肺结节生长预测方法、模型训练方法、装置、设备及介质

1.本发明涉及肺结节的图像预测方法，特别涉及肺结节生长预测方法、模型训练方法、装置、设备及介质，属于肺结节影像预测技术领域。


背景技术：

2.肺癌是全球发病率和死亡率最高的癌症之一，5年的生存率仅为10％～17％。美国国家肺癌筛查试验(national lung screening trial,nlst)表明，基于计算机断层扫描(computed tomography,ct)的早期筛查有助于降低肺癌的死亡率。但随着筛查的广泛开展，胸部ct扫描产生的大量影像给肺癌早期筛查的放射科医师增加了繁重的工作量。
3.肺癌早期通常表现为肺结节，由于其在早期阶段由于直径较小、形态学征象不显著，给临床鉴别诊断带来困。在早期阶段，往往可以通过随访来对结节进行下一步的预测。
4.目前对于肺结节生长预测的研究较少，且实验的效果仍存在着一些不足，具有较大的改进和提升空间，如现有的预测一般仅针对单一的影像进行预测，无法对体积、纹理和掩膜图像进行同时预测，导致了预测效果单一、效率低等问题的存在。


技术实现要素：

5.本发明所要解决的技术问题在于：提供肺结节生长预测方法、模型训练方法、装置、设备及介质，解决了现有的肺结节生长预测效果单一、效率低等问题。
6.本发明所要解决的技术问题采取以下技术方案来实现：
7.本发明提供了一种肺结节生长预测方法，包括如下步骤：
8.步骤s1，获取影像数据，并对获取到的影像数据进行标记，其中，标记包括标记出与肺结节对应的掩膜图像；
9.步骤s2，对步骤s1中的标记后的影像进行预处理，获得第一信息包，其中，预处理后、获得的所述第一信息包包括该影像中对应的患者3d图像块，及该3d图像块包含的扫描时间信息；
10.步骤s3，对数据进行训练，其中，训练的数据包括第一信息包；
11.步骤s4，输出训练后的结果，其中，输出的结果包括肺结节图像及对应的掩膜图像。
12.作为本发明的一种优选技术方案，所述步骤s2中，所述预处理包括，对影像数据进行归一化处理及获取肺结节的位置信息，其中，
13.对获取肺结节的处理，包括将包含肺结节的区域裁剪成3d图像块，且对掩膜图像进行同样的裁剪处理。
14.作为本发明的一种优选技术方案，所述步骤s2中，所述第一信息包包括同一患者的同一肺结节在不同时间点的间隔天数。
15.本发明还提供了一种模型训练方法，应用于前述的肺结节生长预测方法，该模型基于3d u-net的3d卷积处理模型，对第一任务、第二任务和第三任务进行训练，包括如下步
骤，
16.步骤ms1，输入3d图像块，其中，更早时间的3d图像块作为基准进行输入，更晚时间的3d图像块作为训练标签输入，其之间的间隔天数作为时间进行输入；
17.步骤ms2，进第一任务、第二任务、第三任务的训练；
18.步骤ms3，得到训练后的数据。
19.作为本发明的一种优选技术方案，所述步骤ms2中，
20.对第一任务的训练中，采用更晚时间节点的3d图像块及其对应的掩膜图像作为训练标签；
21.对第二任务的训练中，采用输入的3d图像块对应的掩膜图像作为训练标签；
22.对第三任务的训练中，采用更晚时间节点的3d图像块作为训练标签。
23.作为本发明的一种优选技术方案，模型的损失优化函数为：
24.loss
total
＝l
warp
+l
texture
+l
seg
，其中，
25.l
warp
为肺结节生长的体积变化预测任务损失，其函数为：
26.l
warp
＝l
sim
(i
warp
,i
tar
)+l
dice
(m
warp
,m
tar
)+l
sim
(i
warp_org
,i
org
)+l
smooth
(u)；
27.l
texture
为肺结节生长的纹理变化预测任务损失，其函数为：
28.l
texture
＝l
sim_
(i
org
+i
texture
×iwarp_seg
,i
tar
)+l
texture_reg
(i
org_texture
)+l
texture_reg
(i
tar_texture
)；
29.l
seg
为肺结节分割任务损失，其函数为：
30.l
seg
＝l
dice
(i
seg_org
,i
org_seg
)+l
dice
(i
seg_tar
,i
tar_seg
)。
