CN113159040B - 医学图像分割模型的生成方法及装置、系统 - Google Patents
医学图像分割模型的生成方法及装置、系统 Download PDFInfo
- Publication number
- CN113159040B CN113159040B CN202110264718.1A CN202110264718A CN113159040B CN 113159040 B CN113159040 B CN 113159040B CN 202110264718 A CN202110264718 A CN 202110264718A CN 113159040 B CN113159040 B CN 113159040B
- Authority
- CN
- China
- Prior art keywords
- medical image
- training
- segmentation model
- image segmentation
- data
- 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.)
- Active
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 title claims abstract description 121
- 238000012549 training Methods 0.000 claims abstract description 159
- 238000012545 processing Methods 0.000 claims abstract description 91
- 230000000694 effects Effects 0.000 claims abstract description 72
- 238000003062 neural network model Methods 0.000 claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims description 55
- 230000008569 process Effects 0.000 claims description 26
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 19
- 210000000056 organ Anatomy 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 230000005489 elastic deformation Effects 0.000 claims description 7
- 238000001959 radiotherapy Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 22
- 238000013135 deep learning Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 210000000920 organ at risk Anatomy 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 210000001508 eye Anatomy 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000000113 differential scanning calorimetry Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种医学图像分割模型的生成方法及装置、系统。其中，该方法包括：获取训练医学图像分割模型的数据集，其中，数据集包括：医学图像，以及医学图像对应的标签；将数据集输入至神经网络模型进行训练，得到训练完成的医学图像分割模型；对训练完成的医学图像分割模型的效果进行评估，依据评估结果生成目标医学图像分割模型；将目标医学图像分割模型部署在医学图像处理平台，以实现对待分割的医学图像进行分割处理。本申请解决了在医学图像处理领域，用于实现医学图像分割的机器学习模型实现难度较大，导致医学影像处理效果较差，无法适应复杂的实际场景的技术问题。
Description
技术领域
本申请涉及图像处理领域，具体而言，涉及一种医学图像分割模型的生成方法及装置、系统。
背景技术
