CN110766652A

CN110766652A - 网络训练方法、装置、分割方法、计算机设备和存储介质

Info

Publication number: CN110766652A
Application number: CN201910842675.3A
Authority: CN
Inventors: 欧阳熹; 郑介志
Original assignee: Shanghai United Imaging Intelligent Healthcare Co Ltd
Current assignee: Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority date: 2019-09-06
Filing date: 2019-09-06
Publication date: 2020-02-07
Anticipated expiration: 2039-09-06
Also published as: CN110766652B

Abstract

本申请涉及一种网络训练方法、装置、分割方法、计算机设备和存储介质，由于一开始先根据多个图片级气胸数据、多个标准像素级气胸数据和多个不包括气胸区域的数据训练了一个分类网络，该分类网络可以将图片级气胸数据转换为对应的伪像素级气胸数据，而该伪像素级气胸数据中包括了气胸区域的标注信息，然后根据该伪像素级气胸数据和标准像素级气胸数据就可以训练分割网络，保证了分割网络的所有训练数据都是包含气胸区域标注信息的，相当于增加了分割网络的训练数据，使得分割网络训练更加鲁棒，从而可以得到更加精确的气胸区域分割结果。

Description

网络训练方法、装置、分割方法、计算机设备和存储介质

技术领域

本申请涉及医疗影像技术领域，特别是涉及一种网络训练方法、装置、分割方法、计算机设备和存储介质。

背景技术

气胸是空气泄漏到肺和胸壁之间的空间造成的一种肺部异常。气胸产生的原因可能是由胸部损伤或创伤而造成的，也可能是因为某些医疗程序，还可能是由于一些潜在的肺部疾病造成的损害，或者甚至没有明显的原因而自然形成的。

现有技术中，用于诊断气胸的最常见的成像工具是胸部X光片(Chest X-ray,CXR)，气胸的诊断是放射科医师的常规工作，一般，医生通过目测对胸部X光片直接进行阅读，然后对胸片进行气胸诊断并且分析气胸区域以判断气胸的大小从而决定治疗方案。由于气胸的诊断和治疗与气胸区域的大小直接相关，因此胸片的分诊需要准确气胸分割结果，近些年来，随着人工智能技术的不断发展，基于深度学习技术的图像分割模型不断被提出，通过分割模型可以将气胸区域分割出来，以便医生进行诊断。

但是，目前的分割模型存在训练数据不足的问题，导致气胸分割结果不够精确。

发明内容

基于此，有必要针对上述分割模型存在训练数据不足的问题，导致气胸分割结果不够精确的技术问题，提供一种网络训练方法、装置、分割方法、计算机设备和存储介质。

第一方面，本申请实施例提供一种网络训练方法，该方法包括：

获取多个图片级气胸数据、多个标准像素级气胸数据和多个不包括气胸区域的数据；图片级气胸数据中包括气胸区域；标准像素级气胸数据中包括气胸区域的标注信息；

根据多个图片级气胸数据、多个标准像素级气胸数据和多个不包括气胸区域的数据训练初始分类网络，得到分类网络；分类网络用于将图片级气胸数据转换为对应的伪像素级气胸数据；

根据多个标准像素级气胸数据和对应的伪像素级气胸数据训练初始分割网络，得到目标分割网络。

第二方面，本申请实施例提供一种分割方法，该方法包括：

获取待分割医学影像；待分割医学影像包括气胸区域；

将待分割医学影像输入至目标分割网络中，得到气胸区域的分割结果；目标分割网络为根据上述第一方面网络训练方法得到的网络。

第三方面，本申请实施例提供一种网络训练装置，该装置包括：

数据获取模块，用于获取多个图片级气胸数据、多个标准像素级气胸数据和多个不包括气胸区域的数据；图片级气胸数据中包括气胸区域；标准像素级气胸数据中包括气胸区域的标准标注信息；

