CN109087708A - 用于斑块分割的模型训练方法、装置、设备及存储介质 - Google Patents
用于斑块分割的模型训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109087708A CN109087708A CN201811100334.0A CN201811100334A CN109087708A CN 109087708 A CN109087708 A CN 109087708A CN 201811100334 A CN201811100334 A CN 201811100334A CN 109087708 A CN109087708 A CN 109087708A
- Authority
- CN
- China
- Prior art keywords
- patch image
- patch
- segmentation
- image
- undivided
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Landscapes
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明适用医疗技术领域,提供了一种用于斑块分割的模型训练方法、装置、设备及存储介质,该方法包括:获取第一预设数量张血管壁的未分割斑块图像和未分割斑块图像对应的已分割斑块图像,将未分割斑块图像输入到深度学习网络模型进行分割训练,以得到未分割斑块图像的第一分割结果,通过第一分割结果和已分割斑块图像对分割训练后的深度学习网络模型进行微调迭代训练,输出微调迭代训练后的用于斑块分割的深度学习网络模型,从而实现了血管壁上斑块分割的自动化以及提高了斑块分割的精确度,进而提高斑块分割效率。
Description
技术领域
本发明属于医疗技术领域,尤其涉及一种用于斑块分割的模型训练方法、装置、设备及存储介质。
背景技术
脑卒中是我国死亡率和致残率最高的疾病,脑卒中包括出血性脑卒中和缺血性脑卒中两种,我国脑卒中以缺血性脑卒中为主,占全部脑卒中病例的79%,而且有增加趋势,类似的心血管疾病严重威胁着人类的生命健康,随着科技高速发展,对心血管疾病的早期定量诊断和风险评估对延长人类生命健康起着关键的作用。研究表明,动脉粥样硬化斑块破裂引发血栓形成是缺血性脑卒中的主要发病机制,因此,及时发现脑卒中相关血管床,包括颅内动脉、颈动脉和胸主动脉的易损斑块或其他管壁病变是缺血性脑卒中早期预防和精准治疗的关键。
目前,在颈动脉和冠状动脉斑块的研究中,由于三维高分辨磁共振血管壁成像的数据量巨大,医生需要手动重建、配准、分割及标记的方式完成血管壁斑块的前期处理工作,每位检查者的图像可达到500幅,需要花费大量的时间才能完成一名检查者的诊断,而且,颅内动脉管径细小(1-2mm)、形态卷绕的特征,血管壁上斑块的图像分割标记过程较为繁琐。因此,采用磁共振对缺血性脑卒中相关血管床斑块进行全面、精确的影像评估,并利用人工智能进行快速准确诊断,对脑卒中高危人群筛查和病因探查防止再发具有十分重要的意义。
发明内容
本发明的目的在于提供一用于斑块分割的模型训练方法、装置、设备以及存储介质,旨在解决由于现有技术无法提供一种有效的斑块分割模型,导致在分割血管壁上的斑块时人工操作繁琐以及斑块分割耗时长的问题。
一方面,本发明提供了一种用于斑块分割的模型训练方法,所述方法包括下述步骤:
获取第一预设数量张血管壁的未分割斑块图像和所述未分割斑块图像对应的已分割斑块图像;
将所述未分割斑块图像输入到深度学习网络模型进行分割训练,以得到所述所述未分割斑块图像的第一分割结果;
通过所述第一分割结果和所述已分割斑块图像对所述分割训练后的深度学习网络模型进行微调迭代训练;
输出微调迭代训练后的用于斑块分割的所述深度学习网络模型。
另一方面,本发明提供了一种用于斑块分割的模型训练装置,所述装置包括:
图像获取单元,用于获取第一预设数量张血管壁的未分割斑块图像和所述未分割斑块图像对应的已分割斑块图像;
分割训练单元,用于将所述未分割斑块图像输入到深度学习网络模型进行分割训练,以得到所述所述未分割斑块图像的第一分割结果;
微调训练单元,用于通过所述第一分割结果和所述已分割斑块图像对所述分割训练后的深度学习网络模型进行微调迭代训练;以及
模型输出单元,用于输出微调迭代训练后的用于斑块分割的所述深度学习网络模型。