在计算机中，图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，为定量、定性分析提供基础。医学影像分割属于图像分割方法的一个子领域，图像分割在医疗影像中有很多的应用。自动的图像分割能帮助医生确定感兴趣器官、病变肿瘤的边界，从而依据相关统计信息进行诊断和治疗，还能定量评价治疗前后的效果。例如在放疗中，医生需要花费大量的时间确定危及器官(OAR)和癌变区域的边界，从而进行后续的放疗计划设计，来达到减少危及器官放射剂量的目标。在医学影像中，存在多种图像模态，如MRI、CT、PET、超声等，每一种模态都反映了部分人体的生理和物理特性，通常图像分割也会结合多个图像模态的信息，进行分析，得到最佳的结果。
在进行医学影像的图像分割中，会面临大量与自然图像不同的特征，如模糊、图像密度不均匀、病人个体差异大，还有部分影像会存在伪影和噪声，以及部分病变存在边缘不明确，这些都会对分割的结果造成很大的影响。有很多的学者都对医学影像进行了研究，也提出了很多分割的方法，但由于上述存在的问题，一些传统的图像分割算法的精度都没有能够达到令人满意的结果。
传统的图像处理技术中的一个重要部分是进行图像特征的提取，特征提取算法通常都非常复杂，而且会局限于具体的应用，并且在面临不同的图像时会不够稳定，这些都限制着图像处理技术的发展。深度学习的出现，使端到端的图像处理成为可能，在深度学习训练的过程中，通过数据驱动的方法来更新模型的参数，从而能达到自动提取特征，这种通过大量数据训练得到的特征提取，已经在多个领域中被验证会比传统图像处理算法达到更优的效果。在深度学习领域中，目前主要包含有卷积神经网络(Convolutional NeuralNetwork)、递归神经网络(Recurrent Neural Network)，这些模型在图像识别、语音识别领域取得了巨大的成功。而由于卷积神经网络在进行图像处理时，具有优良的特征提取能力和良好的特征表达能力，其在医学影像领域如分割、辅助诊断中都得到广泛的应用。
在使用卷积神经网络进行医学影像分析时，用户需要通过使用一些深度学习框架如Tensorflow、Pytorch等自己进行编程实现，这需要用户同时具备计算机的专业知识，以及医学相关的专业知识，这大大提高了模型开发的难度。
针对在医学图像处理领域，用于实现医学图像分割的机器学习模型实现难度较大，导致医学影像处理效果较差，无法适应复杂的实际场景的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种医学图像分割模型的生成方法及装置、系统，来解决在医学图像处理领域，用于实现医学图像分割的机器学习模型实现难度较大，导致医学影像处理效果较差，无法适应复杂的实际场景的技术问题。
根据本申请实施例的一个方面，提供了一种医学图像分割模型的生成方法，包括：获取训练医学图像分割模型的数据集，其中，数据集包括：医学图像，以及医学图像对应的标签；将数据集输入至神经网络模型进行训练，得到训练完成的医学图像分割模型；对训练完成的医学图像分割模型的效果进行评估，依据评估结果生成目标医学图像分割模型；将目标医学图像分割模型部署在医学图像处理平台，以实现对待分割的医学图像进行分割处理。
可选地，将数据集输入至神经网络模型进行训练之前，上述方法还包括：通过对标签中的器官命名进行修正的方式对数据集进行清洗处理，得到清洗之后的数据集；将清洗之后的数据集划分为如下三部分数据：验证数据、训练数据以及测试数据，其中，训练数据用于训练医学图像分割模型，验证数据用于在训练过程中监测医学图像分割模型的训练效果，测试数据用于评价训练完成的医学图像分割模型。
可选地，将清洗之后的数据集划分之后，上述方法还包括：对训练数据进行标准化处理，得到标准化处理之后的训练数据；对标准化处理之后的训练数据进行数据采样，得到采样数据；对采样数据进行数据增强处理，得到增强处理之后的训练数据。
可选地，对训练数据进行标准化处理，包括：将医学图像的方向矩阵归一化为单位矩阵；将医学图像的体素间距在X轴、Y轴和Z轴方向分别归一化为预设长度；对医学图像的像素值进行归一化处理。
可选地，对标准化处理之后的训练数据进行数据采样，包括：基于均匀采样法和标签平衡采样法对标准化处理之后的训练数据进行数据采样。
可选地，基于均匀采样法对标准化处理之后的训练数据进行数据采样，包括：从标准化处理之后的训练数据中随机选择一张医学图像；在随机选择的医学图像中随机截取多个大小相同的区域；将随机截取的多个大小相同的区域与其对应的标签作为采样数据。
可选地，基于标签平衡采样法对标准化处理之后的训练数据进行数据采样，包括：统计标准化处理之后的训练数据中每张医学图像中各类标签的分布比例；依据分布比例进行标签平衡采样。
可选地，对采样数据进行数据增强处理，包括：通过如下至少之一方法对采样数据中的医学图像进行变换：翻转、尺度缩放、旋转、随机噪声、弹性形变。
可选地，将数据集输入至神经网络模型进行训练，包括：建立神经网络模型；将增强处理之后的训练数据输入至神经网络模型进行训练；在训练过程中，利用学习率和损失函数对神经网络模型的参数进行优化，其中，学习率用于控制神经网络模型的参数的更新幅度。