分类网络训练模块，用于根据多个图片级气胸数据、多个标准像素级气胸数据和多个不包括气胸区域的数据训练初始分类网络，得到分类网络；分类网络用于将图片级气胸数据转换为对应的伪像素级气胸数据；

分割网络训练模块，用于根据多个标准像素级气胸数据、和对应的伪像素级气胸数据训练初始分割网络，得到目标分割网络。

第四方面，本申请实施例提供一种分割装置，该装置包括：

影像获取模块，用于获取待分割医学影像；待分割医学影像包括气胸区域；

分割模块，用于将待分割医学影像输入至目标分割网络中，得到气胸区域的分割结果；目标分割网络为根据上述第一方面网络训练方法得到的网络。

第五方面，本申请实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面和第二方面实施例提供的任一项方法的步骤。

第六方面，本申请实施例提供一种计算机可读存储介质，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第一方面和第二方面实施例提供的任一项方法的步骤。

本申请实施例提供的一种网络训练方法、装置、分割方法、计算机设备和存储介质，由于一开始先根据多个图片级气胸数据、多个标准像素级气胸数据和多个不包括气胸区域的数据训练了一个分类网络，该分类网络可以将图片级气胸数据转换为对应的伪像素级气胸数据，而该伪像素级气胸数据中包括了气胸区域的标注信息，然后根据该伪像素级气胸数据和标准像素级气胸数据就可以训练分割网络，保证了分割网络的所有训练数据都是包含气胸区域标注信息的，相当于增加了分割网络的训练数据，使得分割网络训练更加鲁棒，从而可以得到更加精确的气胸区域分割结果。

附图说明

图1为一个实施例提供的一种网络训练方法的应用环境图；

图2为一个实施例提供的一种网络训练方法的流程示意图；

图3为一个实施例提供的一种网络训练方法的流程示意图；

图3a为一个实施例提供的一种网络训练方法的完整示意图；

图4为一个实施例提供的一种分割方法的流程示意图；

图5为一个实施例提供的一种网络训练装置的结构框图；

图6为一个实施例提供的一种网络训练装置的结构框图；

图7为一个实施例提供的一种分割装置的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的一种网络训练方法，可以应用于如图1所示的应用环境中，该应用环境中，计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储网络训练方法的数据。该计算机设备的网络接口用于与外部的其他设备通过网络连接通信。该计算机程序被处理器执行时以实现一种网络训练方法。

本申请实施例提供一种网络训练方法、装置、分割方法、计算机设备和存储介质，旨在解决目前的分割模型存在训练数据不足的问题，导致气胸分割结果不够精确的技术问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是，本申请提供的一种网络训练方法，图2-图3的执行主体为计算机设备，其中，其执行主体还可以是网络训练装置，其中该装置可以通过软件、硬件或者软硬件结合的方式实现成为网络训练的部分或者全部。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。

在一个实施例中，图2提供了一种网络训练方法，本实施例涉及的是计算机设备根据图片级气胸数据、标准像素级气胸数据和不包括气胸区域的数据训练得到分割网络的具体过程，如图2所示，该方法包括：

S101，获取多个图片级气胸数据、多个标准像素级气胸数据和多个不包括气胸区域的数据；图片级气胸数据中包括气胸区域；标准像素级气胸数据中包括气胸区域的标注信息。

本实施例中，图片级气胸数据表示包括了目标区域，但是对该目标区域未进行具体详细信息标注；标准像素级气胸数据表示包括了目标区域，并且对该目标区域进行了详细信息标注，且标注的信息为标准的标注信息，可以作为金标准的气胸标注数据，其中，对气胸区域标注的信息包括该气胸区域的大小，形状以及各特征信息等，本实施例对此不做限定；其中，不包括气胸区域的数据表示该数据中就没有目标区域的数据。其中，该图片级气胸数据、标准像素级气胸数据和气胸区域的数据可以是医学文件、诊断报告等一些常见的，在实际应用中比较容易获取的数据。