另一方面,本发明还提供了一种模型训练设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述用于斑块分割的模型训练方法的步骤。
另一方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述用于斑块分割的模型训练方法的步骤。
本发明获取第一预设数量张血管壁的未分割斑块图像和未分割斑块图像对应的已分割斑块图像,将未分割斑块图像输入到深度学习网络模型进行分割训练,以得到未分割斑块图像的第一分割结果,通过第一分割结果和已分割斑块图像对分割训练后的深度学习网络模型进行微调迭代训练,输出微调迭代训练后的用于斑块分割的深度学习网络模型,从而实现了血管壁上斑块分割的自动化以及提高了斑块分割的精确度,进而提高斑块分割效率,进而提高斑块分割效率。
附图说明
图1是本发明实施例一提供的用于斑块分割的模型训练方法的实现流程图;
图2是本发明实施例二提供的用于斑块分割的模型训练方法的实现流程图;
图3是本发明实施例二提供的第一分割结果的微调过程示意图;
图4是本发明实施例三提供的用于斑块分割的模型训练装置的结构示意图;
图5是本发明实施例四提供的用于斑块分割的模型训练装置的结构示意图;
图6是是本发明实施例四提供的图像微调单元的优选结构示意图;以及
图7是本发明实施例五提供的一种模型训练设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述:
实施例一:
图1示出了本发明实施例一提供的用于斑块分割的模型训练方法的实现流程,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
在步骤S101中,获取第一预设数量张血管壁的未分割斑块图像和未分割斑块图像对应的已分割斑块图像。
本发明实施例适用于模型训练设备,该模型用于对包含斑块的血管壁图像进行斑块分割(标记血管壁图像中的斑块部分)。在本发明实施例中,未分割斑块图像为原始获取的未标记出斑块部分的血管壁图像,已分割斑块图像为预先对未分割斑块图像上的斑块部分进行勾勒(标记)后的血管壁图像,具体地,可通过ITK-SNAP进行勾勒,先获取血管壁的未分割斑块图像和对应的已分割斑块图像,以便于后续对模型进行训练,其中,未分割斑块图像和已分割斑块图像的数量是相同的,未分割斑块图像是通过磁共振成像获取的三维MRI图像。
在步骤S102中,将未分割斑块图像输入到深度学习网络模型进行分割训练,以得到未分割斑块图像的第一分割结果。
在本发明实施例中,深度学习网络模型为U-Net网络,由于该深度学习网络只能对二维图像进行卷积,因此,先获取血管壁的三维MRI图像的一定数量张二维切面图,再将这一定数量张二维切面图输入到深度学习网络进行分割训练,也可以根据圆柱侧面展开后为长方形的原理,获取血管壁的三维MRI图像生成的血管壁展开图,再将该血管壁展开图输入到深度学习网络进行分割训练。
优选地,该深度学习网络模型为V-Net网络,该V-Net网络接收的图像为三维图像,从而简化了分割训练过程以及增加了分割斑块的精确度。
在进行分割训练时,根据未分割斑块图像的预设图像特征对未分割斑块图像进行分割,从而快速地得到未分割斑块图像的第一分割结果,该预设图像特征为斑块部分图像的特征,优选地,该预设图像特征为未分割斑块图像中斑块部分的像素密度特征,从而加快了模型的训练速度。
在步骤S103中,通过第一分割结果和已分割斑块图像对分割训练后的深度学习网络模型进行微调迭代训练。
强化学习,又称再励学习、评价学习,是智能体(Agent)以“试错”的方式进行学习,通过与环境进行交互获得的奖赏指导行为,目标是使智能体获得最大的奖赏,强化学习不同于连接主义学习中的监督学习,主要表现在教师信号上,强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号),而不是告诉强化学习系统RLS(reinforcement learning system)如何去产生正确的动作,由于外部环境提供的信息很少,RLS必须靠自身的经历进行学习。通过这种方式,RLS在行动-评价的环境中获得知识,改进行动方案以适应环境。
在本发明实施例中,由于第一分割结果并不是很好的分割结果,在此,我们引入强化学习方法,通过该第一分割结果进行训练深度学习网络模型,通过对第一分割结果执行调整动作,根据已分割斑块图像对该次调整动作进行评价,从而实现对分割训练后的深度学习网络模型进行微调迭代训练。
在步骤S104中,输出微调迭代训练后的用于斑块分割的深度学习网络模型。
