CN112767403A - 医学影像分割模型训练方法、医学影像分割方法及装置 - Google Patents
医学影像分割模型训练方法、医学影像分割方法及装置 Download PDFInfo
- Publication number
- CN112767403A CN112767403A CN202110023646.1A CN202110023646A CN112767403A CN 112767403 A CN112767403 A CN 112767403A CN 202110023646 A CN202110023646 A CN 202110023646A CN 112767403 A CN112767403 A CN 112767403A
- Authority
- CN
- China
- Prior art keywords
- medical image
- segmentation model
- neural network
- image segmentation
- layer
- 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.)
- Pending
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 62
- 230000011218 segmentation Effects 0.000 claims abstract description 37
- 230000007246 mechanism Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 abstract description 15
- 238000003745 diagnosis Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 210000004072 lung Anatomy 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 6
- 238000011976 chest X-ray Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Abstract
本发明涉及一种医学影像分割模型训练方法、医学影像分割方法及装置，在获取先验医学影像，获得先验医学影像数据集，根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；进一步地，在神经网络分割模型的解码层中加入注意力机制，获得医学影像分割模型。基于此，通过医学影像分割模型对医学影像进行分割，降低医护工作的负担以利于提高医护工作的效率。
Description
技术领域
本发明涉及图像处理技术领域，特别是涉及一种医学影像分割模型训练方法、医学影像分割方法及装置。
背景技术
医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。一般地，医学影像包含以下两个相对独立的研究方向：医学成像系统和医学影像处理。其中，在医院成像系统完成了图像成像后，需要对图像进行进一步处理，以便于后续如医学诊断或数据加工等相关处理。
目前，传统的医学影像处理主要是针对图像特性本身的处理，例如对医学影像进行图像增强以便于医护人员观察或对医学影像进行数据压缩以便于跨域传输等。医学影像处理在图像层面上大大便利了医护工作的开展复杂度。但是，医学影像在成像过程中，由于人体个体差异天然导致大量客观干扰因素。以对肺部进行成像胸部X光为例，由于成像对象的个体差异，获取到的肺部图像大小不一，以现有的模板把肺部图像分割出来可能会由于个体差异导致分割不准确。由此可见，在完成医学影像成像后，后续对医学影像的分割仍存在以上的缺陷。
发明内容
基于此，有必要针对传统对医学影像的分割仍存在的缺陷，提供一种医学影像分割模型训练方法、医学影像分割方法及装置。
一种医学影像分割模型训练方法，包括步骤：
获取先验医学影像，以获得先验医学影像数据集；
根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；
在神经网络分割模型的解码层中加入注意力机制，获得医学影像分割模型。
上述的医学影像分割模型训练方法，在获取先验医学影像，获得先验医学影像数据集，根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；进一步地，在神经网络分割模型的解码层中加入注意力机制，获得医学影像分割模型。基于此，通过医学影像分割模型对医学影像进行分割，降低医护工作的负担以利于提高医护工作的效率。
在其中一个实施例中，在获取先验医学影像的过程之前，还包括步骤：
对先验医学影像进行图像预处理。
在其中一个实施例中，对先验医学影像进行图像预处理的过程，包括步骤：
对先验医学影像作图像旋转和图像翻转处理，以扩充先验医学影像数据集；
为图像旋转和图像翻转处理后的先验医学影像添加噪声扰动。
在其中一个实施例中，神经网络包括局部归一化层、多尺度卷积层、单尺度卷积单元层和分类层。
在其中一个实施例中，多尺度卷积层用于对局部归一化层输出的特征图作多尺度卷积操作；
多尺度卷积操作如下式：
其中，
为1*1卷积核，连接局部归一化层LRN的第j个输出特征图
与多尺度卷积层的第i个输出特征图fi 1*1，