可选地，对训练完成的医学图像分割模型的效果进行评估，包括：利用模型预测输出结果和金标准之间的Dice系数或者Hausdorff距离对训练完成的医学图像分割模型的效果进行评估，其中，模型预测输出结果是利用训练完成的医学图像分割模型对待分割医学图像进行分割处理，得到的结果；金标准是对待分割医学图像进行分割处理的标准分割结果。
可选地，对训练完成的医学图像分割模型的效果进行评估，还包括：依次遍历单个病例中每个切片图像对应的Dice系数，得到单个病例的Dice系数列表，并将Dice系数列表按照每个切片图像的序号进行排列；将Dice系数列表转换成折线图，并将金标准的初始层切片图像和结束层切片图像的序号在折线图上以虚线表示；利用折线图对训练完成的医学图像分割模型的效果进行评估。
可选地，对训练完成的医学图像分割模型的效果进行评估，还包括：依次遍历多个病例中每个病例的每个切片图像对应的Dice系数，得到每个病例的Dice系数列表，并确定每个病例的初始层切片图像和结束层切片图像的序号；将每个病例的Dice系数列表对应的每个切片图像的序号减去该病例的初始层切片图像序号，再除以该病例的初始层切片图像序号和结束层切片图像序号之差，得到每个病例的Dice系数归一化相对位置列表；确定与每个病例的Dice系数归一化相对位置列表对应的直方图；依据直方图对训练完成的医学图像分割模型的效果进行评估。
可选地，将目标医学图像分割模型部署在医学图像处理平台，包括：将目标医学图像分割模型及对应的配置文件打包成预设格式的文件；对预设格式的文件进行加密；将加密之后的预设格式的文件加载至医学图像处理平台。
根据本申请实施例的另一方面，还提供了一种医学图像分割模型的生成装置，包括：获取模块，用于获取训练医学图像分割模型的数据集，其中，数据集包括：医学图像，以及医学图像对应的标签；训练模块，用于将数据集输入至神经网络模型进行训练，得到训练完成的医学图像分割模型；评估模块，用于对训练完成的医学图像分割模型的效果进行评估，依据评估结果生成目标医学图像分割模型；部署应用模块，用于将目标医学图像分割模型部署在医学图像处理平台，以实现对待分割的医学图像进行分割处理。
根据本申请实施例的另一方面，还提供了一种医学图像分割模型的生成系统，包括：交互设备以及处理器，其中，交互设备，用于获取待处理的医学图像；处理器，与交互设备通信，用于获取训练医学图像分割模型的数据集，其中，数据集包括：医学图像，以及医学图像对应的标签；将数据集输入至神经网络模型进行训练，得到训练完成的医学图像分割模型；对训练完成的医学图像分割模型的效果进行评估，依据评估结果生成目标医学图像分割模型；将目标医学图像分割模型部署在医学图像处理平台，以实现对待分割的医学图像进行分割处理。
根据本申请实施例的再一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行以上的医学图像分割模型的生成方法。
根据本申请实施例的再一方面，还提供了一种处理器，处理器用于运行存储在存储器中的程序，其中，程序运行时执行以上的医学图像分割模型的生成方法。
在本申请实施例中，采用获取训练医学图像分割模型的数据集，其中，数据集包括：医学图像，以及医学图像对应的标签；将数据集输入至神经网络模型进行训练，得到训练完成的医学图像分割模型；对训练完成的医学图像分割模型的效果进行评估，依据评估结果生成目标医学图像分割模型；将目标医学图像分割模型部署在医学图像处理平台，以实现对待分割的医学图像进行分割处理，通过使用深度学习方法进行医学影像的处理，并且提供模型训练到部署的全流程能力，评估完模型后，可以直接部署到工作流中使用，从而实现了加速用于医学图像分割的机器学习模型的开发时间，提升了医学图像的处理效果的技术效果，进而解决了在医学图像处理领域，用于实现医学图像分割的机器学习模型实现难度较大，导致医学影像处理效果较差，无法适应复杂的实际场景技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种医学图像分割模型的生成方法的流程图；
图2a是根据本申请实施例的一种基于均匀采样法对训练数据进行数据采样的示意图；
图2b是根据本申请实施例的一种基于标签平衡采样法对训练数据进行数据采样的示意图；
图3a是根据本申请实施例的一种通过翻转方法实现数据增强的示意图；
图3b是根据本申请实施例的一种通过尺度缩放方法实现数据增强的示意图；
图3c是根据本申请实施例的一种通过旋转方法实现数据增强的示意图；
图3d是根据本申请实施例的一种通过添加随机噪声的方法实现数据增强的示意图；
图3e是根据本申请实施例的一种通过弹性形变方法实现数据增强的示意图；
