CN111047609B - 肺炎病灶分割方法和装置 - Google Patents

Abstract

本申请实施例提供了一种肺炎病灶分割方法和装置，解决了现有肺炎病灶分割方式的准确率低和效率低的问题。该肺炎病灶分割方法包括：基于图像语义分割模型预测出阳性层面的医学影像数据上的病灶区域；以及统计各平行层面的病灶面积，并结合各平行层面的病灶面积计算出病灶体积；其中，图像语义分割模型通过如下训练步骤建立：将全部已标记或部分已标记的样本数据输入病灶分割模型，以获得病灶分割模型输出的预测结果；基于病灶检测模型预测的病灶检测框以及肺叶肺段分割模型预测出的肺部区域，从预测结果中筛除低级假阳区域以获得样本数据的伪标签，并加入未标记的样本数据；以及复查伪标签，并对标记的样本数据进行标记以更新已标记的样本数据。

Description

肺炎病灶分割方法和装置

技术领域

本申请涉及影像分析技术领域，具体涉及一种肺炎病灶分割方法、装置、电子设备和计算机可读存储介质。

背景技术

近年，深度机器学习在图像理解领域得到广泛应用。其中，针对图像语义分割问题提出的深度全卷积网络在分割精度方面相比传统算法有明显优势，且较好地控制了推理时所需消耗的时间。此外，GPU的广泛使用又能进一步极大地提高全卷积网络的推理速度。这使得在医学影像场景中应用高精度的全卷积网络成为可能。传统的医学影像诊断依赖于临床医生经验性的主观判断，因而存在耗时长稳定性差等问题，渐已成为制约现代医学影像发展的瓶颈。随着计算机辅助技术在医学影像领域的发展，越来越多的医生开始使用自动算法辅助定位病灶或者异常区域，从而提高效率并降低漏诊风险。具体来说，肺部炎症病灶区域的体积大小，是医生诊断肺炎和设计治疗方案的重要依据。但是因为量化指标的缺失，往往只能粗略地判断（例如：少量、中量或大量）。针对这一问题，计算机辅助技术有了用武之地。

过去，人们主要使用启发式的计算机视觉算法或传统机器学习算法分割医学影像中的肺炎病灶。这类方法往往依赖于病灶区域和背景区域的颜色或亮度差异，人工设计的特征或者使用少量数据训练的机器学习模型，难以保证鲁棒性，限制了其应用范围。近年来，基于深度机器学习的通用的图像语义分割方法虽有多次被应用于医学影像领域的例子，但是在肺炎病灶分割方面，却少有针对性的优化或改进。

一方面，启发式的计算机视觉算法或传统机器学习算法往往依赖于病灶区域和背景区域的颜色或亮度差异，这类人工设计的特征或者使用少量数据训练的机器学习模型，难以保证鲁棒性。另一方面，基于深度机器学习的图像语义分割方法很少就肺炎病灶分割这一具体问题进行有针对性的优化或改进，存在生产成本高、运行速度慢、预测精度低、低级假阳高等问题。

发明内容

有鉴于此，本申请实施例提供了一种肺炎病灶分割方法和装置，解决了现有肺炎病灶分割方式的准确率低和效率低的问题。

根据本申请的一个方面，本申请一实施例提供的一种肺炎病灶分割方法包括：基于图像语义分割模型预测出所述阳性层面的医学影像数据上的病灶区域；以及统计各平行层面的病灶面积，并结合所述各平行层面的病灶面积计算出病灶体积；其中，所述图像语义分割模型通过如下训练步骤建立：将全部已标记或部分已标记的样本数据输入病灶分割模型，以获得所述病灶分割模型输出的预测结果；基于所述病灶检测模型预测的病灶检测框以及肺叶肺段分割模型预测出的肺部区域，从预测结果中筛除低级假阳区域以获得所述样本数据的伪标签，并加入未标记的样本数据；以及复查所述伪标签，并对标记的样本数据进行标记以更新所述已标记的样本数据。