上述所提及的图片级气胸数据、标准像素级气胸数据以及不包括气胸区域的数据在使用过程的数量均为多个，且各自具体的数量本申请实施例不做限定，可根据实际情况而定。其中，获取气胸数据时，可以采集多种不同气胸种类的数据，例如，小气胸，中型气胸，大气胸等气胸数据，本实施例对从不做限定。可选地，在一个实施例中，上述图片级气胸数据的数量远大于标准像素级气胸数据的数量。由于，标准像素级气胸数据的数量需要额外进行获取，例如，通过有经验的人员对其进行标准的信息标注，需要花费一定的精力和时间，为了节省时间，在实际应用中，可以只对少量气胸区域预先进行标注，形成标准像素级气胸数据。另外，示例地，计算机设备获取图片级气胸数据、标准像素级气胸数据和不包括气胸区域的方式可以是接收其他设备的传输，也可以是从预先存储好影像集中直接提取，本申请实施例对此不做限定。

S102，根据多个图片级气胸数据、多个标准像素级气胸数据和多个不包括气胸区域的数据训练初始分类网络，得到分类网络；分类网络用于将图片级气胸数据转换为对应的伪像素级气胸数据。

基于上述S101步骤获取的多个图片级气胸数据、多个标准像素级气胸数据和多个不包括气胸区域的数据，计算机设备根据这些数据训练初始分类网络，训练该初始分类网络后得到的分类网络是用于将图片级气胸数据转换为对应的伪像素级气胸数据，其中，伪像素级气胸数据表示的是对原图片级气胸数据中的气胸区域增加了标注信息，但是该标注信息比标准像素级气胸数据中的标注信息的精确度低，相当于，本实施例中得到的分类网络可以将图片级气胸数据转换为对气胸区域进行了标注的伪像素级气胸数据，该伪像素气胸数据中的标注信息虽然不及标准像素级气胸数据中标注信息精确，但是，其相对于图片气胸数据，在训练分割网络时具有较好的效果。

示例地，在实际应用中，训练分类网络时，可通过三种损失函数同时配合进行网络的训练。第一个损失函数，例如，为了监督初始分类网络输出结果与图片级标注数据之间变换，可以建立一个交叉熵损失函数，具体地，假设输入图像是x，各输入图像对应的输出结果是y,p(x)表示输入图像x经过分类网络w之后的sigmoid概率值，则p(x)＝sigmoid(w(x))，最终建立的交叉熵损失函数可以表示成：l_ce＝-(ylog(p(x))+(1-y)log(1-p(x)))。第二个损失函数，例如，将初始分类网络输出的结果中的目标区域进行擦除，并将擦除后的图像作为输入数据重新输入到初始分类网络中，初始分类网络根据重新从擦除后的输入数据中检测气胸区域，使得初始分类网络检测的气胸区域更完整。相当于，建立从初始网络输出结果中擦除气胸区域的气胸数据与输出结果的损失函数。第三个损失函数，例如建立网络输出结果与像素级标注数据之间的损失函数。基于上述三种损失函数，在训练分类网络时，通过这三种损失函数同时监督各种输入数据与初始结果之间的变换关系，可以综合性的观察初始分类网络训练的程度，指导网络训练，这样就可以更准确、更快的对分类网络进行训练。

其中，该分类网络在实际应用中可以包括但不仅限于VGG(Visual GeometryGroup，可视化几何组)模型、Resnet(残差网络)，Densenet(密集卷积神经网络)，DilatedResnet(扩张残差网络)，Dilated Densenet(扩张密集卷积神经网络)等深度学习分类网络。