图4a是根据本申请实施例的一种利用Dice系数评价模型在实际数据上的效果的示意图；
图4b是根据本申请实施例的一种利用Hausdorff距离评价模型在实际数据上的效果的示意图；
图5是根据本申请实施例的一种医学图像分割模型的生成装置的结构框图；
图6是根据本申请实施例的一种医学图像分割模型的生成系统的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
DICOM：Digital Imaging and Communications in Medicine，即医学数字成像和通信，是医学图像和相关信息的国际标准，它定义了质量能满足临床需要的可用于数据交换的医学图像格式。
根据本申请实施例，提供了一种医学图像分割模型的生成方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的一种医学图像分割模型的生成方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取训练医学图像分割模型的数据集，其中，数据集包括：医学图像，以及医学图像对应的标签；
在背景技术中提到，在使用卷积神经网络进行医学影像分析时，用户需要通过使用一些深度学习框架如Tensorflow、Pytorch等自己进行编程实现，这需要用户同时具备计算机的专业知识，以及医学相关的专业知识，这大大提高了模型开发的难度。
针对该问题，本发明提出了一个基于深度学习进行医学影像分割的训练平台(该平台用于训练进行医学影像分割的机器学习模型)，在该训练平台中提供了从数据输入到模型部署的完整流程。提供了基于全卷积神经网络的一些经典研究的实现，比如Unet、Vnet等，同时也可以自定义模型，用户可以在平台中根据使用场景自主训练模型，并且在平台中提供直接部署到工作流程的能力，方便用户使用。
在本申请提供的实施例中，数据集被定义为一组图像以及对应标注的集合。比如一组CT的Dicom图像以及对应的标注文件(RTStructure)就组成了一个数据集，还可以根据应用场景去自定义一些数据集，支持Dicom形式的数据。
步骤S104，将数据集输入至神经网络模型进行训练，得到训练完成的医学图像分割模型；
步骤S106，对训练完成的医学图像分割模型的效果进行评估，依据评估结果生成目标医学图像分割模型；
步骤S108，将目标医学图像分割模型部署在医学图像处理平台，以实现对待分割的医学图像进行分割处理；
根据本申请的一个可选的实施例，上述待分割的医学图像包括但不限于MRI、CT、PET、超声等。
根据本申请的一个可选的实施例，步骤S108执行完成之后，将待分割的医学图像输入至目标医学图像分割模型进行分割处理，得到分割后的医学图像；对分割后的医学图像进行分析，以确定目标信息。
需要说明的是，上述目标信息可以为肿瘤信息，肿瘤大小或者位置等信息。
通过上述步骤，通过使用深度学习方法进行医学影像的处理，并且提供模型训练到部署的全流程能力，训练好的图像分割模型可以直接部署到工作流中使用，从而实现了加速用于医学图像分割的机器学习模型的开发时间，提升了医学图像的处理效果的技术效果。
根据本申请的另一个可选的实施例，将数据集输入至神经网络模型进行训练之前，通过对标签中的器官命名进行修正的方式对数据集进行清洗处理，得到清洗之后的数据集；将清洗之后的数据集划分为如下三部分数据：验证数据、训练数据以及测试数据，其中，训练数据用于训练医学图像分割模型，验证数据用于在训练过程中监测医学图像分割模型的训练效果，测试数据用于评价训练完成的医学图像分割模型。
在实际场景中产生的数据，通常会包含大量的错误、不一致、缺失等等问题，这些都会对模型效果产生不好的影响，因此，在实际开始训练前，应该把控数据质量，对数据进行清洗，得到高质量的训练数据。目前在本申请实施例中，主要针对放疗场景，在放疗中，存在的一个主要数据问题是医生对于危及器官和靶区等的命名经常会出现不一致的情况，如眼球可能会被命名为Eye、EYE(大小写不一致)、Ene(单词错误)，针对这个问题，在训练模型之前对命名进行修正、聚合，可以将实际是同一个器官但只是名称不同的数据进行修正。
在实际数据中，数据之间会存在巨大的差异，比如在CT数据中，在图像方面可能存在不同的层厚、体素间距、不同的扫描机器，在病人方面，会存在不同的年龄、性别、胖瘦等等，这些都可能会对模型的训练以及实际使用造成影响。针对每个数据集进行统计分析，可以帮助用户更好的了解训练数据，更清楚的理解模型的适用场景和条件。
在构建了一个完整高质量的数据集后，就可以开始模型的训练，在训练之前，需要将数据集划分为3个部分，验证数据、训练数据、测试数据，训练数据用于实际的模型训练，验证数据可以用于对模型进行参数的调整，以及在训练过程中对于训练效果的监测，测试数据用于最后的效果评价。