在本申请一实施例中，在基于图像语义分割模型预测出所述阳性层面的医学影像数据上的病灶区域之前，进一步包括：基于病灶检测模型从多个平行层面的医学影像数据中筛选出阳性层面的医学影像数据。

在本申请一实施例中，在所述统计各平行层面的病灶面积，并结合所述各平行层面的病灶面积计算出病灶体积之前，进一步包括：基于所述病灶检测模型预测的病灶检测框以及肺叶肺段分割模型预测出的肺部区域从预测出的病灶区域中筛除低级假阳区域。

在本申请一实施例中，在所述统计各平行层面的病灶面积，并结合所述各平行层面的病灶面积计算出病灶体积之后，进一步包括：基于所述病灶体积，结合所述肺叶肺段分割模型预测出的肺叶肺段分割结果计算出病灶在各肺叶肺段的体积。

根据本申请的另一个方面，本申请一实施例提供的一种肺炎病灶分割装置包括：分割模块，配置为基于图像语义分割模型预测出所述阳性层面的医学影像数据上的病灶区域；第一计算模块，配置为统计各平行层面的病灶面积，并结合所述各平行层面的病灶面积计算出病灶体积；以及训练模块，配置为通过如下训练步骤建立所述图像语义分割模型：将全部已标记或部分已标记的样本数据输入病灶分割模型，以获得所述病灶分割模型输出的预测结果；基于所述病灶检测模型预测的病灶检测框以及肺叶肺段分割模型预测出的肺部区域，从预测结果中筛除低级假阳区域以获得所述样本数据的伪标签，并加入未标记的样本数据；以及复查所述伪标签，并对标记的样本数据进行标记以更新所述已标记的样本数据。

在本申请一实施例中，所述装置进一步包括：第一筛选模块，配置为在基于图像语义分割模型预测出所述阳性层面的医学影像数据上的病灶区域之前，基于病灶检测模型从多个平行层面的医学影像数据中筛选出阳性层面的医学影像数据。

在本申请一实施例中，所述装置进一步包括：第二筛选模块，配置为在所述统计各平行层面的病灶面积，并结合所述各平行层面的病灶面积计算出病灶体积之前，基于所述病灶检测模型预测的病灶检测框以及肺叶肺段分割模型预测出的肺部区域从预测出的病灶区域中筛除低级假阳区域。

在本申请一实施例中，所述装置进一步包括：第二计算模块，配置为在所述统计各平行层面的病灶面积，并结合所述各平行层面的病灶面积计算出病灶体积之后，基于所述病灶体积，结合所述肺叶肺段分割模型预测出的肺叶肺段分割结果计算出病灶在各肺叶肺段的体积。

根据本申请的另一方面，本申请一实施例提供了一种电子设备，包括：处理器；存储器；以及存储在存储器中的计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行如上述任一项所述的肺炎病灶分割方法。

根据本申请的另一方面，本申请一实施例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上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如前任一所述的肺炎病灶分割方法。

根据本申请的另一方面，本申请一实施例提供了一种计算机程序产品，包括计算机程序指令，所述计算机程序指令在被处理器运行时使得处理器执行如上述任一所述的肺炎病灶分割方法。

本申请实施例提供的一种肺炎病灶分割方法、装置、电子设备和计算机可读存储介质，使用图像语义分割模型，以全监督与弱监督混合的方式训练，并可与胸部CT分析系统（病灶检测模型+肺叶肺段分割模型）紧密结合，有效利用该胸部CT分析系统，一方面在推理时降低计算量和筛查低级假阳，另一方面优化数据标注流程。

附图说明

图1所示为本申请一实施例提供的一种肺炎病灶分割方法的流程示意图。

图2所示为本申请一实施例提供的一种肺炎病灶分割方法中图像语义分割模型的训练流程示意图。

图3所示为本申请一实施例提供的一种肺炎病灶分割方法中获取病灶征象轮廓分布信息的流程示意图。

图4所示为本申请另一实施例提供的一种肺炎病灶分割方法的流程示意图。

图5所示为本申请另一实施例提供的一种肺炎病灶分割方法的流程示意图。

图6所示为本申请一实施例提供的肺炎病灶分割装置的结构示意图。

图7所示为本申请另一实施例提供的肺炎病灶分割装置的结构示意图。

图8所示为本申请一实施例提供的电子设备的结构示意图。

具体实施方式

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，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1所示为本申请一实施例提供的一种肺炎病灶分割方法的流程示意图。如图1所示，该肺炎病灶分割方法，包括如下步骤：