S103，根据多个标准像素级气胸数据和对应的伪像素级气胸数据训练初始分割网络，得到目标分割网络。

基于上述S102步骤中，得到的分类网络，由于该分类网络可以将一开始获取的图片级气胸数据转换为对应的伪像素级气胸数据，本步骤中，计算机设备将上述得到的对应的伪像素级气胸数据和一开始获取的标准像素级气胸数据对初始分割网络进行训练，得到目标分割网络。由于，伪像素级气胸数据和标准像素级气胸数据中均包含了气胸区域的标注信息，这样在对分割网络进行训练时，可以使分割网络快速的学习到气胸区域的特征信息，在应用时，该目标分割网络就可以从任何气胸数据中分割出气胸区域。其中，该目标分割网络在实际应用中可以包括但不仅限于Unet(U型网络)，Linknet，Tiramisu(提拉米苏)。

本实施例提供的网络训练方法，由于一开始先根据多个图片级气胸数据、多个标准像素级气胸数据和多个不包括气胸区域的数据训练了一个分类网络，该分类网络可以将图片级气胸数据转换为对应的伪像素级气胸数据，而该伪像素级气胸数据中包括了气胸区域的标注信息，然后根据该伪像素级气胸数据和标准像素级气胸数据就可以训练分割网络，保证了分割网络的所有训练数据都是包含气胸区域标注信息的，相当于增加了分割网络的训练数据，使得分割网络训练更加鲁棒，从而可以得到更加精确的气胸区域分割结果。

可选地，基于上述实施例，在一个实施例中，上述在根据多个图片级气胸数据、多个标准像素级气胸数据和多个不包括气胸区域的数据训练初始分类网络之前，该方法包括：对多个图片级气胸数据、多个标准像素级气胸数据和多个不包括气胸区域的数据进行预处理；其中，预处理包括尺寸重置、平移翻转、归一化和标准化处理中至少一种。

其中，在根据多个图片级气胸数据、多个标准像素级气胸数据和多个不包括气胸区域的数据训练初始分类网络时，对数据进行预处理，至少包括尺寸重置、平移翻转、归一化和标准化处理中一种，其中，对气胸数据进行尺寸重置，可以保证输入到分类网络中的数据符合分类网络所需尺寸的大小，保证更好的训练效果；对数据进行平移翻转、归一化和标准化处理可以增强气胸数据的多样性，以及气胸数据的规范性。

对于上述计算机设备根据多个标准像素级气胸数据和对应的伪像素级气胸数据训练初始分割网络的过程，本申请实施例还提供了一种网络训练方法，如图3所示，上述S103步骤包括：

S201，根据预设算法建立分割模型的损失函数；其中，预设算法用于补偿伪像素级气胸数据的不确定性。

本实施例中，计算机设备训练目标分割网络时，需要根据损失函数来指导初始分割网络的训练方向，因此，在训练目标分割网络时，先要建立损失函数，由于，上述实施例中分类网络转换的伪像素级气胸数据中对气胸区域的标注信息精确度不如标准像素级气胸数据，因此，在建立该分割网络损失函数时，可以根据预先设定的算法建立一种可以补偿上述伪像素级气胸数据不确定性的损失函数，可以消除伪像素级气胸数据的不确定性。

可选地，提供一种建立损失函数的方式，则在一个实施例中，上述预设算法为空间标签平滑正则化算法，其中，损失函数中包括flag(标签标识位)和不确定性系数；其中，标签标识位用于区分输入初始分割网络的数据为标准像素级气胸数据或者伪像素级气胸数据。

其中，以预设的算法是空间标签平滑正则化算法为例，在建立损失函数时，增加标签标识位和不确定系数，其中，标签标识位表示区分初始分割网络的数据是标准像素级气胸数据或者伪像素级气胸数据；其中，不确定系数为根据经验值设定的一个表示伪像素气胸数据不确定性的数据，可在实际应用中，对该不确定系数进行调整。例如，以标签标识位为Z，不确定性系数为ε为例，该建立的损失函数可以表示为：