在本发明实施例中,当训练完分割训练后的深度学习网络模型后,输出微调迭代训练后的深度学习网络模型,该深度学习网络模型可对血管壁上的斑块部分图像进行精准够勾勒。
在本发明实施例中,获取第一预设数量张血管壁的未分割斑块图像和未分割斑块图像对应的已分割斑块图像,将未分割斑块图像输入到深度学习网络模型进行分割训练,以得到未分割斑块图像的第一分割结果,通过第一分割结果和已分割斑块图像对分割训练后的深度学习网络模型进行微调迭代训练,输出微调迭代训练后的用于斑块分割的深度学习网络模型,从而实现了血管壁上斑块分割的自动化以及提高了斑块分割的精确度,进而提高斑块分割效率。
实施例二:
图2示出了本发明实施例二提供的用于斑块分割的模型训练方法的实现流程,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
在步骤S201中,获取第一预设数量张血管壁的未分割斑块图像和未分割斑块图像对应的已分割斑块图像。
本发明实施例适用于模型训练设备,该模型用于对包含斑块的血管壁图像进行斑块分割。在本发明实施例中,已分割斑块图像为预先对未分割斑块图像上的斑块部分进行勾勒后的血管壁图像,具体地,可通过ITK-SNAP进行勾勒,具体地,可通过ITK-SNAP进行勾勒,先获取血管壁的未分割斑块图像和对应的已分割斑块图像,以便于后续对模型进行训练,其中,未分割斑块图像和已分割斑块图像的数量是相同的,未分割斑块图像是通过磁共振成像获取的三维MRI图像。
在步骤S202中,对未分割斑块图像和已分割斑块图像进行图像预处理操作。
在本发明实施例中,由于U/V-Net网络要求输入的图像尺寸必须相同,因此,在将图像输入深度学习网络之前,先对未分割斑块图像和已分割斑块图像进行图像图像尺寸归一化操作,优选地,对未分割斑块图像和已分割斑块图像进行图像二值化操作,从而使得图像的特征更明显,便于后续对未分割斑块图像的特征提取。
在步骤S203中,将预处理后的未分割斑块图像输入到深度学习网络模型进行分割训练,以得到未分割斑块图像的第一分割结果。
在本发明实施例中,深度学习网络模型为U-Net网络,由于该深度学习网络只能对二维图像进行卷积,因此,先获取血管壁的三维MRI图像的一定数量张二维切面图,再将这一定数量张二维切面图输入到深度学习网络进行分割训练,也可以根据圆柱侧面展开后为长方形的原理,获取血管壁的三维MRI图像生成的血管壁展开图,再将该血管壁展开图输入到深度学习网络进行分割训练。
在进行分割训练时,根据未分割斑块图像的预设图像特征对未分割斑块图像进行分割,从而快速地得到未分割斑块图像的第一分割结果,该预设图像特征为斑块部分图像的特征,优选地,该预设图像特征为未分割斑块图像中斑块部分的像素密度特征,从而加快了模型的训练速度。
优选地,该深度学习网络结合残差函数,以使深度学习网络中每一个卷积层的输入为上一卷积层的输入以及输出之和,从而丰富了卷积层的信息输入。进一步优选地,在深度学习网络中叠加Dense网络,从而加强了特征传递以及减轻了梯度消失,进而减少了斑块分割模型的模型参数。
优选地,在预设深度学习网络中进行提取预设特征时,在卷积得到的特征网络中添加膨胀卷积得到的特征网络,从而增大了图像的感受野,使卷积层的特征输出包含更多的信息。
在步骤S204中,通过第一分割结果和已分割斑块图像对分割训练后的深度学习网络模型进行微调迭代训练。
在本发明实施例中,由于第一分割结果并不是很好的分割结果,在此,我们引入强化学习方法,通过该第一分割结果进行训练深度学习网络模型,通过对第一分割结果执行调整动作,得到第二分割结果,根据已分割斑块图像对该次调整动作(或者第二分割结果)进行评价,从而实现对分割训练后的深度学习网络模型进行微调迭代训练。具体地,先根据已分割斑块图像对第一分割结果进行微调,以得到未分割斑块图像的第二分割结果,再计算第二分割结果与已分割斑块图像的相似度,根据相似度判断是否继续对分割训练后的深度学习网络模型进行微调迭代训练。若继续对深度学习网络模型进行微调迭代训练,则表明当前训练得到的模型的分割精确度不够,具体地,可通过Dice系数来计算已分割斑块图像与第二分割结果的相似度。
优选地,在根据已分割斑块图像对第一分割结果进行微调时,分别获取第一分割结果和已分割斑块图像上分割边界的第二预设数量个相同方位的坐标(为便于后续描述,将这些坐标称为方位坐标),根据已分割斑块图像的方位坐标调整第一分割结果的方位坐标,从而增加了微调的准确度,进而减少了模型的训练时长。由于方位坐标个数与训练精度成正比,但是方位坐标个数又与训练时长成反比,因此,优选地,第二预设数量个相同方位为东、南、西、北、东南、西南、西北、东北,八个方位坐标,从而使训练时长和训练精度得到相对平衡。