步骤101：基于图像语义分割模型预测出阳性层面的医学影像数据上的病灶区域。

图像语义分割(Semantic Segmentation)模型是图像处理和是机器视觉技术中关于图像理解的重要一环，也是 AI 领域中一个重要的分支。语义分割即是对图像中每一个像素点进行分类，确定每个点的类别（如属于肺叶、病灶或其他部位等），从而实现区域划分。图像语义分割模型应用于肺炎病灶区域的分割，相比于实例分割模型，只区分像素点是否有病变，而不区分像素点所属的病灶实例。

如图2所示，图像语义分割模型通过如下训练步骤建立：

步骤201：将全部已标记或部分已标记的样本数据输入病灶分割模型，以获得病灶分割模型输出的预测结果。

已标记的样本数据可为现有的或从第三方获取的样本数据，这些样本数据已经包括标记。根据样本数据是否预先标记可实现如下几种训练方式：一、全监督，所有样本数据都有像素级人工标记；二、弱监督，所有人工标记都没有细化到像素级（如只有图像级或检测框级）；三、半监督，部分样本数据有像素级人工标记，其它无人工标记；四、半监督混合弱监督，部分样本数据有像素级人工标记，部分样本数据只有图像级或检测框级人工标记，可能还有部分样本数据无人工标记。用病灶分割模型在所有样本数据上推理一遍以得到预测结果。应当理解，这里提到的病灶分割模型是预先利用有人工标记的数据训练而建立的，从而具备了基于样本数据输出预测结果的能力。

步骤202：基于病灶检测模型预测的病灶检测框以及肺叶肺段分割模型预测出的肺部区域，从预测结果中筛除低级假阳区域以获得样本数据的伪标签。在本申请一实施例中，可在此时加入未标记的样本数据。

基于病灶检测模型预测的病灶检测框以及肺叶肺段分割模型预测出的肺部区域可筛除低级假阳区域，这样得到的预测结果可作为样本数据的伪标签。在本申请一实施例中，还可使用数据增强的技术提高伪标签的稳定性（即对输入图像做各种变换，推理多次取输出的平均值，例如：正常推理一次，左右翻转输入再推理一次，并将二者输出的平均值作为最终的预测，需要注意的是：由于这里输出的是分割结果，所以平均之前还需要将后者的输出先左右翻转回原位置）。

步骤203：复查伪标签，并对标记的样本数据进行标记以更新已标记的样本数据。

复查可采用人工复查的方式，也可采用机器复查的方式，以进一步筛查伪标签并查漏补缺得到新的已标记的样本数据。该新的已标记的样本数据会用于返回第一步并多次重复上述流程。理想情况下，模型预测的结果（伪标签）与训练该模型所使用的人工标记数据（真标签）的差别越来越小，且人工复查时（特别是对于新加入的数据）需要做出的修改越来越少。

由此可见，采用这种训练方式，可最大程度地利用有限的资源，除使用精细的人工标注了病灶区域的数据外（即全监督，标注与目标任务完全一致），还有效利用现有胸部CT分析系统所使用的训练数据（即弱监督，标注相比于目标任务不够精细）。以此训练一个两任务的全卷积图像语义分割模型。两个任务共享底层的特征表达，顶端使用各自的分类器。而在使用这个模型推理时，则只保留全监督任务的分类器。

步骤102：统计各平行层面的病灶面积，并结合各平行层面的病灶面积计算出病灶体积。

病灶可通过病灶征象来表征。病灶征象是从医学影像的层面上表征或反映病灶特征的数据形式。例如，针对新型冠状肺炎，目前医学影像上典型的征象就为磨玻璃影状。应当理解，基于医学影像可能会获取到多个征象的征象闭合轮廓，下面的描述过程其实是针对一个征象的征象闭合轮廓进行的处理过程。