为偏置，nLRN为LRN层输出特征图的个数，ReLU()为激活函数，fi 3*3、fi 5*5同理。
在其中一个实施例中，1*1卷积核的填充参数为0，3*3卷积核的填充参数为1，5*5卷积核的填充参数为2；
多尺度卷积层输出的特征图如下式：
fi Multi_Scale＝Concat(fi 1*1，fi 3*3，fi 5*5)。
在其中一个实施例中，注意力机制用于将区域检测网络提取的感兴趣区域作为注意力信息。
一种医学影像分割模型训练装置，包括：
数据集确定模块，用于获取先验医学影像，以获得先验医学影像数据集；
神经网络建立模块，用于根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；
模型确定模块，用于在神经网络分割模型的解码层中加入注意力机制，获得医学影像分割模型。
上述的医学影像分割模型训练装置，在获取先验医学影像，获得先验医学影像数据集，根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；进一步地，在神经网络分割模型的解码层中加入注意力机制，获得医学影像分割模型。基于此，通过医学影像分割模型对医学影像进行分割，降低医护工作的负担以利于提高医护工作的效率。
一种计算机存储介质，其上存储有计算机指令，计算机指令被处理器执行时实现上述任一实施例的医学影像分割模型训练方法。
上述的计算机存储介质，在获取先验医学影像，获得先验医学影像数据集，根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；进一步地，在神经网络分割模型的解码层中加入注意力机制，获得医学影像分割模型。基于此，通过医学影像分割模型对医学影像进行分割，降低医护工作的负担以利于提高医护工作的效率。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一实施例的医学影像分割模型训练方法。
上述的计算机设备，在获取先验医学影像，获得先验医学影像数据集，根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；进一步地，在神经网络分割模型的解码层中加入注意力机制，获得医学影像分割模型。基于此，通过医学影像分割模型对医学影像进行分割，降低医护工作的负担以利于提高医护工作的效率。
一种医学影像分割方法，包括步骤：
获取待处理医学影像；
通过医学影像分割模型对待处理医学影像作分割处理。
上述的医学影像分割方法，在获取到待处理医学影像，通过医学影像分割模型对待处理医学影像作分割处理，以得到分割后的医学影像，为医护人员的诊断去除干扰信息。基于此，通过医学影像分割模型对医学影像进行分割，降低医护工作的负担以利于提高医护工作的效率。
一种医学影像分割装置，包括：
影像获取模块，用于获取待处理医学影像；
影像分割模块，用于通过医学影像分割模型对待处理医学影像作分割处理。
上述的医学影像分割装置，在获取到待处理医学影像，通过医学影像分割模型对待处理医学影像作分割处理，以得到分割后的医学影像，为医护人员的诊断去除干扰信息。基于此，通过医学影像分割模型对医学影像进行分割，降低医护工作的负担以利于提高医护工作的效率。
一种计算机存储介质，其上存储有计算机指令，计算机指令被处理器执行时实现上述任一实施例的医学影像分割方法。
上述的计算机存储介质，在获取到待处理医学影像，通过医学影像分割模型对待处理医学影像作分割处理，以得到分割后的医学影像，为医护人员的诊断去除干扰信息。基于此，通过医学影像分割模型对医学影像进行分割，降低医护工作的负担以利于提高医护工作的效率。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一实施例的医学影像分割方法。
上述的计算机设备，在获取到待处理医学影像，通过医学影像分割模型对待处理医学影像作分割处理，以得到分割后的医学影像，为医护人员的诊断去除干扰信息。基于此，通过医学影像分割模型对医学影像进行分割，降低医护工作的负担以利于提高医护工作的效率。
附图说明
图1为一实施方式的医学影像分割模型训练方法流程图；
图2为另一实施方式的医学影像分割模型训练方法流程图；
图3为又一实施方式的医学影像分割模型训练方法流程图；
图4为一实施方式的U-Net神经网络结构特征图；
图5为一实施方式的多尺度卷积结构示意图；
图6为一实施方式的医学影像分割模型训练装置模块结构图；
图7为一实施方式的医学影像分割方法流程图；
图8为一实施方式的医学影像分割装置模块结构图。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果，以下结合附图和实施例对本发明进行进一步的讲解说明。同时声明，以下所描述的实施例仅用于解释本发明，并不用于限定本发明。
本发明实施例提供了一种医学影像分割模型训练方法。
图1为一实施方式的医学影像分割模型训练方法流程图，如图1所示，一实施方式的医学影像分割模型训练方法包括步骤S100至步骤S102：
S100，获取先验医学影像，以获得先验医学影像数据集；
在医护的开展过程中，存在医学影像，调用这部分存储的历史医学影像，即先验医院影像。其中，医学影像包括X光影像、CT影像或超声影像等。为了更好地解释本发明实施例的技术方案，以下以肺部的胸透X光片作为本实施例内的医学影像进行解释。