其中，上述损失函数中H表示图像的长度，W表示图像的宽度，p(y)和P(k)分别表示标准像素级气胸数据或者伪像素级气胸数据经过分类网络之后的sigmoid概率值。这样，采用该算法建立的损失函数可以缓解训练分割网络时，伪像素级气胸数据带来的不确定性。

S202，将多个标准像素级气胸数据和对应的伪像素级气胸数据输入至初始分割网络中，根据初始分割网络的值更新损失函数的值，直至损失函数的值达到预设阈值，得到目标分割网络；目标分割网络用于分割出气胸区域。

基于上述S201步骤中的建立的损失函数，计算机设备将多个标准像素级气胸数据和对应的伪像素级气胸数据输入至初始分割网络中，根据初始分割网络的值更新损失函数的值，并将该初始分割网络输出的值更新损失函数的值，观察损失函数是否收敛，若损失函数的值达到预设阈值后，则表示损失函数已经收敛，则表示该分割网络已经训练好，当然，在实际应用中，确定分割网络最终训练好的方式，可以是计算机设备对当前分割网络进行测试，代入预先准备的测试数据，输入到该当前的分割网络中，若测试结果达到了标准，则表示得到目标分割网络，也就是最终要以实际测试为准，损失函数只是一种为网络的训练提供方向。

本实施例中，采用预设的算法建立的损失函数指导初始分割网络进行训练，由于该预设的算法建立的损失函数可以消除伪像素级气胸数据的不确定性，使得伪像素级气胸数据在分割网络训练的过程中与标准像素级气胸数据在分割网络中所达到的效果相同，大大提高训练的目标分割模型的精度，也提高了图片级气胸数据在分割网络训练过程中的应用性。

基于上述所有实施例，提供一种本申请方案完整实施的示意图，如图3a所示，具体地，实施过程包括将分类过程和分割过程，其中分类过程是将图片级气胸数据即弱标注的气胸数据、以及不包含气胸数据经过分类网络(图中所示的残差网络)进行是否包含气胸区域分类，并将含有气胸区域的数据生成伪像素级别的气胸数据，由于伪像素级气胸数据表示是对原图片级气胸数据中的气胸区域增加了标注信息，但是该标注信息比标准像素级气胸数据中的标注信息的精确度低，为了消除伪像素级气胸数据中标注信息的的不确定性，采用标签平滑正则化算法建立损失函数，然后根据标准像素级气胸数据(图中精准像素级气胸数据)和该伪像素级气胸数据训练初始分割网络，得到目标分割网络。这样，通过将图片级气胸数据转换为对应的伪像素级气胸数据，然后根据该伪像素级气胸数据和标准像素级气胸数据训练分割网络，同时采用预先建立的损失函数消除伪像素级气胸数据的不确定性，大大提高了分割网络的训练效果。

另外，对于上述训练方法得到的网络的应用场景，本申请实施例一种分割方法对上述训练好的分割网络如何应用进行说明，需要说明的是，本申请提供的一种分割方法，与上述网络训练方法是处于同一构思下的方案，即在执行分割方法解决技术问题时，需根据上述网络训练方法获取目标分割网络。其中，图4的执行主体为计算机设备，其中，其执行主体还可以是分割装置，其中该装置可以通过软件、硬件或者软硬件结合的方式实现成为分割的部分或者全部。

则本申请实施例提供一种分割方法，其涉及的是计算机设备应用上述实施例提供的目标分割网络对待分割医学影像进行分割的具体过程，如图4所示，该方法包括：

S301，获取待分割医学影像；待分割医学影像包括气胸区域。

其中，待分割医学影像表示需要分割的医学影像，其中，该待分割医学影像中包括了气胸区域，示例地，在实际应用中，计算机设备获取待分割医学影像的方式可以是通过控制第三设备进行拍摄，也可以是接收其他设备传输，还可以是从网络上或者数据库中直接下载，本实施例对从不做限定。

S302，将待分割医学影像输入至目标分割网络中，得到气胸区域的分割结果；目标分割网络为采用上述任一项网络训练方法得到的网络。

基于上述S301步骤中，获取的待分割医学影像，计算机设备将该待分割医学影像输入至目标分割网络中，即可得到气胸区域的分割结果，当然，该目标分割网络可以是采用上述任一网络训练方法训练得到的网络。

可选地，在一个实施例中，将待分割医学影像输入至目标分割网络中之前，该方法包括：对待分割医学影像进行尺寸重置、归一化和标准化操作中至少一种处理。

由于在网络训练之前，已经对训练数据进行过相关的预处理，有增加数据多样性的预处理，也有对训练数据规范化的处理，其中在训练阶段对网络进行规范化有助于网络的快速收敛，达到较好的训练结果，而在使用阶段对网络进行规范化则是为了分割结果更加精确，即将待分割图像与训练阶段的数据进行同样处理，可以提高分割结果的精确性。

本实施例提供的分割方法，将待分割的医学影像输入至目标分割网络中进行气胸区域分割，由于该目标分割网络中训练时，采用的是上述网络训练方法训练的，而上述网络训练方法，不仅解决了现有训练数据的不足，又可以保证目标分割网络训练结果的准确性，因此，采用该训练方法训练的目标分割网络从待分割医学影像中分割气胸区域，可以保证气胸区域分割的精确性。

应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了一种网络训练装置，该装置包括：数据获取模块10、分类网络训练模块11和分割网络训练模块12，其中，

数据获取模块10，用于获取多个图片级气胸数据、多个标准像素级气胸数据和多个不包括气胸区域的数据；图片级气胸数据中包括气胸区域；标准像素级气胸数据中包括气胸区域的标准标注信息；

分类网络训练模块11，用于根据多个图片级气胸数据、多个标准像素级气胸数据和多个不包括气胸区域的数据训练初始分类网络，得到分类网络；分类网络用于将图片级气胸数据转换为对应的伪像素级气胸数据；

分割网络训练模块12，用于根据多个标准像素级气胸数据、和对应的伪像素级气胸数据训练初始分割网络，得到目标分割网络。

上述实施例提供的一种网络训练装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，如图6所示，提供了一种网络训练装置，上述分割网络训练模块12包括：函数建立单元121和分割网络获取单元122，其中，

函数建立单元121，用于根据预设算法建立分割模型的损失函数；其中，预设算法用于补偿伪像素级气胸数据的不确定性。

分割网络获取单元122，用于将多个标准像素级气胸数据和对应的伪像素级气胸数据输入至初始分割网络中，根据初始分割网络的值更新损失函数的值，直至损失函数的值达到预设阈值，得到目标分割网络；目标分割网络用于分割出气胸区域。

在一个实施例中，预设算法为空间标签平滑正则化算法，其中，损失函数中包括标签标识位和不确定性系数；其中，标签标识位用于区分输入初始分割网络的数据为标准像素级气胸数据或者伪像素级气胸数据。

在一个实施例中，图片级气胸数据的数量远大于标准像素级气胸数据的数量。

在一个实施例中，所述装置还包括第一预处理模块，用于对多个图片级气胸数据和多个标准像素级气胸数据进行预处理；其中，预处理包括尺寸重置、平移翻转、归一化和标准化处理中至少一种。

在一个实施例中，如图7所示，提供了一种分割装置，该装置包括：影像获取模块13、分割模块14，其中，

影像获取模块13，用于获取待分割医学影像；待分割医学影像包括气胸区域；

分割模块14，用于将待分割医学影像输入至目标分割网络中，得到气胸区域的分割结果；目标分割网络为根据上述任一项实施例中网络训练装置得到的网络。

上述实施例提供的一种分割装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，该分割装置还包括第二预处理模块，用于对待分割医学影像进行尺寸重置、归一化和标准化操作中至少一种处理。

关于网络训练装置和分割装置的具体限定可以参见上文中对于网络训练方法和分割方法的限定，在此不再赘述。上述网络训练装置和分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如上述图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种网络训练方法和分割方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，上述图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

或者，该处理器执行计算机程序时实现以下步骤：

获取待分割医学影像；待分割医学影像包括气胸区域；

将待分割医学影像输入至目标分割网络中，得到气胸区域的分割结果；目标分割网络为采用上述任一项网络训练方法得到的网络。

上述实施例提供的一种计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

或者，计算机程序被处理器执行时实现以下步骤：

获取待分割医学影像；待分割医学影像包括气胸区域；

上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims

1.一种网络训练方法，其特征在于，所述方法包括：

获取多个图片级气胸数据、多个标准像素级气胸数据和多个不包括气胸区域的数据；所述图片级气胸数据中包括气胸区域；所述标准像素级气胸数据中包括气胸区域的标注信息；

根据所述多个图片级气胸数据、所述多个标准像素级气胸数据和所述多个不包括气胸区域的数据训练初始分类网络，得到分类网络；所述分类网络用于将图片级气胸数据转换为对应的伪像素级气胸数据；

根据所述多个标准像素级气胸数据和所述对应的伪像素级气胸数据训练初始分割网络，得到目标分割网络。

2.根据权利要求1所述的方法，其特征在于，根据所述多个标准像素级气胸数据和所述对应的伪像素级气胸数据训练初始分割网络，得到目标分割网络，包括：

根据预设算法建立所述分割模型的损失函数；所述预设算法用于补偿所述伪像素级气胸数据的不确定性；

将所述多个标准像素级气胸数据和所述对应的伪像素级气胸数据输入至所述初始分割网络中，根据所述初始分割网络的值更新所述损失函数的值，直至所述损失函数的值达到预设阈值，得到所述目标分割网络；所述目标分割网络用于分割出气胸区域。

3.根据权利要求2所述的方法，其特征在于，所述预设算法为空间标签平滑正则化算法，所述损失函数中包括标签标识位和不确定性系数；所述标签标识位用于区分输入所述初始分割网络的数据为标准像素级气胸数据或者伪像素级气胸数据。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述图片级气胸数据的数量远大于所述标准像素级气胸数据的数量。

5.根据权利要求1所述的方法，其特征在于，所述根据所述多个图片级气胸数据、所述多个标准像素级气胸数据和所述多个不包括气胸区域的数据训练初始分类网络之前，所述方法包括：

对所述多个图片级气胸数据、所述多个标准像素级气胸数据和所述多个不包括气胸区域的数据进行预处理；所述预处理包括尺寸重置、平移翻转、归一化和标准化处理中至少一种。

6.一种分割方法，其特征在于，所述方法包括：

获取待分割医学影像；所述待分割医学影像包括气胸区域；

将所述待分割医学影像输入至目标分割网络中，得到所述气胸区域的分割结果；所述目标分割网络为根据上述权利要求1-5任一项权利要求所述的网络训练方法得到的网络。

7.根据权利要求6所述的方法，其特征在于，所述将所述待分割医学影像输入至目标分割网络中之前，所述方法包括：

对所述待分割医学影像进行尺寸重置、归一化和标准化操作中至少一种处理。

8.一种网络训练装置，其特征在于，所述装置包括：

数据获取模块，用于获取多个图片级气胸数据、多个标准像素级气胸数据和多个不包括气胸区域的数据；所述图片级气胸数据中包括气胸区域；所述标准像素级气胸数据中包括气胸区域的标准标注信息；

分类网络训练模块，用于根据所述多个图片级气胸数据、所述多个标准像素级气胸数据和多个不包括气胸区域的数据训练初始分类网络，得到分类网络；所述分类网络用于将图片级气胸数据转换为对应的伪像素级气胸数据；

分割网络训练模块，用于根据所述多个标准像素级气胸数据、和所述对应的伪像素级气胸数据训练初始分割网络，得到目标分割网络。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。