作为示例地,图3示出了第一分割结果的微调过程,左图为已分割斑块图像,右图为第一分割结果,其中,左右两图的方位坐标都设置为东、南、西、北共4个方位坐标,已分割斑块图像中使用A1、A2、A3、A4表示其东、南、西、北4个方位坐标,第一分割结果中使用B1、B2、B3、B4表示其东、南、西、北4个方位坐标,此时,B1向A1靠近,B2向A2靠近,B3向A3靠近,B4向A4靠近第一分割结果的方位坐标B1、B2、B3、B4分别根据方位坐标A1、A2、A3、A4进行调整。
在步骤S205中,输出微调迭代训练后的用于斑块分割的深度学习网络模型。
在本发明实施例中,对分割训练后的深度学习网络模型进行微调迭代训练时,计算了第二分割结果与已分割斑块图像的相似度,若相似度大于预设相似度阈值时,表明当前训练得到的模型的分割精确度已达到预期值,此时,完成对深度学习网络模型的微调迭代训练,并输出微调迭代训练后的深度学习网络模型,该深度学习网络模型可对血管壁上的斑块部分图像进行精准够勾勒。
在本发明实施例中,获取第一预设数量张血管壁的未分割斑块图像和未分割斑块图像对应的已分割斑块图像,并进行图像预处理操作,将预处理后的未分割斑块图像输入到深度学习网络模型进行分割训练,以得到未分割斑块图像的第一分割结果,通过第一分割结果和已分割斑块图像对分割训练后的深度学习网络模型进行微调迭代训练,输出微调迭代训练后的用于斑块分割的深度学习网络模型,从而实现了血管壁上斑块分割的自动化以及提高了斑块分割的精确度,从而实现了血管壁上斑块分割的自动化以及提高了斑块分割的精确度,进而提高斑块分割效率,进而提高斑块分割效率。
实施例三:
图4示出了本发明实施例三提供的用于斑块分割的模型训练装置的结构,为了便于说明,仅示出了与本发明实施例相关的部分,其中包括:
图像获取单元41,用于获取第一预设数量张血管壁的未分割斑块图像和未分割斑块图像对应的已分割斑块图像;
分割训练单元42,用于将未分割斑块图像输入到深度学习网络模型进行分割训练,以得到未分割斑块图像的第一分割结果;
微调训练单元43,用于通过第一分割结果和已分割斑块图像对分割训练后的深度学习网络模型进行微调迭代训练;以及
模型输出单元44,用于输出微调迭代训练后的用于斑块分割的深度学习网络模型。
在本发明实施例中,获取第一预设数量张血管壁的未分割斑块图像和未分割斑块图像对应的已分割斑块图像,将未分割斑块图像输入到深度学习网络模型进行分割训练,以得到未分割斑块图像的第一分割结果,通过第一分割结果和已分割斑块图像对分割训练后的深度学习网络模型进行微调迭代训练,输出微调迭代训练后的用于斑块分割的深度学习网络模型,从而实现了血管壁上斑块分割的自动化以及提高了斑块分割的精确度,进而提高斑块分割效率。
在本发明实施例中,用于斑块分割的模型训练装置的各单元可由相应的硬件或软件单元实现,各单元可以为独立的软、硬件单元,也可以集成为一个软、硬件单元,在此不用以限制本发明。各单元的具体实施方式可参考实施例一的描述,在此不再赘述。
实施例四:
图5示出了本发明实施例四提供的用于斑块分割的模型训练装置的结构,为了便于说明,仅示出了与本发明实施例相关的部分,其中包括:
图像获取单元51,用于获取第一预设数量张血管壁的未分割斑块图像和未分割斑块图像对应的已分割斑块图像;
分割训练单元52,用于对未分割斑块图像和已分割斑块图像进行图像预处理操作;
微调训练单元53,用于将预处理后的未分割斑块图像输入到深度学习网络模型进行分割训练,以得到未分割斑块图像的第一分割结果;以及
模型输出单元54,用于输出微调迭代训练后的用于斑块分割的深度学习网络模型。
其中,所述微调训练单元53包括:
图像微调单元531,用于根据已分割斑块图像对第一分割结果进行微调,以得到未分割斑块图像的第二分割结果;以及
计算判断单元532,用于计算第二分割结果与已分割斑块图像的相似度,根据相似度判断是否继续对分割训练后的深度学习网络模型进行微调迭代训练。
图6示出了图像微调单元531的优选结构,优选地,图像微调单元531包括:
坐标获取单元61,用于分别获取第一分割结果和已分割斑块图像上分割边界的第二预设数量个相同方位的坐标;以及
坐标调整单元62,用于根据已分割斑块图像的坐标调整第一分割结果的坐标。