在本申请一实施例中，如图3所示，病灶征象轮廓分布信息可通过如下步骤获取：

步骤301：基于医学影像获取病灶征象轮廓分布信息，其中，病灶征象轮廓分布信息包括多个二维坐标值。

在本申请一实施例中，病灶征象轮廓分布信息可基于图像语义分割模型结合病灶检测模型获取，也可基于实例分割模型获取，二维坐标值即为基于实例分割模型的输出结果获取的例如[[x1,y1], [x2,y2]…[xn,yn]]的分布轮廓数据,其中x,y分别为医学影像的横纵坐标轴数据。

步骤302：在医学影像的画布标签上上定位多个二维坐标值，连接多个二维坐标值获取病灶征象轮廓分布信息。

选取第一个征象的病灶征象轮廓分布信息，在医学影像的画布（canvas）标签上将第一坐标点x1,y1进行定位，并逐次连接坐标点，在最后形成闭合图形作为病灶征象轮廓分布信息。

基于病灶征象轮廓分布信息便可统计出病灶征象轮廓内的像素个数。然后可获取医学影像数据的像素间距和平行层面间距。像素间距（pixel spacing）为在医学影像数据上像素之间的距离，平行层面间距（slice spacing）则为二维的平行层面的医学影像数据在垂直方向上的间距，利用像素间距和平行层面间距即可计算出每个病灶在三维空间内的体积。基于病灶的病灶像素个数、像素间距和平行层面间距可计算病灶体积。具体而言，通过V_i=病灶像素个数*pixel spacing*pixel spacing*slice spacing的公式即可计算出每个病灶的体积V_i，i用来标记病灶。

图4所示为本申请另一实施例提供的一种肺炎病灶分割方法的流程示意图。如图4所示，在基于图像语义分割模型预测出阳性层面的医学影像数据上的病灶区域之前，该方法进一步包括：

步骤401：基于病灶检测模型从多个平行层面的医学影像数据中筛选出阳性层面的医学影像数据。

用病灶检测模型筛选出阳性层面的医学影像数据，可以跳过没有病灶检出的层面以减少后续计算过程的计算量。

此外，在统计各平行层面的病灶面积，并结合各平行层面的病灶面积计算出病灶体积之前，该方法进一步包括：

步骤402：基于病灶检测模型预测的病灶检测框以及肺叶肺段分割模型预测出的肺部区域从预测出的病灶区域中筛除低级假阳区域。

通过利用病灶检测模型预测的病灶检测框以及肺叶肺段分割模型预测出的肺部区域筛除低级假阳，可消除大部分的低级假阳，包括：其它类型的征象如结节、胸腔积液等，肺内异物如引流管等，以及肺外的低级假阳。

应当理解，在本申请的其他实施例中，根据不同应用场景的需求，该方法也可能仅包括步骤401或步骤402，本申请对此不做限定。

由此可见，本申请实施例提供的肺炎病灶分割方法，可与胸部CT分析系统（病灶检测模型+肺叶肺段分割模型）紧密结合，有效利用该胸部CT分析系统，在推理时降低计算量和筛查低级假阳。

图5所示为本申请另一实施例提供的一种肺炎病灶分割方法的流程示意图。如图5所示，在统计各平行层面的病灶面积，并结合各平行层面的病灶面积计算出病灶体积之后，该方法进一步包括：

步骤501：基于病灶体积，结合肺叶肺段分割模型预测出的肺叶肺段分割结果计算出病灶在各肺叶肺段的体积。

在计算出病灶体积后，可结合肺叶肺段分割模型预测出的肺叶肺段分割结果，以精确地计算出病灶在各肺叶肺段的体积，从而为医生有针对性地确定临床治疗方案提供更好的数据支撑。