同时，确定的先验医学影像数据集包括多份先验医学影像，且先验医学影像数据集包括由先验医学影像构建的训练集和测试集。在其中一个实施例中，先验医学影像数据集包括chestX-ray数据集在内的多种数据集形式。
在其中一个实施例中，图2是另一实施方式的医学影像分割模型训练方法流程图，如图2所示，在步骤S100中获取先验医学影像的过程之前，还包括步骤S200：
S200，对先验医学影像进行图像预处理。
其中，通过对先验医学影像作图像预处理，以提高先验医学影像和先验分割影像的多样性，增加后续模型的泛化性能。其中，图像预处理包括旋转、平移、形变、加噪声等方式。
在其中一个实施例中，图3为又一实施方式的医学影像分割模型训练方法流程图，如图3所示，步骤S200中对先验医学影像进行图像预处理的过程，包括步骤S300和S301：
S300，对先验医学影像作图像旋转和图像翻转处理，以扩充先验医学影像数据集；
将先验医学影像以0°、90°、180°、270°为旋转轴旋转，再进行水平翻转、垂直翻转和镜像翻转，获取图像旋转和图像翻转处理后的各影像，以实现对先验医学影像数据集的扩充。
S301，为图像旋转和图像翻转处理后的先验医学影像添加噪声扰动。
其中，通过为先验医学影像添加噪声扰动，以抑制其高频特征、减弱其对医学影像分割模型的影响并提高该模型的学习能力。在其中一个实施例中，通过添加高斯噪声以随机的白色或者黑色像素点铺满整个先验医学影像，以实现噪声扰动添加处理。
S101，根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；
在确定先验医学影像数据集后，建立神经网络，训练出以神经网络为基础的神经网络分割模型。
在其中一个实施例中，神经网络包括深度神经网络在内的各种神经网络。作为一个较优的实施方式，神经网络包括U-Net神经网络。
图4为一实施方式的U-Net神经网络结构特征图，如图4所示，首先将先验医学影像(input image tile)进行3x3卷积和relu激活函数处理，用于特征提取。跳跃连接用于特征融合，其中copy ang crop的意思是将左边的特征图进行剪切，使其大小和右边的特征图一样，然后再进行融合；池化用于缩小特征图；上采样用于放大特征图；1x1卷积用于调整通道数，最后输出结果。左侧为特征提取部分，右侧为上采样部分，在这里每进行一次上采样就相当于和特征提取部分对应的通道数相同尺度融合，融合之前需要将特征图的大小按照左侧图中的虚线进行调整。
在其中一个实施例中，为使卷积操作在一定范围内具有尺度不变性，对神经网络内的卷积层进行改进，按照尺度的不同将卷积操作分为多个组，每个组有不同的尺度，多个尺度的卷积相互配合，从而能够提取输入的先验医学影像中包含的不同尺度的特征。
以肺部的胸透X光片作为本实施例内的医学影像为例，图5为一实施方式的多尺度卷积结构示意图，如图5所示，神经网络包括局部归一化层、多尺度卷积层、单尺度卷积单元层和分类层。
其中，多尺度卷积层用于对局部归一化层输出的特征图作多尺度卷积操作；
多尺度卷积操作如下式：
其中，
为1*1卷积核，连接局部归一化层LRN的第j个输出特征图
与多尺度卷积层的第i个输出特征图fi 1*1，
为偏置，nLRN为LRN层输出特征图的个数，ReLU()为激活函数，fi 3*3、fi 5*5同理。
在其中一个实施例中，为了使特征图fi 1*1、fi 3*3与fi 5*5大小相同，针对3种不同尺寸的卷积核分别设定填充参数pad:pad1*1＝0，pad:pad3*3＝1，pad:pad5*5＝2最后由Concat()将特征图fi 1*1、fi 3*3与fi 5*5连接，得到最终由多尺度卷积层输出的特征图fi Multi_Scale，该操作表示为：
fi Multi_Scale＝Concat(fi 1*1，fi 3*3，fi 5*5)
S102，在神经网络分割模型的解码层中加入注意力机制，获得医学影像分割模型。
其中，注意力机制用于将区域检测网络提取的感兴趣区域作为注意力信息。
由于医学图像如肺部胸透X光片在采集过程中的不确定性，如拍摄距离、角度以及拍摄姿势的不一致，医学图像数据集中常存在部分胸片体位不标准、缺乏满意的对比度和清晰度等问题，噪声信息较多的医学图像增加了医护人员的阅片难度，同样也不利于神经网络应用于医学图像训练。基于此本实施例引入注意力机制，利用区域检测网络提取的感兴趣区域作为注意力信息，使网络更专注于可能的病变区域，从而减少医学图像中噪声信息的干扰。
在其中一个实施例中，注意力机制用于对编码器的所有输出进行加权组合后输入到当前位置的解码器中来影响解码器的输出。通过对编码器的输出进行加权，在实现输入与输出的对齐的同时，还能利用更多的原始数据的上下文信息。
通过注意力机制的引入，使医生更关注医学影像中的目标区域如肺部区域本身，帮助医护人员提高诊断效率。
上述任一实施例的医学影像分割模型训练方法，在获取先验医学影像，获得先验医学影像数据集，根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；进一步地，在神经网络分割模型的解码层中加入注意力机制，获得医学影像分割模型。基于此，通过医学影像分割模型对医学影像进行分割，降低医护工作的负担以利于提高医护工作的效率。
本发明实施例还提供一种医学影像分割模型训练装置。
图6为一实施方式的医学影像分割模型训练装置模块结构图，如图6所示，一实施方式的医学影像分割模型训练装置包括模块100、模块101和模块102：
数据集确定模块100，用于获取先验医学影像，以获得先验医学影像数据集；