在本发明实施例中,获取第一预设数量张血管壁的未分割斑块图像和未分割斑块图像对应的已分割斑块图像,并进行图像预处理操作,将预处理后的未分割斑块图像输入到深度学习网络模型进行分割训练,以得到未分割斑块图像的第一分割结果,通过第一分割结果和已分割斑块图像对分割训练后的深度学习网络模型进行微调迭代训练,输出微调迭代训练后的用于斑块分割的深度学习网络模型,从而实现了血管壁上斑块分割的自动化以及提高了斑块分割的精确度,从而实现了血管壁上斑块分割的自动化以及提高了斑块分割的精确度,进而提高斑块分割效率,进而提高斑块分割效率。
在本发明实施例中,用于斑块分割的模型训练装置的各单元可由相应的硬件或软件单元实现,各单元可以为独立的软、硬件单元,也可以集成为一个软、硬件单元,在此不用以限制本发明。各单元的具体实施方式可参考实施例二的描述,在此不再赘述。
实施例五:
图7示出了本发明实施例五提供的模型训练设备的结构,为了便于说明,仅示出了与本发明实施例相关的部分,其中包括:
本发明实施例的模型训练设备7包括处理器71、存储器72以及存储在存储器72中并可在处理器71上运行的计算机程序73。该处理器71执行计算机程序73时实现上述各个用于斑块分割的模型训练方法实施例中的步骤,例如图1所示的步骤S101至S104以及图2所示的步骤S201至S205。或者,处理器71执行计算机程序73时实现上述各个用于斑块分割的模型训练装置实施例中各单元的功能,例如图4所示单元41至44以及图5所示单元51至54的功能。
在本发明实施例中,该处理器执行计算机程序时,获取第一预设数量张血管壁的未分割斑块图像和未分割斑块图像对应的已分割斑块图像,将未分割斑块图像输入到深度学习网络模型进行分割训练,以得到未分割斑块图像的第一分割结果,通过第一分割结果和已分割斑块图像对分割训练后的深度学习网络模型进行微调迭代训练,输出微调迭代训练后的用于斑块分割的深度学习网络模型,从而实现了血管壁上斑块分割的自动化以及提高了斑块分割的精确度,进而提高斑块分割效率。
该处理器执行计算机程序时实现上述用于斑块分割的模型训练方法实施例中的步骤可参考实施例一和实施例二的描述,在此不再赘述。
实施例六:
在本发明实施例中,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述各个用于斑块分割的模型训练方法实施例中的步骤,例如,图1所示的步骤S101至S104以及图2所示的步骤S201至S205。或者,该计算机程序被处理器执行时实现上述各个用于斑块分割的模型训练装置实施例中各单元的功能,例如图4所示单元41至44以及图5所示单元51至54的功能。
在本发明实施例中,在计算机程序被处理器执行后,获取第一预设数量张血管壁的未分割斑块图像和未分割斑块图像对应的已分割斑块图像,将未分割斑块图像输入到深度学习网络模型进行分割训练,以得到未分割斑块图像的第一分割结果,基于强化学习方法,通过第一分割结果和已分割斑块图像对分割训练后的深度学习网络模型进行微调迭代训练,输出微调迭代训练后的用于斑块分割的深度学习网络模型,从而实现了血管壁上斑块分割的自动化以及提高了斑块分割的精确度,进而提高斑块分割效率,进而提高斑块分割效率。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、存储介质,例如,ROM/RAM、磁盘、光盘、闪存等存储器。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于斑块分割的模型训练方法,其特征在于,所述方法包括下述步骤:
获取第一预设数量张血管壁的未分割斑块图像和所述未分割斑块图像对应的已分割斑块图像;
将所述未分割斑块图像输入到深度学习网络模型进行分割训练,以得到所述所述未分割斑块图像的第一分割结果;
通过所述第一分割结果和所述已分割斑块图像对所述分割训练后的深度学习网络模型进行微调迭代训练;
输出微调迭代训练后的用于斑块分割的所述深度学习网络模型。
2.如权利要求1所述的方法,其特征在于,通过所述第一分割结果和所述已分割斑块图像对所述分割训练后的深度学习网络模型进行微调迭代训练的步骤,包括:
根据所述已分割斑块图像对所述第一分割结果进行微调,以得到所述未分割斑块图像的第二分割结果;
计算所述第二分割结果与所述已分割斑块图像的相似度,根据所述相似度判断是否继续对分割训练后的所述深度学习网络模型进行微调迭代训练。
3.如权利要求2所述的方法,其特征在于,根据所述已分割斑块图像对所述第一分割结果进行微调的步骤,包括:
