检测模型训练方法、淋巴结检测方法、装置、设备及介质与流程

本发明实施例涉及图像处理领域，尤其涉及一种检测模型训练方法、淋巴结检测方法、装置、设备及介质。

背景技术：

淋巴结是人体免疫系统的重要组成部分，是淋巴回流系统的重要节点，正常直径多在5毫米之内。纵隔是指人体胸部位于两肺之间，胸廓入口以下，膈肌以上的区域。纵隔淋巴结，是指位于纵隔内的淋巴结。而纵隔淋巴结肿大是根据影像学检查(如ct、磁共振)结果进行判断的，一般是指短径大于1厘米的淋巴结。纵隔淋巴结肿大可能会对健康造成一定影响，如果纵隔淋巴结肿大为恶性肿瘤所致，一方面肿瘤自身的进展可危及生命，另一方面淋巴结的不断增大可能压迫或侵犯纵隔内的重要脏器，如大气道、大血管，可导致呼吸、循环系统衰竭。如果是良性疾病(如结节病、结核)引起的纵隔淋巴结肿大，因疾病进展较缓慢且多可通过治疗控制或缓解，危险度较低。

目前，对淋巴结的检测方法有两类：一、使用区域生长法，填充法等传统方法，二、使用深度学习的方法。其中，传统算法自动化程度低，需要人工参与；深度学习算法任务单一，检测结果较片面。

技术实现要素：

本发明实施例提供了一种检测模型训练方法、淋巴结检测方法、装置、设备及介质，以实现提供较全面的淋巴结检测信息。

第一方面，本发明实施例提供了一种淋巴结检测模型训练方法，包括：

基于特征提取网络构建淋巴结检测模型；

获取淋巴结检测模型的训练样本数据，使用训练样本数据对淋巴结检测模型进行训练，得到训练好的淋巴结检测模型，其中训练样本数据包括样本图像、样本图像对应的样本检测标签，以及样本图像对应的样本分割标签。

第二方面，本发明实施例还提供了一种淋巴结检测方法，包括：

获取待检测图像；

将待检测图像输入至训练好的淋巴结检测模型中，获得淋巴结检测模型输出的输出信息，其中，训练好的淋巴结检测模型是使用如本发明任意实施例所提供的淋巴结检测模型训练方法训练得到的；

根据输出信息确定待检测图像的检测信息并输出。

第三方面，本发明实施例还提供了一种淋巴结检测模型训练装置，包括：

模型构建模块，用于基于特征提取网络构建淋巴结检测模型；

模型训练模块，用于获取淋巴结检测模型的训练样本数据，使用训练样本数据对淋巴结检测模型进行训练，得到训练好的淋巴结检测模型，其中训练样本数据包括样本图像、样本图像对应的样本检测标签，以及样本图像对应的样本分割标签。

第四方面，本发明实施例还提供了一种淋巴结检测装置，包括：

检测图像获取模块，用于获取待检测图像；；

图像检测模块，用于将待检测图像输入至训练好的淋巴结检测模型中，获得淋巴结检测模型输出的输出信息，其中，训练好的淋巴结检测模型是使用如本发明任意实施例所提供的淋巴结检测模型训练方法训练得到的；

检测信息输出模块，用于根据输出信息确定待检测图像的检测信息并输出。

第五方面，本发明实施例还提供了一种计算机设备，设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如本发明任意实施例所提供的淋巴结检测模型训练方法，和/或，实现如本发明任意实施例所提供的淋巴结检测方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的淋巴结检测模型训练方法，和/或，实现如本发明任意实施例所提供的淋巴结检测方法。

本发明实施例通过基于特征提取网络构建淋巴结检测模型；获取淋巴结检测模型的训练样本数据，使用训练样本数据对淋巴结检测模型进行训练，得到训练好的淋巴结检测模型，其中训练样本数据包括样本图像、样本图像对应的样本检测标签，以及样本图像对应的样本分割标签，通过使用包括样本图像、样本图像对应的样本检测标签以及样本图像对应的样本分割标签的训练样本数据对淋巴结检测模型中的不同特征层进行多分支训练，使得训练好的淋巴结检测模型在进行淋巴结检测时能够提供较全面的淋巴结检测信息。