神经网络建立模块101，用于根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；
模型确定模块102，用于在神经网络分割模型的解码层中加入注意力机制，获得医学影像分割模型。
上述的医学影像分割模型训练装置，在获取先验医学影像，获得先验医学影像数据集，根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；进一步地，在神经网络分割模型的解码层中加入注意力机制，获得医学影像分割模型。基于此，通过医学影像分割模型对医学影像进行分割，降低医护工作的负担以利于提高医护工作的效率。
本发明实施例还提供了一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述任一实施例的医学影像分割模型训练方法。
本领域的技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、随机存取存储器(RAM，Random Access Memory)、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以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中，包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
与上述的计算机存储介质对应的是，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行程序时实现如上述各实施例中的任意一种医学影像分割模型训练方法。
上述计算机设备，在获取先验医学影像，获得先验医学影像数据集，根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；进一步地，在神经网络分割模型的解码层中加入注意力机制，获得医学影像分割模型。基于此，通过医学影像分割模型对医学影像进行分割，降低医护工作的负担以利于提高医护工作的效率。
本发明实施例还提供一种医学影像分割方法。
图7为一实施方式的医学影像分割方法流程图，如图7所示，一实施方式的医学影像处理方法包括步骤S400和步骤S401：
S400，获取待处理医学影像；
待处理医学影像包括医学影像设备采集的原始数据或未经相关医学、技术处理的原始数据。
S401，通过医学影像分割模型对待处理医学影像作分割处理。
通过训练好的医学影像分割模型采用测试集进行测试，分割待处理医学影像如肺部胸透X光片数据。
在其中一个实施例中，如图7所示，一实施方式的医学影像处理方法还包括步骤S500：
S500，根据处理结果调整神经网络分割模型的权值。
通过处理结果的反向传播，调整神经网络分割模型的权值，以进一步提高医学影像分割模型的处理精准性。
上述任一实施例的医学影像分割方法，在获取到待处理医学影像，通过医学影像分割模型对待处理医学影像作分割处理，以得到分割后的医学影像，为医护人员的诊断去除干扰信息。基于此，通过医学影像分割模型对医学影像进行分割，降低医护工作的负担以利于提高医护工作的效率。
本发明实施例提供了一种医学影像分割装置。
图8为一实施方式的医学影像分割装置模块结构图，如图8所示，一实施方式的医学影像分割装置包括模块200和模块201：
影像获取模块200，用于获取待处理医学影像；
影像分割模块201，用于通过医学影像分割模型对待处理医学影像作分割处理。
上述的医学影像分割装置，在获取到待处理医学影像，通过医学影像分割模型对待处理医学影像作分割处理，以得到分割后的医学影像，为医护人员的诊断去除干扰信息。基于此，通过医学影像分割模型对医学影像进行分割，降低医护工作的负担以利于提高医护工作的效率。
本发明实施例还提供了另一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述任一实施例的医学影像分割方法。
本领域的技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、随机存取存储器(RAM，Random Access Memory)、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以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中，包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
与上述的计算机存储介质对应的是，在一个实施例中还提供另一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行程序时实现如上述各实施例中的任意一种医学影像分割方法。
上述的计算机设备，在获取到待处理医学影像，通过医学影像分割模型对待处理医学影像作分割处理，以得到分割后的医学影像，为医护人员的诊断去除干扰信息。基于此，通过医学影像分割模型对医学影像进行分割，降低医护工作的负担以利于提高医护工作的效率。
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。
以上实施例仅表达了本发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种医学影像分割模型训练方法，其特征在于，包括步骤：
获取先验医学影像，以获得先验医学影像数据集；
根据所述先验医学影像数据集建立神经网络，以训练神经网络分割模型；
在所述神经网络分割模型的解码层中加入注意力机制，获得医学影像分割模型。
2.根据权利要求1所述的医学影像分割模型训练方法，其特征在于，在获取先验医学影像的过程之前，还包括步骤：
对所述先验医学影像进行图像预处理。
3.根据权利要求2所述的医学影像分割模型训练方法，其特征在于，所述对所述先验医学影像进行图像预处理的过程，包括步骤：
对所述先验医学影像作图像旋转和图像翻转处理，以扩充先验医学影像数据集；
为所述图像旋转和图像翻转处理后的先验医学影像添加噪声扰动。
4.根据权利要求1所述的医学影像分割模型训练方法，其特征在于，所述神经网络包括局部归一化层、多尺度卷积层、单尺度卷积单元层和分类层。
5.根据权利要求4所述的医学影像分割模型训练方法，其特征在于，所述多尺度卷积层用于对所述局部归一化层输出的特征图作多尺度卷积操作；
所述多尺度卷积操作如下式：
其中，
为1*1卷积核，连接局部归一化层LRN的第j个输出特征图
与多尺度卷积层的第i个输出特征图fi 1*1，
为偏置，nLRN为LRN层输出特征图的个数，ReLU()为激活函数，fi 3*3、fi 5*5同理。
6.根据权利要求5所述的医学影像分割模型训练方法，其特征在于，所述1*1卷积核的填充参数为0，3*3卷积核的填充参数为1，5*5卷积核的填充参数为2；
所述多尺度卷积层输出的特征图如下式：
fi Multi_Scale＝Concat(fi 1*1，fi 3*3，fi 5*5)。
7.根据权利要求1至6任意一项所述的医学影像分割模型训练方法，其特征在于，所述注意力机制用于将区域检测网络提取的感兴趣区域作为注意力信息。
8.一种医学影像分割模型训练装置，其特征在于，包括：
数据集确定模块，用于获取先验医学影像，以获得先验医学影像数据集；
神经网络建立模块，用于根据所述先验医学影像数据集建立神经网络，以训练神经网络分割模型；
模型确定模块，用于在所述神经网络分割模型的解码层中加入注意力机制，获得医学影像分割模型。
9.一种医学影像分割方法，其特征在于，包括步骤：
获取待处理医学影像；
通过医学影像分割模型对所述待处理医学影像作分割处理。
10.一种医学影像分割装置，其特征在于，包括：
影像获取模块，用于获取待处理医学影像；
影像分割模块，用于通过医学影像分割模型对所述待处理医学影像作分割处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110023646.1A CN112767403A (zh) | 2021-01-08 | 2021-01-08 | 医学影像分割模型训练方法、医学影像分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110023646.1A CN112767403A (zh) | 2021-01-08 | 2021-01-08 | 医学影像分割模型训练方法、医学影像分割方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112767403A true CN112767403A (zh) | 2021-05-07 |
Family
ID=75701020
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110023646.1A Pending CN112767403A (zh) | 2021-01-08 | 2021-01-08 | 医学影像分割模型训练方法、医学影像分割方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112767403A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113538464A (zh) * | 2021-07-22 | 2021-10-22 | 脑玺(苏州)智能科技有限公司 | 脑部影像分割模型训练方法、分割方法及装置 |
| CN113628187A (zh) * | 2021-08-09 | 2021-11-09 | 中南大学湘雅医院 | 一种自动化可迁移人工智能医学影像识别系统及识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110136147A (zh) * | 2019-05-21 | 2019-08-16 | 湖北工业大学 | 一种基于U-Net模型的分割医学图像的方法、装置及存储介质 |
| CN112150428A (zh) * | 2020-09-18 | 2020-12-29 | 青岛大学 | 一种基于深度学习的医学图像分割方法 |
-
2021
- 2021-01-08 CN CN202110023646.1A patent/CN112767403A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110136147A (zh) * | 2019-05-21 | 2019-08-16 | 湖北工业大学 | 一种基于U-Net模型的分割医学图像的方法、装置及存储介质 |
| CN112150428A (zh) * | 2020-09-18 | 2020-12-29 | 青岛大学 | 一种基于深度学习的医学图像分割方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113538464A (zh) * | 2021-07-22 | 2021-10-22 | 脑玺(苏州)智能科技有限公司 | 脑部影像分割模型训练方法、分割方法及装置 |
| CN113628187A (zh) * | 2021-08-09 | 2021-11-09 | 中南大学湘雅医院 | 一种自动化可迁移人工智能医学影像识别系统及识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sobhaninia et al. | Fetal ultrasound image segmentation for measuring biometric parameters using multi-task deep learning | |
| Lakshminarayanan et al. | Deep Learning-Based Hookworm Detection in Wireless Capsule Endoscopic Image Using AdaBoost Classifier. | |
| CN107886508B (zh) | 差分减影方法和医学图像处理方法及系统 | |
| CN110706246A (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
| US11896407B2 (en) | Medical imaging based on calibrated post contrast timing | |
| WO2021212693A1 (zh) | 一种融合Gabor小波的多尺度局部水平集超声图像分割方法 | |
| US11455720B2 (en) | Apparatus for ultrasound diagnosis of liver steatosis using feature points of ultrasound image and remote medical-diagnosis method using the same | |
| CN113989407B (zh) | Ct影像中肢体部位识别模型训练方法及系统 | |
| Lan et al. | Run: Residual u-net for computer-aided detection of pulmonary nodules without candidate selection | |
| Park et al. | Recent development of computer vision technology to improve capsule endoscopy | |
| CN112767403A (zh) | 医学影像分割模型训练方法、医学影像分割方法及装置 | |
| CN108038840B (zh) | 一种图像处理方法、装置、图像处理设备及存储介质 | |
| CN109003280B (zh) | 一种双通道血管内超声影像的血管中内膜分割方法 | |
| CN113012173A (zh) | 基于心脏mri的心脏分割模型和病理分类模型训练、心脏分割、病理分类方法及装置 | |
| CN111951215A (zh) | 一种图像检测方法、装置及计算机可读存储介质 | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| Huang et al. | Bone feature segmentation in ultrasound spine image with robustness to speckle and regular occlusion noise | |
| Zhao et al. | Automatic Cobb angle measurement method based on vertebra segmentation by deep learning | |
| EP3608872B1 (en) | Image segmentation method and system | |
| Wong et al. | Convolutional neural network to segment laminae on 3d ultrasound spinal images to assist cobb angle measurement | |
| Perez-Gonzalez et al. | Deep learning spatial compounding from multiple fetal head ultrasound acquisitions | |
| WO2021032325A1 (en) | Updating boundary segmentations | |
| CN111681233A (zh) | 基于深度神经网络的us-ct图像分割方法、系统及设备 | |
| CN112766332A (zh) | 医学影像检测模型训练方法、医学影像检测方法及装置 | |
| CN113222985B (zh) | 一种图像处理方法、装置、计算机设备和介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210507 |