31.作为本发明的一种优选技术方案，在步骤ms3之后，对肺结节的预测包括如下步骤：
32.步骤ys1，获取或接收需要预测的时间点信息；
33.步骤ys2，从第三任务中，获取基线时间节点的肺结节分割掩膜图像，从第一任务中，获取未来时间节点的体积变化图像，结合第一任务和第三任务，对基线时间节点的肺结节分割掩膜进行再次预测，得到肺结节生长预测对应的掩膜预测图像；
34.步骤ys3，通过第二任务对基线时间节点的肺结节进行预测，得到肺结节纹理生长预测图像；
35.步骤ys4，对所述步骤ys1至ys3中的图像进行融合，其中，
36.未来时间点肺结节生长预测图像＝肺结节基准输入图像+肺结节纹理生长预测图像
×
与该生长预测图像对应的掩膜预测图像，
37.未来时间点肺结节生长预测图像对应的掩膜图像＝0.5
×
(肺结节生长预测对应的掩膜预测图像+未来时间点肺结节的分割掩膜图像)。
38.本发明还提供了一种肺结节生长预测装置，应用于前述的肺结节生长预测方法或模型训练方法，包括编码器模块，用于输入肺结节3d图像块，以及与该编码器模块对应的第一解码器模块、第二解码器模块和第三解码器模块，其中，
39.所述第一解码器对应于第一任务，输出肺结节生长的体积变化预测图像，
40.所述第二解码器对应于第三任务，输出肺结节分割掩膜图像，
41.所述第三解码器对应于第二任务，输出肺结节生长纹理预测图像。
42.本发明还提供了一种电子设备，包括处理器和存储器，所述存储器存储可在所述
处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现前述的肺结节生长预测方法和/或模型训练方法的步骤。
43.本发明还提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现前述的肺结节生长预测方法和/或模型训练方法的步骤。
44.本发明的有益效果是：本发明通过在训练模型中输入相关图像数据，并进行训练，能输出肺结节未来时间点的体积变化预测图像、生长纹理预测图像以及肺结节分割掩膜图像，提高了对于预测的丰富度，相应的，也提高了进行预测的速度和效率。
附图说明
45.图1为本发明的装置示意图；
46.图2为本发明实施例的3d u-net模型的编码器和解码器示意图；
47.图3为预测效果示意图。
具体实施方式
48.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
49.实施例
50.本实施例提供了一种肺结节生长预测方法，包括如下步骤：
51.步骤s1，获取(本实施例中优选为通过从合作的医院中获取，或采用其他渠道获取)若干影像数据(经过标注的患者肺部ct影像数据)，并对获取到的影像数据进行标记，其中，标记包括标记出与肺结节对应的掩膜图像，标记过程包括：标记出肺结节在ct图像上的边界，并生成对应的掩膜图像；
52.步骤s2，对步骤s1中的标记后的影像进行预处理，获得第一信息包，其中，预处理后、获得的第一信息包包括该影像中对应的患者3d图像块，在本实施例中，作为优选或展示、将其保存为48
×
48
×
48像素大小的3d图像块，及该3d图像块包含的扫描时间信息，具体来说，步骤s2中，第一信息包包括同一患者的同一肺结节在不同时间点的间隔天数；步骤s2中，预处理包括，对影像数据进行归一化处理及获取肺结节的位置信息，其中，对获取肺结节的处理，包括将包含肺结节的区域裁剪成3d图像块，且对掩膜图像进行同样的裁剪处理，裁剪成同样大小的3d图像块。归一化操作，为对患者的ct图像进行归一化操作，并对同一患者的ct扫描时间进行处理，具体包括：调节ct图像的窗宽和窗位，并归一化到[-1,1]之间，其中ct影像中hu值大于400的值被定义为1，hu值小于-1000的值被定义为-1。即实现获取同一患者的同一结节在不同时间节点ct图像扫描的日期，按照扫描时间进行两两配对，并计算出同一结节在两个不同时间节点的时间间隔天数，以最早的扫描时间作为基准时间(0天)，其后的扫描时间分别在此基础上进行累加。
[0053]
之后建立模型，以对数据进行训练，该模型为多任务模型。
[0054]
步骤s3，对数据进行训练，其中，训练的数据包括第一信息包，即将预处理后的患者结节3d图像块、标记及对应的时间间隔天数输入到所述的基于多任务学习肺结节生长预测模型中训练；