分别获取所述第一分割结果和所述已分割斑块图像上分割边界的第二预设数量个相同方位的方位坐标;
根据所述已分割斑块图像的方位坐标调整所述第一分割结果的方位坐标。
4.如权利要求1所述的方法,其特征在于,将所述未分割斑块图像输入到深度学习网络模型进行分割训练的步骤,包括:
根据所述未分割斑块图像的预设图像特征对所述未分割斑块图像进行分割。
5.如权利要求1所述的方法,其特征在于,获取第一预设数量张血管壁的未分割斑块图像和所述未分割斑块图像对应的已分割斑块图像的步骤之后,将所述未分割斑块图像输入到深度学习网络模型进行分割训练的步骤之前,所述方法还包括:
对所述未分割斑块图像和所述已分割斑块图像进行图像预处理操作,所述图像预处理操作包括尺寸的归一化操作。
6.一种用于斑块分割的模型训练装置,其特征在于,所述装置包括:
图像获取单元,用于获取第一预设数量张血管壁的未分割斑块图像和所述未分割斑块图像对应的已分割斑块图像;
分割训练单元,用于将所述未分割斑块图像输入到深度学习网络模型进行分割训练,以得到所述所述未分割斑块图像的第一分割结果;
微调训练单元,用于通过所述第一分割结果和所述已分割斑块图像对所述分割训练后的深度学习网络模型进行微调迭代训练;以及
模型输出单元,用于输出微调迭代训练后的用于斑块分割的所述深度学习网络模型。
7.如权利要求6所述的装置,其特征在于,所述微调训练调单元包括:
图像微调单元,用于根据所述已分割斑块图像对所述第一分割结果进行微调,以得到所述未分割斑块图像的第二分割结果;以及
计算判断单元,用于计算所述第二分割结果与所述已分割斑块图像的相似度,根据所述相似度判断是否继续对分割训练后的所述深度学习网络模型进行微调迭代训练。
8.如权利要求7所述的装置,其特征在于,所述图像微调单元包括:
坐标获取单元,用于分别获取所述第一分割结果和所述已分割斑块图像上分割边界的第二预设数量个相同方位的坐标;以及
坐标调整单元,用于根据所述已分割斑块图像的坐标调整所述第一分割结果的坐标。
9.一种模型训练设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811100334.0A CN109087708B (zh) | 2018-09-20 | 2018-09-20 | 用于斑块分割的模型训练方法、装置、设备及存储介质 |
PCT/CN2019/078469 WO2020057074A1 (zh) | 2018-09-20 | 2019-03-18 | 用于斑块分割的模型训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811100334.0A CN109087708B (zh) | 2018-09-20 | 2018-09-20 | 用于斑块分割的模型训练方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109087708A true CN109087708A (zh) | 2018-12-25 |
CN109087708B CN109087708B (zh) | 2021-08-31 |
Family
ID=64841977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811100334.0A Active CN109087708B (zh) | 2018-09-20 | 2018-09-20 | 用于斑块分割的模型训练方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109087708B (zh) |
WO (1) | WO2020057074A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741346A (zh) * | 2018-12-30 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 感兴趣区域提取方法、装置、设备及存储介质 |
CN109829892A (zh) * | 2019-01-03 | 2019-05-31 | 众安信息技术服务有限公司 | 一种预测模型的训练方法、使用该模型的预测方法及装置 |
WO2020057074A1 (zh) * | 2018-09-20 | 2020-03-26 | 深圳先进技术研究院 | 用于斑块分割的模型训练方法、装置、设备及存储介质 |