图6所示为本申请一实施例提供的肺炎病灶分割装置的结构示意图。如图6所示，该一种肺炎病灶分割方法装置60包括：

分割模块601，配置为基于图像语义分割模型预测出阳性层面的医学影像数据上的病灶区域；

第一计算模块602，配置为统计各平行层面的病灶面积，并结合各平行层面的病灶面积计算出病灶体积；以及

训练模块603，配置为通过如下训练步骤建立图像语义分割模型：

将全部已标记或部分已标记的样本数据输入病灶分割模型，以获得病灶分割模型输出的预测结果；

基于病灶检测模型预测的病灶检测框以及肺叶肺段分割模型预测出的肺部区域，从预测结果中筛除低级假阳区域以获得样本数据的伪标签，并加入未标记的样本数据；以及

复查伪标签，并对标记的样本数据进行标记以更新已标记的样本数据。

在本申请一实施例中，如图7所示，肺炎病灶分割方法装置60进一步包括：

第一筛选模块604，配置为在基于图像语义分割模型预测出阳性层面的医学影像数据上的病灶区域之前，基于病灶检测模型从多个平行层面的医学影像数据中筛选出阳性层面的医学影像数据。

在本申请一实施例中，肺炎病灶分割方法装置60进一步包括：

第二筛选模块605，配置为在统计各平行层面的病灶面积，并结合各平行层面的病灶面积计算出病灶体积之前，基于病灶检测模型预测的病灶检测框以及肺叶肺段分割模型预测出的肺部区域从预测出的病灶区域中筛除低级假阳区域。

在本申请一实施例中，肺炎病灶分割方法装置60进一步包括：

第二计算模块606，配置为在统计各平行层面的病灶面积，并结合各平行层面的病灶面积计算出病灶体积之后，基于病灶体积，结合肺叶肺段分割模型预测出的肺叶肺段分割结果计算出病灶在各肺叶肺段的体积。

本申请实施例提供的一种肺炎病灶分割装置60，使用图像语义分割模型，以全监督与弱监督混合的方式训练，并可与胸部CT分析系统（病灶检测模型+肺叶肺段分割模型）紧密结合，有效利用该胸部CT分析系统，一方面在推理时降低计算量和筛查低级假阳，另一方面优化数据标注流程。

上述肺炎病灶分割装置60中的各个模块的具体功能和操作已经在上面参考图1到图5描述的肺炎病灶分割方法中进行了详细介绍。因此，这里将省略其重复描述。

需要说明的是，根据本申请实施例的肺炎病灶分割装置60可以作为一个软件模块和/或硬件模块而集成到电子设备60中，换言之，该电子设备60可以包括该肺炎病灶分割装置60。例如，该肺炎病灶分割装置60可以是该电子设备60的操作系统中的一个软件模块，或者可以是针对于其所开发的一个应用程序；当然，该肺炎病灶分割装置60同样可以是该电子设备60的众多硬件模块之一。

在本申请另一实施例中，该肺炎病灶分割装置60与该电子设备70也可以是分立的设备（例如，服务器），并且该肺炎病灶分割装置60可以通过有线和/或无线网络连接到该电子设备70，并且按照约定的数据格式来传输交互信息。

图8所示为本申请一实施例提供的电子设备的结构示意图。如图8所示，该电子设备80包括：一个或多个处理器801和存储器802；以及存储在存储器802中的计算机程序指令，计算机程序指令在被处理器801运行时使得处理器801执行如上述任一实施例的肺炎病灶分割方法。

处理器801可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。

存储器802可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器801可以运行程序指令，以实现上文的本申请的各个实施例的肺炎病灶分割方法中的步骤以及/或者其他期望的功能。在计算机可读存储介质中还可以存储诸如光线强度、补偿光强度、滤光片的位置等信息。

在一个示例中，电子设备80还可以包括：输入装置803和输出装置804，这些组件通过总线系统和/或其他形式的连接机构（图8中未示出）互连。

例如，在该电子设备是如工业生产线上的机器人时，该输入装置803可以是摄像头，用于捕捉待加工零件的位置。在该电子设备是单机设备时，该输入装置803可以是通信网络连接器，用于从外部的可移动设备接收所采集的输入信号。此外，该输入装置803还可以包括例如键盘、鼠标、麦克风等等。

该输出装置804可以向外部输出各种信息，例如可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图8中仅示出了该电子设备70中与本申请有关的组件中的一些，省略了诸如总线、输入装置/输出接口等组件。除此之外，根据具体应用情况，电子设备70还可以包括任何其他适当的组件。

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，包括计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行如上述任一实施例的肺炎病灶分割方法中的步骤。

计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性肺炎病灶分割方法”部分中描述的根据本申请各种实施例的肺炎病灶分割方法中的步骤。

计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。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。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种肺炎病灶分割方法，其特征在于，包括：

基于图像语义分割模型预测出阳性层面的医学影像数据上的病灶区域；以及

统计各平行层面的病灶面积，并结合所述各平行层面的病灶面积计算出病灶体积；

其中，所述图像语义分割模型通过如下训练步骤建立：

将全部已标记或部分已标记的样本数据输入病灶分割模型，以获得所述病灶分割模型输出的预测结果；

基于所述病灶检测模型预测的病灶检测框以及肺叶肺段分割模型预测出的肺部区域，从预测结果中筛除低级假阳区域以获得所述样本数据的伪标签，并加入未标记的样本数据；以及

复查所述伪标签，并对标记的样本数据进行标记以更新所述已标记的样本数据。

2.根据权利要求1所述的方法，其特征在于，在基于图像语义分割模型预测出所述阳性层面的医学影像数据上的病灶区域之前，进一步包括：

基于病灶检测模型从多个平行层面的医学影像数据中筛选出阳性层面的医学影像数据。

3.根据权利要求1所述的方法，其特征在于，在所述统计各平行层面的病灶面积，并结合所述各平行层面的病灶面积计算出病灶体积之前，进一步包括：

基于所述病灶检测模型预测的病灶检测框以及肺叶肺段分割模型预测出的肺部区域从预测出的病灶区域中筛除低级假阳区域。

4.根据权利要求1所述的方法，其特征在于，在所述统计各平行层面的病灶面积，并结合所述各平行层面的病灶面积计算出病灶体积之后，进一步包括：

基于所述病灶体积，结合所述肺叶肺段分割模型预测出的肺叶肺段分割结果计算出病灶在各肺叶肺段的体积。

5.一种肺炎病灶分割装置，其特征在于，包括：

分割模块，配置为基于图像语义分割模型预测出阳性层面的医学影像数据上的病灶区域；

第一计算模块，配置为统计各平行层面的病灶面积，并结合所述各平行层面的病灶面积计算出病灶体积；以及

训练模块，配置为通过如下训练步骤建立所述图像语义分割模型：

将全部已标记或部分已标记的样本数据输入病灶分割模型，以获得所述病灶分割模型输出的预测结果；

基于所述病灶检测模型预测的病灶检测框以及肺叶肺段分割模型预测出的肺部区域，从预测结果中筛除低级假阳区域以获得所述样本数据的伪标签，并加入未标记的样本数据；以及

复查所述伪标签，并对标记的样本数据进行标记以更新所述已标记的样本数据。

6.根据权利要求5所述的装置，其特征在于，进一步包括：

第一筛选模块，配置为在基于图像语义分割模型预测出所述阳性层面的医学影像数据上的病灶区域之前，基于病灶检测模型从多个平行层面的医学影像数据中筛选出阳性层面的医学影像数据。

7.根据权利要求5所述的装置，其特征在于，进一步包括：

第二筛选模块，配置为在所述统计各平行层面的病灶面积，并结合所述各平行层面的病灶面积计算出病灶体积之前，基于所述病灶检测模型预测的病灶检测框以及肺叶肺段分割模型预测出的肺部区域从预测出的病灶区域中筛除低级假阳区域。

8.根据权利要求5所述的装置，其特征在于，进一步包括：

第二计算模块，配置为在所述统计各平行层面的病灶面积，并结合所述各平行层面的病灶面积计算出病灶体积之后，基于所述病灶体积，结合所述肺叶肺段分割模型预测出的肺叶肺段分割结果计算出病灶在各肺叶肺段的体积。

9.一种电子设备，包括：

处理器；以及

存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1至4中任一所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1至4中任一所述的方法。

Images