[0055]
步骤s4，输出训练后的结果，训练后进行图像的预测，其中，输出的结果包括肺结
节图像及对应的掩膜图像。优选地，在输出结果前，对多任务的结果进行融合，以实现预测肺结节在未来某一时间节点的肺结节生长图像及对应的掩膜图像。
[0056]
本实施例还提供了一种模型训练方法，应用于前述的肺结节生长预测方法、具体的来说，应用于前述的肺结节生长预测方法所用到的预测模型，该模型基于3d u-net的编码-解码结构，采用3d卷积处理模型或采用3d卷积操作，对第一任务、第二任务和第三任务进行训练，包括如下步骤，
[0057]
两两配对的结节，更早时间节点扫描的肺结节3d图像块作为基准输入，更晚时间节点扫描的肺结节3d图像块作为生长预测模型的训练标签，两次扫描的时间间隔天数作为时间输入；
[0058]
肺结节生长的体积变化预测、肺结节生长的纹理变化预测和肺结节分割三个任务共享同一个编码结构(即示意图1中的编码器)和3d图像块，并都采用基准输入作为模型的输入图像，而三个任务都拥有其各自的解码器(第一解码器对应于第一任务，输出肺结节生长的体积变化预测图像，第二解码器对应于第三任务，输出肺结节分割掩膜图像，第三解码器对应于第二任务，输出肺结节生长纹理预测图像)，其中肺结节生长的体积变化预测和肺结节生长的纹理变化预测任务在编码器的最后一个卷积之后的特征图下拼接扫描时间间隔天数作为额外的输入；
[0059]
步骤ms1，输入3d图像块，其中，更早时间的3d图像块作为基准进行输入，更晚时间的3d图像块作为训练标签输入，其之间的间隔天数作为时间进行输入；
[0060]
步骤ms2，进第一任务、第二任务、第三任务的训练；对第一任务的训练中，采用更晚时间节点的3d图像块及其对应的掩膜图像作为训练标签，在经过解码器后输出三个通道的位移偏移值，分别用于预测肺结节在x，y，z三个方向上对应3d图像块的每个像素点变化，位移偏移值加上3d图像块的基底坐标，得到每个像素点偏移后的坐标位置，然后通过三线性插值得到未来时刻的肺结节生长体积预测图像，此外也通过这个偏移值对肺结节基准输入肺结节对应的掩膜图像进行重采样，得到对应的掩膜预测图像；对第二任务的训练中，采用输入的3d图像块对应的掩膜图像作为训练标签，在经过解码器后输出一个通道的结节生长纹理预测图像；对第三任务的训练中，采用更晚时间节点的3d图像块作为训练标签，在经过解码器后输出一个通道的结节分割掩膜图像。
[0061]
关于训练过程，具体的，将基线时间节点的结节3d图像块、扫描时间间隔天数作为模型的输入。其中分割任务(第二任务)采用输入图像对应的标记掩膜图像作为训练标签，肺结节生长的体积变化预测任务(第一任务)采用未来时间节点的结节3d图像块和图像块对应的标记掩膜图像作为训练标签，肺结节生长的纹理变化预测任务(第三任务)采用未来时间节点的结节3d图像块作为训练标签。
[0062]
该模型的损失优化函数为：
[0063]
loss
total
＝l
warp
+l
texture
+l
seg
，其中，
[0064]
l
warp
为肺结节生长的体积变化预测任务损失，其函数为：
[0065]
l
warp
＝l
sim
(i
warp
,i
tar
)+l
dice
(m
warp
,m
tar
)+l
sim
(i
warp_org
,i
org
)+l
smooth
(u)；
[0066]
l
texture
为肺结节生长的纹理变化预测任务损失，其函数为：
[0067]
l
texture
＝l
sim_
(i
org
+i
texture
×iwarp_seg
,i
tar
)+l
texture_reg
(i
org_texture
)+l
texture_reg
(i
tar_texture
)；
[0068]
l
seg
为肺结节分割任务损失，其函数为：
[0069]
l
seg
＝l
dice
(i
seg_org
,i
org_seg
)+l
dice
(i
seg_tar
,i
tar_seg
)。
[0070]
其中l
sim
用于衡量两幅图像直接的相似性，在本实施例中用于衡量经过预测后的结节3d图像块和训练标签之间的相似性，由局部归一化互相关(ncc，normalized cross-correlation)函数来确定相似性，具体如下所示：