CN111598891A (zh) * | 2019-02-20 | 2020-08-28 | 深圳先进技术研究院 | 斑块稳定性的识别方法、装置、设备及存储介质 |
CN113192062A (zh) * | 2021-05-25 | 2021-07-30 | 湖北工业大学 | 一种基于图像复原的动脉斑块超声图像自监督分割方法 |
CN113538471A (zh) * | 2021-06-30 | 2021-10-22 | 上海联影医疗科技股份有限公司 | 斑块的分割方法、装置、计算机设备和存储介质 |
CN113940640A (zh) * | 2021-11-12 | 2022-01-18 | 清华大学 | 心血管疾病风险控制方法、系统及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794708A (zh) * | 2015-04-10 | 2015-07-22 | 浙江工业大学 | 一种基于多特征学习的动脉粥样硬化斑块成分分割方法 |
CN108229479A (zh) * | 2017-08-01 | 2018-06-29 | 北京市商汤科技开发有限公司 | 语义分割模型的训练方法和装置、电子设备、存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408562B (zh) * | 2016-09-22 | 2019-04-09 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及系统 |
CN106558058B (zh) * | 2016-11-29 | 2020-10-09 | 北京图森未来科技有限公司 | 分割模型训练方法、道路分割方法、车辆控制方法及装置 |
CN109087708B (zh) * | 2018-09-20 | 2021-08-31 | 深圳先进技术研究院 | 用于斑块分割的模型训练方法、装置、设备及存储介质 |
-
2018
- 2018-09-20 CN CN201811100334.0A patent/CN109087708B/zh active Active
-
2019
- 2019-03-18 WO PCT/CN2019/078469 patent/WO2020057074A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794708A (zh) * | 2015-04-10 | 2015-07-22 | 浙江工业大学 | 一种基于多特征学习的动脉粥样硬化斑块成分分割方法 |
CN108229479A (zh) * | 2017-08-01 | 2018-06-29 | 北京市商汤科技开发有限公司 | 语义分割模型的训练方法和装置、电子设备、存储介质 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020057074A1 (zh) * | 2018-09-20 | 2020-03-26 | 深圳先进技术研究院 | 用于斑块分割的模型训练方法、装置、设备及存储介质 |
CN109741346A (zh) * | 2018-12-30 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 感兴趣区域提取方法、装置、设备及存储介质 |
CN109741346B (zh) * | 2018-12-30 | 2020-12-08 | 上海联影智能医疗科技有限公司 | 感兴趣区域提取方法、装置、设备及存储介质 |
CN109829892A (zh) * | 2019-01-03 | 2019-05-31 | 众安信息技术服务有限公司 | 一种预测模型的训练方法、使用该模型的预测方法及装置 |
CN111598891A (zh) * | 2019-02-20 | 2020-08-28 | 深圳先进技术研究院 | 斑块稳定性的识别方法、装置、设备及存储介质 |
CN111598891B (zh) * | 2019-02-20 | 2023-08-08 | 深圳先进技术研究院 | 斑块稳定性的识别方法、装置、设备及存储介质 |
CN113192062A (zh) * | 2021-05-25 | 2021-07-30 | 湖北工业大学 | 一种基于图像复原的动脉斑块超声图像自监督分割方法 |