附图说明

图1a是本发明实施例一所提供的一种淋巴结检测模型训练方法的流程图；

图1b是本发明实施例一所提供的一种纵膈淋巴结分布示意图；

图1c是本发明实施例一所提供的一种淋巴结检测模型训练示意图；

图2a是本发明实施例二所提供的一种淋巴结检测方法的流程图；

图2b是本发明实施例二所提供的一种淋巴结检测结果示意图；

图3是本发明实施例三所提供的一种淋巴结检测模型训练装置的结构示意图；

图4是本发明实施例四所提供的一种淋巴结检测装置的结构示意图；

图5是本发明实施例五所提供的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1a是本发明实施例一所提供的一种淋巴结检测模型训练方法的流程图。本实施例可适用于对淋巴结检测模型进行训练时的情形。该方法可以由淋巴结检测模型训练装置执行，该淋巴结检测模型训练装置可以采用软件和/或硬件的方式实现，例如，该淋巴结检测模型训练装置可配置于计算机设备中。如图1a所示，所述方法包括：

s110、基于特征提取网络构建淋巴结检测模型。

在本实施例中，基于特征提取网络构建淋巴结检测模型，并对样本标记后，使用标记样本构成的训练样本数据对构建好的淋巴结检测模型进行训练，得到训练好的淋巴结检测模型，使得训练好的淋巴结检测模型能够准确，自动，鲁棒地检测纵膈的淋巴结并进行分割，给出淋巴结的分组信息和长短径大小以供医生判断是否肿大。

可选的，为了实现全面的获取淋巴结的信息，在构建淋巴结检测模型时，需要在特征提取网络的基础上添加淋巴结识别模块、淋巴结分组模块、淋巴结位置回归模块和淋巴结分割模块，通过淋巴结识别模块对图像特征进行分析，得到淋巴结的识别信息(图像候选区域内是否存在淋巴结)，通过淋巴结分组模块对图像特征进行分析，得到淋巴结的分组信息(淋巴结所属组别)，通过淋巴结位置回归模块对图像特征进行分析，得到淋巴结的位置信息(淋巴结所在矩形框)，通过淋巴结分割模块对图像特征进行分析，得到淋巴结的分割特征(分割轮廓)。可选的，特征提取网络为resnext50-fpn网络，即采用深度学习中经典的resnext50-fpn作为特征提取网络，提取出图像的特征数据。

在本发明的一种实施方式中，基于特征提取网络构建淋巴结检测模型，包括：以特征提取网络为基础网络结构，在特征提取网络的第一特征提取层后并列添加二分类分支模块、多分类分支模块以及目标框回归模块；在特征提取网络的第二特征提取层后添加淋巴结分割模块，得到构建好的淋巴结检测模型。

具体的，考虑到上述淋巴结识别模块、淋巴结分组模块、淋巴结位置回归模块以及淋巴结分割模块的具体作用，将各模块进行具体化。其中，淋巴结检测是一个二分类问题，检测结果为图像中包含淋巴结目标，或图像中不包含淋巴结目标，因此，可以将淋巴结检测模块具体化为二分类分支模块。表1中示意性的示出了淋巴结的分组信息。具体的，其示出了淋巴结组别、序号与淋巴结名称的对应关系。例如，锁骨上淋巴结1组、序号1组1r对应的淋巴结名称为右侧锁骨上淋巴结。图1b是本发明实施例一所提供的一种纵膈淋巴结分布示意图。可以结合图1b中的序号以及表1中内容获得纵膈淋巴结的具体分组信息。结合表1及图1b可知，淋巴结的位置分布较广，对应的组别较多，因此淋巴结分组是一个多分类问题，将淋巴结分组模块具体化为多分类分支模块。淋巴结位置回归模块的目的是标记出淋巴结的具体位置，将其具体化为目标框回归模块。考虑到硬件的显存和运行速度，将特征提取网络中特征分辨率较小的特征提取层输出的特征数据作为淋巴结识别模块、淋巴结分组模块和淋巴结位置回归模块的输入。淋巴结分割模块具体化为一张对原图每个像素是否属于淋巴结区域的概率图，为了保证淋巴结分割结果的精度，将特征提取网络中特征分辨率较大的特征提取层输出的特征数据作为淋巴结分割模块的输入。示例性的，假设特征提取网络为resnext50-fpn，可以将resnext50-fpn中的c5层作为第一特征提取层，将c5层输出的特征数据作为淋巴结识别模块、淋巴结分组模块和淋巴结位置回归模块的输入，将resnext50-fpn中的p2层作为第二特征提取层，将p2层输出的特征数据作为淋巴结分割模块的输入。

表1

s120、获取淋巴结检测模型的训练样本数据，使用训练样本数据对淋巴结检测模型进行训练，得到训练好的淋巴结检测模型，其中训练样本数据包括样本图像、样本图像对应的样本检测标签，以及样本图像对应的样本分割标签。

在本实施例中，淋巴结检测模型的训练样本数据可以通过人工对样本图像进行标注获得。在进行淋巴结检测时，通常使用平扫的多序列ct图像作为输入图像进行检测，因此，获取样本平扫ct图像作为样本图像，但平扫ct图像对比度可能不够高，导致直接根据平扫ct图像中的信息对样本图像进行标注的标注结果不准确。在本实施例中，可以将平扫ct图像对应的增强数据作为样本标注的参考数据。增强数据的图像对比度更高，淋巴结相对平扫ct图像更清晰。也就是说，医生可以在参考增强数据的情况下，在平扫的ct图像中标记样本检测标签，以及样本分割标签。其中，样本检测标签用于表示样本图像中是否包含目标淋巴结，以及目标淋巴结所属的目标组别和目标位置，样本分割标签用于表示样本图像中目标淋巴结的分割轮廓。

在本发明的一种实施方式中，样本识别检测标签包括样本识别标签、样本目标框标签以及样本组别标签，其中，样本识别标签用于表示样本图像中是否包含有目标淋巴结，样本目标框标签用于表示目标淋巴结所在矩形框，样本组别标签用于表示目标淋巴结所属组别。相应的，使用训练样本数据对淋巴结检测模型进行训练，得到训练好的淋巴结检测模型，包括：将样本图像输入至特征提取网络中，获取第一特征提取层输出的第一特征，以及第二特征提取层输出的第二特征；将第二特征输入至淋巴结分割模块中，获得淋巴结分割模块输出的预测分割结果，根据预测分割结果、样本分割标签以及分割损失函数确定分割损失值；将第一特征输入至二分类分支模块中，获取二分类分支模块输出的预测识别结果，根据预测识别结果、样本识别标签以及二分类损失函数得到二分类损失值；若样本识别标签为设定标签(样本识别标签为样本图像中包含目标淋巴结)，则将第一特征分别输入至多分类分支模块以及目标框回归模块中，获得多分类分支模块输出的预测组别结果以及目标框回归模块输出的预测目标框；根据预测组别结果、样本组别标签以及多分类损失函数得到多分类损失值，根据预测目标框、样本目标框标签以及目标框损失函数得到目标框损失值；以分割损失值、二分类损失值、多分类损失值以及目标框损失值均收敛为目标，对淋巴结检测模型进行训练，得到训练好的淋巴结检测模型。

整体的，以平扫的多序列ct图像作为淋巴结检测模型的输入，经过特征提取网络提取特征后，通过不同分支分别计算对特征检测，分类，分割的损失函数，并回传各个分支的梯度，从而对神经网络权值进行迭代更新，如此重复多次，直到整个网络的损失函数趋于收敛。

在本发明的一种实施方式中，将特征提取网络具体化为resnext50-fpn。对淋巴结检测模型进行训练可以具体化为：将样本图像输入到特征提取网络resnext50-fpn中，以输出的c5层作为第一特征层，p2层作为第二特征层.将第一特征层的输出数据输入至二分类分支模块中，获取二分类分支模块输出的识别结果，根据识别结果、样本识别标签以及二分类损失函数得到二分类损失值；若样本识别标签为包含目标，则将第一特征层的输出数据分别输入至多分类分支模块以及目标框回归模块中，获得多分类分支模块输出的预测组别结果以及目标框回归模块输出的预测目标框；根据预测组别结果、样本组别标签以及多分类损失函数得到多分类损失值，根据预测目标框、样本目标框标签以及目标框回归的损失函数得到目标框损失值；将第二特征层的输出数据输入至淋巴结分割模块中，获得淋巴结分割模块输出的预测分割结果，根据预测分割结果、样本分割标签以及分割损失函数确定分割损失值；以分割损失值、二分类损失值、多分类损失值以及目标框损失值均收敛为目标，对淋巴结检测模型进行训练，得到训练好的淋巴结检测模型。

图1c是本发明实施例一所提供的一种淋巴结检测模型训练示意图，如图1c所示，将样本图像输入至resnext50-fpn中进行特征提取，将resnext50-fpn中的p2层作为第二特征提取层，将第二特征提取层输出的特征通过淋巴结分割模块进行分割预测，获得淋巴结分割模块输出的预测分割结果，根据预测分割结果、标记的样本分割标签以及分割损失函数确定分割损失值；将resnext50-fpn中的c5层作为第一特征提取层，将第一特征提取层输出的特征分别通过二分类分支进行特征分析，得到二分类分支输出的预测识别结果，根据预测识别结果、标记的样本识别标签以及二分类损失函数得到二分类损失值；当二分类分支的检测结果为包含淋巴结时，将第一特征提取层输出的特征分别通过多分类分支以及目标框回归进行组别预测和目标框预测，得到多分类分支输出的预测组别结果，以及目标框回归输出的预测目标框，然后根据预测组别结果、标记的样本组别标签以及多分类损失函数得到多分类损失值，根据预测目标框、标记的样本目标框标签以及目标框损失函数得到目标框损失值；并根据上述各损失值回传至各分支的梯度，对神经网络的权值进行迭代更新，直到各损失值均满足其对应的收敛条件为止，得到训练好的淋巴结检测模型。

可选的，二分类损失函数可以采用二元交叉熵损失函数，多分类损失函数可以采用多元交叉熵损失函数(focal损失函数)，目标框损失函数可以采用回归损失函数。具体的，二分类损失函数可以为多分类损失函数可以为目标框损失函数可以为以及分割损失函数可以为

本发明实施例使用了合理的多分支结构，使得基于多分支结构构建的淋巴结检测模型能够有效的学习到有用的信息，并且能够很好地同时对淋巴结进行检测，分类和分割。另外，针对不同的模块使用不同的损失函数能够使各模块都能达到与其检测目的相对应的检测效果。

本发明实施例通过基于特征提取网络构建淋巴结检测模型；获取淋巴结检测模型的训练样本数据，使用训练样本数据对淋巴结检测模型进行训练，得到训练好的淋巴结检测模型，其中训练样本数据包括样本图像、样本图像对应的样本检测标签，以及样本图像对应的样本分割标签，通过使用包括样本图像、样本图像对应的样本检测标签以及样本图像对应的样本分割标签的训练样本数据对淋巴结检测模型中的不同特征层进行多分支训练，使得训练好的淋巴结检测模型在进行淋巴结检测时能够提供较全面的淋巴结检测信息。

实施例二

图2a是本发明实施例二所提供的一种淋巴结检测方法的流程图。本实施例可适用于对淋巴结进行检测时的情形。该方法可以由淋巴结检测装置执行，该淋巴结检测装置可以采用软件和/或硬件的方式实现，例如，该淋巴结检测装置可配置于计算机设备中。如图2a所示，所述方法包括：

s210、获取待检测图像。

在本实施例中，待检测图像可以为平扫的ct图像，如肺部ct图像。

s220、将待检测图像输入至训练好的淋巴结检测模型中，获得淋巴结检测模型输出的输出信息。

获取待检测图像后，将其输入至训练好的淋巴结检测模型中，即可获得淋巴结检测模型输出的输出信息。其中，淋巴结检测模型是使用如本发明任意实施例所述的淋巴结检测模型训练方法训练得到的。

可选的，淋巴结检测模型输出的输出信息包括待检测图像的检测结果以及分割结果。其中，检测结果又包括待检测图像中淋巴结的识别结果、目标框以及组别。识别结果表示待检测图像中是否包含淋巴结，目标框表示淋巴结所在矩形框，组别表示淋巴结所属组别，组别对应的具体信息(如序号、淋巴结名称)可参见表1。

s230、根据输出信息确定待检测图像的检测信息并输出。

在本实施例中，得到淋巴结检测模型输出的输出信息后，可以将输出信息直接作为检测信息进行输出显示，供医生参考。

在本发明的一种实施方式中，根据输出信息确定待检测图像的检测信息并输出，包括：获取所述输出信息中包含的分割结果，使用几何算法对所述分割结果进行分析，得到淋巴结的尺寸信息；根据所述尺寸信息与所述输出信息生成所述检测信息并输出。可选的，还可以对输出信息中的分割结果进行进一步计算，通过几何算法得到淋巴结的尺寸信息，如长短径，将得到的尺寸信息与淋巴结检测模型输出的输出信息结合得到最终的检测信息，并将检测信息输出，供医生参考。

图2b是本发明实施例二所提供的一种淋巴结检测结果示意图。如图2b所示，图中标记出了淋巴结的位置坐标、组别、分割轮廓以及目标框。

本发明实施例通过获取待检测图像；将待检测图像输入至训练好的淋巴结检测模型中，获得淋巴结检测模型输出的输出信息；根据输出信息确定待检测图像的检测信息并输出，通过训练好的淋巴结检测模型实现了全自动的多任务预测，可以从平扫ct图像中一次性的得到待检测图像中的淋巴结位置、组别、大小等检测信息，使得淋巴结检测结果更加全面。

实施例三

图3是本发明实施例三所提供的一种淋巴结检测模型训练装置的结构示意图。该淋巴结检测模型训练装置可以采用软件和/或硬件的方式实现，例如该淋巴结检测模型训练装置可以配置于计算机设备中。如图3所示，所述装置包括模型构建模块310和模型训练模块320，其中：

模型构建模块310，用于基于特征提取网络构建淋巴结检测模型；

模型训练模块320，用于获取淋巴结检测模型的训练样本数据，使用训练样本数据对淋巴结检测模型进行训练，得到训练好的淋巴结检测模型，其中训练样本数据包括样本图像、样本图像对应的样本检测标签，以及样本图像对应的样本分割标签。

本发明实施例通过模型构建模块基于特征提取网络构建淋巴结检测模型；模型训练模块获取淋巴结检测模型的训练样本数据，使用训练样本数据对淋巴结检测模型进行训练，得到训练好的淋巴结检测模型，其中训练样本数据包括样本图像、样本图像对应的样本检测标签，以及样本图像对应的样本分割标签，通过使用包括样本图像、样本图像对应的样本检测标签以及样本图像对应的样本分割标签的训练样本数据对淋巴结检测模型中的不同特征层进行多分支训练，使得训练好的淋巴结检测模型在进行淋巴结检测时能够提供较全面的淋巴结检测信息。

可选的，在上述方案的基础上，模型构建模块310具体用于：

以特征提取网络为基础网络结构，在特征提取网络的第一特征提取层后并列添加二分类分支模块、多分类分支模块以及目标框回归模块；

在特征提取网络的第二特征提取层后添加淋巴结分割模块，得到构建好的淋巴结检测模型。

可选的，在上述方案的基础上，样本检测标签包括样本分割标签、样本目标框标签以及样本组别标签，模型训练模块320具体用于：

将样本图像输入至特征提取网络中，获取第一特征提取层输出的第一特征，以及第二特征提取层输出的第二特征；

将第二特征输入至淋巴结分割模块中，获得淋巴结分割模块输出的预测分割结果，根据预测分割结果、样本分割标签以及分割损失函数确定分割损失值；

将第一特征输入至二分类分支模块中，获取二分类分支模块输出的预测识别结果，根据预测识别结果、样本识别标签以及二分类损失函数得到二分类损失值；

若样本识别标签为设定标签，则将第一特征分别输入至多分类分支模块以及目标框回归模块中，获得多分类分支模块输出的预测组别结果以及目标框回归模块输出的预测目标框；

根据预测组别结果、样本组别标签以及多分类损失函数得到多分类损失值，根据预测目标框、样本目标框标签以及目标框损失函数得到目标框损失值；

以分割损失值、二分类损失值、多分类损失值以及目标框损失值均收敛为目标，对淋巴结检测模型进行训练，得到训练好的淋巴结检测模型。

可选的，在上述方案的基础上，特征提取网络为resnext50-fpn网络。

本发明实施例所提供的淋巴结检测模型训练装置可执行本发明任意实施例所提供的淋巴结检测模型训练方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4是本发明实施例四所提供的一种淋巴结检测装置的结构示意图。该淋巴结检测装置可以采用软件和/或硬件的方式实现，例如该淋巴结检测装置可以配置于计算机设备中。如图4所示，所述装置包括检测图像获取模块410、图像检测模块420和检测信息输出模块430，其中：