[0071]
l
sim
＝1-ncc(i
pred
,i
tar
)
[0072]ipred
表示模型预测的3d图像块，i
tar
表示训练的标签。
[0073]
其中l
dice
用于衡量两幅图像的分割结果(掩膜)相似性，具体如下所示：
[0074][0075]
seg
pred
表示模型预测的掩膜图像，seg
tar
表示训练的标签(标记的掩膜)。
[0076]
其中l
smooth
用于约束肺结节生长的体积变化预测任务的结果输出保持平滑性，具体如下所示：
[0077][0078]
▽
u为肺结节生长的体积变化预测任务输出的三个通道位移偏移值的梯度。
[0079]
其中l
sim_
用于衡量肺结节生长的纹理变化预测任务预测的图像与训练图像的相似性，由均方差损失衡量，具体如下所示：
[0080]
l
sim_
＝mean((i
org
+i
texture
×iwarp_seg
)-i
tar
)2[0081]iorg
为模型输入图像，i
warp_seg
为肺结节生长的体积变化预测任务预测的掩膜图像，i
texture
为肺结节生长的纹理变化预测任务预测的图像，i
tar
为训练标签(未来时间节点的结节3d图像块)
[0082]
其中l
texture_reg
用于正则化肺结节生长的纹理变化预测任务，具体如下所示：
[0083]
l
texture_reg
＝||i
pred
||2；
[0084]
在实施例中，优先选用性能优异的adam优化器对模型参数进行优化，学习率固定为0.001，不使用权重衰减策略，在迭代次数达到预设的次数或者模型收敛后，完成训练过程。
[0085]
步骤ms3，得到训练后的数据或结束训练。
[0086]
在步骤ms3之后，利用经过训练的多任务学习肺结节生长预测模型进行预测肺结节在未来某一时间节点的结节图像及对应的分割结果，对肺结节的预测包括如下步骤：
[0087]
步骤ys1，获取或接收需要预测的时间点信息；
[0088]
步骤ys2，从第三任务中，获取基线时间节点的肺结节分割掩膜图像，从第一任务中，获取未来时间节点的体积变化图像，结合第一任务和第三任务，对基线时间节点的肺结节分割掩膜进行再次预测，得到肺结节生长预测对应的掩膜预测图像，具体的来说，输入基准时刻的结节3d图像块和需要预测的未来某一时间节点的天数进行预测，从肺结节分割任务中，可以获取基线时间节点的肺结节分割掩膜图像，从肺结节生长的体积变化预测任务可以得到结节在未来时间节点的体积变化图像，并利用该任务结合肺结节分割任务对基线时间节点的肺结节分割掩膜进行进一步的预测，可以得到肺结节生长预测对应的掩膜预测图像；
[0089]
步骤ys3，通过第二任务对基线时间节点的肺结节进行预测，得到肺结节纹理生长预测图像；
[0090]
步骤ys4，对步骤ys1至ys3中的图像进行融合，其中，
[0091]
未来时间点肺结节生长预测图像＝肺结节基准输入图像+肺结节纹理生长预测图像
×
与该生长预测图像对应的掩膜预测图像，
[0092]
未来时间点肺结节生长预测图像对应的掩膜图像＝0.5
×
(肺结节生长预测对应的掩膜预测图像+未来时间点肺结节的分割掩膜图像)。
[0093]
如图1所示，本实施例还提供了一种肺结节生长预测装置，应用于前述的一种肺结节生长预测方法或一种模型训练方法，实现对于模型的训练和/或预测的执行，包括编码器模块，用于输入肺结节3d图像块，以及与该编码器模块对应的第一解码器模块、第二解码器模块和第三解码器模块，其中，
[0094]
第一解码器对应于第一任务，输出肺结节生长的体积变化预测图像，
[0095]
第二解码器对应于第三任务，输出肺结节分割掩膜图像，
[0096]
第三解码器对应于第二任务，输出肺结节生长纹理预测图像。
[0097]
本实施例中，选取了一定数量的肺结节3d图像块进行预测，并对基础的3du-net、单任务的方法和本发明的方法(各方法之间采用相同的时间编码原则，且卷积核和各初始化参数均保持一致)进行了性能的评估，具体采用的评价指标包括：
[0098][0099]
psnr是指图像的峰值信噪比，用于衡量图像两幅图像之间的信噪比，其中max
img
为图像块像素范围内的最大值，mse为对比两个3d图像块之间的均方误差。
[0100][0101]