CN113538471A (zh) * | 2021-06-30 | 2021-10-22 | 上海联影医疗科技股份有限公司 | 斑块的分割方法、装置、计算机设备和存储介质 |
CN113538471B (zh) * | 2021-06-30 | 2023-09-22 | 上海联影医疗科技股份有限公司 | 斑块的分割方法、装置、计算机设备和存储介质 |
CN113940640A (zh) * | 2021-11-12 | 2022-01-18 | 清华大学 | 心血管疾病风险控制方法、系统及存储介质 |
CN113940640B (zh) * | 2021-11-12 | 2023-04-18 | 清华大学 | 心血管疾病风险控制方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020057074A1 (zh) | 2020-03-26 |
CN109087708B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109087708A (zh) | 用于斑块分割的模型训练方法、装置、设备及存储介质 | |
CN114663431B (zh) | 基于强化学习和注意力的胰腺肿瘤图像分割方法及系统 | |
CN109671076A (zh) | 血管分割方法、装置、电子设备及存储介质 | |
CN110689543A (zh) | 基于注意机制的改进卷积神经网络脑肿瘤图像分割方法 | |
CN110276745B (zh) | 一种基于生成对抗网络的病理图像检测算法 | |
RU2413995C2 (ru) | Способ улучшения последующей обработки изображений с использованием деформируемых сеток | |
CN108764241A (zh) | 分割股骨近端的方法、装置、计算机设备和存储介质 | |
CN112070781B (zh) | 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备 | |
CN107563434B (zh) | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 | |
CN107644420A (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
CN110070540A (zh) | 图像生成方法、装置、计算机设备及存储介质 | |
CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
KR102166835B1 (ko) | 신경망 학습 방법 및 그 장치 | |
CN110008992B (zh) | 一种用于前列腺癌辅助诊断的深度学习方法 | |
CN111915594A (zh) | 基于端对端神经网络的乳腺癌病灶分割方法 | |
CN113554131B (zh) | 医学图像处理和分析方法、计算机设备、系统和存储介质 | |
CN112750137B (zh) | 基于深度学习的肝脏肿瘤分割方法及系统 | |
CN117392082A (zh) | 基于全尺度跳跃连接的肝脏ct图像分割方法及系统 | |
CN113313728B (zh) | 一种颅内动脉分割方法及系统 | |
CN112489048B (zh) | 一种基于深度网络的视神经自动分割方法 | |
Wang et al. | SAM-OCTA: A Fine-Tuning Strategy for Applying Foundation Model OCTA Image Segmentation Tasks | |
CN116664590B (zh) | 基于动态对比增强磁共振图像的自动分割方法及装置 | |
CN117474933A (zh) | 一种基于空洞卷积注意力机制的医学图像分割方法 | |
CN115719352A (zh) | 基于改进UNet++的特征对齐舌像分割方法及系统 | |
CN114519722A (zh) | 一种基于卷积神经网络的颈动脉提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |