块，用于对所述互信息约束损失、物理参数回归损失、隐变量分布正则损失以及三维结节检测损失进行加权求和，构建总体联合优化目标函数，对肺结节检测模型进行端到端联合参数更新。

30、与现有技术相比，本发明具有以下有益效果：

31、1、本发明通过将退化模拟前移至正弦图域，建立五维连续物理退化参数空间，实现对ct成像过程中主要退化因素的参数化模拟，通过连续退化参数采样生成覆盖不同成像条件的训练样本，提高了检测模型对不同低剂量ct成像条件的适应能力。

32、2、本发明对结节内容、退化和解剖结构信息进行显式解耦，降低退化因素对检测特征的干扰；通过解剖结构与内容隐变量的跨路径注意力融合，引入肺部原始结节内容信息辅助检测，提高了检测模型在低剂量噪声和血管交叉等复杂区域的判别稳定性。

33、3、本发明利用物理退化参数作为自监督信息约束退化隐变量学习，无需额外人工标注；推理阶段不调用退化隐变量，仅利用结节内容隐变量和解剖结构隐变量进行检测，提高了实际部署的效率和适用性。