dice用于评价两个掩膜图像之间的相似性，其中mask
img
为参考的掩膜图像，mask
pred
为预测的掩膜图像。
[0102]
表1各个方法的肺结节生长预测对比表
[0103] 3du-net单任务的方法本发明的方法psnr35.8142.4343.23dice-0.69320.7274
[0104]
如图2所示，为本发明实施例的3d u-net模型的编码器和解码器示意图，其中在本实施例中，编码器和解码器中每个卷积层所对应的卷积核个数分别为[16,16,32,32,32,32,32,32,32]、[32,32,32,32,32,32,32,16,16]。
[0105]
如图3所示，展示的是本发明的预测效果图。其中第一行展示的是结节的输入图像、未来时刻的实际图像和预测的结节图像，第二行展示的是对应的掩膜图像，第三行展示的是结节的分割效果图。其中体积预测任务认为结节在未来时刻体积会增大，而纹理预测任务则在此基础上进行对纹理进行恢复。而最终预测图像则根据公式(未来时间点肺结节生长预测图像＝肺结节基准输入图像+肺结节纹理生长预测图像
×
与该生长预测图像对应的掩膜预测图像)进行修正，最终得到高质量的预测肺结节生长预测图像。
[0106]
本发明通过在训练模型中输入相关图像数据，并进行训练，能输出肺结节未来时间点的体积变化预测图像、生长纹理预测图像以及肺结节分割掩膜图像，提高了对于预测的丰富度，相应的，也提高了进行预测的速度和效率。
[0107]
可选的，本实施例还提供一种电子设备，包括处理器和存储器，存储器存储可在处理器上运行的程序或指令，程序或指令被处理器执行时实现一种肺结节生长预测方法或一种模型训练方法的步骤，实现生长预测方法或模型训练方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0108]
本技术实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，如可读存储介质，该可读存储介质上存储程序或指令，程序或指令被处理器执行时实现如权利要求1-8任一项的方法一种肺结节生长预测方法或一种模型训练方法的步骤，用于实现生长预测方法或模型训练方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0109]
本技术实施例中的处理器为上述电子设备中的处理器，所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器rom、随机存取存储器ram、磁碟或者光盘等。
[0110]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本技术各个实施例所述的方法。
[0111]
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解，本发明不受上述实施例的限制，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入本发明要求保护的范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

技术特征：
1.一种肺结节生长预测方法，其特征在于，包括如下步骤：步骤s1，获取影像数据，并对获取到的影像数据进行标记，其中，标记包括标记出与肺结节对应的掩膜图像；步骤s2，对步骤s1中的标记后的影像进行预处理，获得第一信息包，其中，预处理后、获得的所述第一信息包包括该影像中对应的患者3d图像块，及该3d图像块包含的扫描时间信息；步骤s3，对数据进行训练，其中，训练的数据包括第一信息包；步骤s4，输出训练后的结果，其中，输出的结果包括肺结节图像及对应的掩膜图像。2.根据权利要求1所述的一种肺结节生长预测方法，其特征在于，所述步骤s2中，所述预处理包括，对影像数据进行归一化处理及获取肺结节的位置信息，其中，对获取肺结节的处理，包括将包含肺结节的区域裁剪成3d图像块，且对掩膜图像进行同样的裁剪处理。3.根据权利要求1所述的一种肺结节生长预测方法，其特征在于，所述步骤s2中，所述第一信息包包括同一患者的同一肺结节在不同时间点的间隔天数。4.