检测图像获取模块410，用于获取待检测图像；

图像检测模块420，用于将待检测图像输入至训练好的淋巴结检测模型中，获得淋巴结检测模型输出的输出信息，其中，训练好的淋巴结检测模型是使用如本发明任意实施例所提供的淋巴结检测模型训练方法训练得到的；

检测信息输出模块430，用于根据输出信息确定待检测图像的检测信息并输出。

本发明实施例通过检测图像获取模块获取待检测图像；图像检测模块将待检测图像输入至训练好的淋巴结检测模型中，获得淋巴结检测模型输出的输出信息；检测信息输出模块根据输出信息确定待检测图像的检测信息并输出，通过训练好的淋巴结检测模型得到了更全面的淋巴结检测信息。

可选的，在上述方案的基础上，检测信息输出模块430具体用于：

获取所述输出信息中包含的分割结果，使用几何算法对所述分割结果进行分析，得到淋巴结的尺寸信息；

根据所述尺寸信息与所述输出信息生成所述检测信息并输出。

本发明实施例所提供的淋巴结检测装置可执行本发明任意实施例所提供的淋巴结检测方法，具备执行方法相应的功能模块和有益效果。

实施例五

图5是本发明实施例五所提供的计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备512的框图。图5显示的计算机设备512仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机设备512以通用计算设备的形式表现。计算机设备512的组件可以包括但不限于：一个或者多个处理器516，系统存储器528，连接不同系统组件(包括系统存储器528和处理器516)的总线518。

总线518表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器516或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

计算机设备512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)530和/或高速缓存存储器532。计算机设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储装置534可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom，dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储器528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如存储器528中，这样的程序模块542包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备512也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等)通信，还可与一个或者多个使得用户能与该计算机设备512交互的设备通信，和/或与使得该计算机设备512能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口522进行。并且，计算机设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器520通过总线518与计算机设备512的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备512使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

处理器516通过运行存储在系统存储器528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的淋巴结检测模型训练方法，该方法包括：

基于特征提取网络构建淋巴结检测模型；

获取淋巴结检测模型的训练样本数据，使用训练样本数据对淋巴结检测模型进行训练，得到训练好的淋巴结检测模型，其中训练样本数据包括样本图像、样本图像对应的样本检测标签，以及样本图像对应的样本分割标签；

和/或，实现本发明实施例所提供的淋巴结检测方法，该方法包括：

获取待检测图像；

将待检测图像输入至训练好的淋巴结检测模型中，获得淋巴结检测模型输出的输出信息，其中，训练好的淋巴结检测模型是使用如本发明任意实施例所提供的淋巴结检测模型训练方法训练得到的；

根据输出信息确定待检测图像的检测信息并输出。

当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的淋巴结检测模型训练方法和/或淋巴结检测方法的技术方案。

实施例六

本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例所提供的淋巴结检测模型训练方法，该方法包括：

基于特征提取网络构建淋巴结检测模型；

获取淋巴结检测模型的训练样本数据，使用训练样本数据对淋巴结检测模型进行训练，得到训练好的淋巴结检测模型，其中训练样本数据包括样本图像、样本图像对应的样本检测标签，以及样本图像对应的样本分割标签；

和/或，实现本发明实施例所提供的淋巴结检测方法，该方法包括：

获取待检测图像；

将待检测图像输入至训练好的淋巴结检测模型中，获得淋巴结检测模型输出的输出信息，其中，训练好的淋巴结检测模型是使用如本发明任意实施例所提供的淋巴结检测模型训练方法训练得到的；

根据输出信息确定待检测图像的检测信息并输出。

当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的淋巴结检测模型训练方法和/或淋巴结检测方法的相关操作。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。