一种模型训练方法，应用于权利要求1至3中任一项所述的肺结节生长预测方法，其特征在于，该模型基于3du-net的3d卷积处理模型，对第一任务、第二任务和第三任务进行训练，包括如下步骤，步骤ms1，输入3d图像块，其中，更早时间的3d图像块作为基准进行输入，更晚时间的3d图像块作为训练标签输入，其之间的间隔天数作为时间进行输入；步骤ms2，进第一任务、第二任务、第三任务的训练；步骤ms3，得到训练后的数据。5.根据权利要求4所述的一种模型训练方法，其特征在于，所述步骤ms2中，对第一任务的训练中，采用更晚时间节点的3d图像块及其对应的掩膜图像作为训练标签；对第二任务的训练中，采用输入的3d图像块对应的掩膜图像作为训练标签；对第三任务的训练中，采用更晚时间节点的3d图像块作为训练标签。6.根据权利要求4所述的一种模型训练方法，其特征在于，模型的损失优化函数为：loss
total
＝l
warp
+l
texture
+l
seg
，其中，l
warp
为肺结节生长的体积变化预测任务损失，其函数为：l
warp
＝l
sim
(i
warp
,i
tar
)+l
dice
(m
warp
,m
tar
)+l
sim
(i
warp_org
,i
org
)+l
smooth
(u)；l
texture
为肺结节生长的纹理变化预测任务损失，其函数为：l
texture
＝l
sim_
(i
org
+i
texture
×
i
warp_seg
,i
tar
)+l
texture_reg
(i
org_texture
)+l
texture_reg
(i
tar_texture
)；l
seg
为肺结节分割任务损失，其函数为：l
seg
＝l
dice
(i
seg_org
,i
org_seg
)+l
dice
(i
seg_tar
,i
tar_seg
)。7.根据权利要求1所述的一种模型训练方法，其特征在于，在步骤ms3之后，对肺结节的预测包括如下步骤：步骤ys1，获取或接收需要预测的时间点信息；步骤ys2，从第三任务中，获取基线时间节点的肺结节分割掩膜图像，从第一任务中，获
取未来时间节点的体积变化图像，结合第一任务和第三任务，对基线时间节点的肺结节分割掩膜进行再次预测，得到肺结节生长预测对应的掩膜预测图像；步骤ys3，通过第二任务对基线时间节点的肺结节进行预测，得到肺结节纹理生长预测图像；步骤ys4，对所述步骤ys1至ys3中的图像进行融合，其中，未来时间点肺结节生长预测图像＝肺结节基准输入图像+肺结节纹理生长预测图像
×
与该生长预测图像对应的掩膜预测图像。8.一种肺结节生长预测装置，应用于权利要求1至7中任一项所述的一种肺结节生长预测方法或一种模型训练方法，其特征在于，包括编码器模块，用于输入肺结节3d图像块，以及与该编码器模块对应的第一解码器模块、第二解码器模块和第三解码器模块，其中，所述第一解码器对应于第一任务，输出肺结节生长的体积变化预测图像，所述第二解码器对应于第三任务，输出肺结节分割掩膜图像，所述第三解码器对应于第二任务，输出肺结节生长纹理预测图像。9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-7中任一项所述的方法的步骤。10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1-7中任一项所述的方法的步骤。

技术总结
本发明公开了肺结节生长预测方法、模型训练方法、装置、设备及介质，预测方法包括如下步骤：步骤S1，获取影像数据，并对获取到的影像数据进行标记，其中，标记包括标记出与肺结节对应的掩膜图像；步骤S2，对步骤S1中的标记后的影像进行预处理，获得第一信息包；步骤S3，对数据进行训练，其中，训练的数据包括第一信息包；步骤S4，输出训练后的结果，其中，输出的结果包括肺结节图像及对应的掩膜图像。本发明通过在训练模型中输入相关图像数据，并进行训练，能输出肺结节未来时间点的体积变化预测图像、生长纹理预测图像以及肺结节分割掩膜图像，提高了对于预测的丰富度，相应的，也提高了进行预测的速度和效率。测的速度和效率。测的速度和效率。


技术研发人员：陈阳 侯学文 蔡昕 叶晓丹 聂生东
受保护的技术使用者：上海理工大学
技术研发日：2023.02.15
技术公布日：2023/7/19