在本申请提供的实施例中，支持随机按比例划分数据集和自主选择病例的方式进行划分。如果选择的测试集过少，可能会产生模型评价效果波动较大，不能确认模型效果会在实际场景中效果也很好。
在本申请的一些可选的实施例中，将清洗之后的数据集划分之后，对训练数据进行标准化处理，得到标准化处理之后的训练数据；对标准化处理之后的训练数据进行数据采样，得到采样数据；对采样数据进行数据增强处理，得到增强处理之后的训练数据。
训练之前需要对数据集进行划分，划分完成后在训练过程中还需要对数据进行预处理、采样以及增强。
根据本申请的一个可选的实施例，对训练数据进行标准化处理，通过以下方法实现：将医学图像的方向矩阵归一化为单位矩阵；将医学图像的体素间距在X轴、Y轴和Z轴方向分别归一化为预设长度；对医学图像的像素值进行归一化处理。
在建立的数据中，图像层面可能会存在较大的差异性，比如层厚不一致、体素间距不一致、病人体位方向不一致，这些都会对模型训练效果产生影响，因此在模型训练之前，会对数据的这些因素进行标准化，具体来说，对于Dicom数据，将图像的方向矩阵(ImageOrientation of Patient)归一化为单位阵。对于体素间距，会将X、Y方向用线性插值归一化到1mm×1mm，而对于Z方向，在训练二维的分割模型时，不做处理，在训练三维模型时，也会归一化到1mm。
在深度学习中，通常还会对输入图像的像素值进行归一化，在本申请提供的实施例中，采用基于数据训练来自动调整归一化的参数来进行，无需用户手动设置。
根据本申请的另一个可选的实施例，对标准化处理之后的训练数据进行数据采样，包括：基于均匀采样法和标签平衡采样法对标准化处理之后的训练数据进行数据采样。
在深度学习模型的训练中，通常会采用批次训练的方法，即每次只使用一小部分的训练数据输入到模型中，进行一步步优化，这个过程不断的迭代进行，直至模型最终训练完成。本申请实施例也采用批次训练，每次从所有的训练数据中采样一小部分数据，目前支持均匀采样和基于标签平衡的采样的两种采样方法。
根据本申请的一个可选的实施例，基于均匀采样法对标准化处理之后的训练数据进行数据采样，通过以下方法实现：从标准化处理之后的训练数据中随机选择一张医学图像；在随机选择的医学图像中随机截取多个大小相同的区域；将随机截取的多个大小相同的区域与其对应的标签作为采样数据。
图2a是根据本申请实施例的一种基于均匀采样法对训练数据进行数据采样的示意图，如图2a所示，对于数据集中的所有图像，先随机选择一张图像，然后随机在图像截取一个大小相同的窗口，和对应的标签，输入到模型当中。
根据本申请的另一个可选的实施例，基于标签平衡采样法对标准化处理之后的训练数据进行数据采样，包括：统计标准化处理之后的训练数据中每张医学图像中各类标签的分布比例；依据分布比例进行标签平衡采样。
图2b是根据本申请实施例的一种基于标签平衡采样法对训练数据进行数据采样的示意图，如图2b所示，基于标签平衡的采样是为了解决在实际数据中，不同的分割目标的体积可能存在较大差异，某些器官只占整个图像的极小部分，如下图中的脊髓。
当采用均匀采样法时，会造成背景像素比例远远超过前景像素，这就是机器学习中的类别不均衡问题，会导致模型训练后对于小的分割目标无法识别等问题。基于标签平衡的采样方法来解决此类问题，这种方法将采样分为两步，第一步会统计每一张图片或每一个病人中各类标签的分布比例，第二步会根据标签分布的比例，来进行标签平衡的采样，使最后进入到模型中训练的数据保持类别上的均衡。
根据本申请的另一个可选的实施例，对采样数据进行数据增强处理，包括：通过如下至少之一方法对采样数据中的医学图像进行变换：翻转、尺度缩放、旋转、随机噪声、弹性形变。
训练一个高精度的深度学习模型需要大量的数据，而在实际中，标注需要消耗很大的人力物力，而数据增强是可以部分解决数据规模的一个有效手段。数据增强是指利用计算机视觉的一些方法对图像进行变换，来模拟实际数据中的多样性的方法。支持翻转、尺度缩放、旋转、随机噪声、弹性形变等方法。
图3a是根据本申请实施例的一种通过翻转方法实现数据增强的示意图，如图3a所示，三幅图依次为原始图像、水平翻转图像以及垂直翻转图像。
图3b是根据本申请实施例的一种通过尺度缩放方法实现数据增强的示意图，如图3b所示，依次为原始图像、放大图像以及缩小图像。
图3c是根据本申请实施例的一种通过旋转方法实现数据增强的示意图，如图3c所示，依次为原始图像、旋转30°的图像、旋转-30°的图像。
图3d是根据本申请实施例的一种通过添加随机噪声的方法实现数据增强的示意图，如图3d所示，依次为原始图像、添加高斯噪声后的图像、添加Rician噪声(也称为赖斯噪声)后的图像。
图3e是根据本申请实施例的一种通过弹性形变方法实现数据增强的示意图，如图3e所示，依次为原始图像、弹性变形后的图像。
在本申请的一些可选的实施例中，将数据集输入至神经网络模型进行训练，包括：建立神经网络模型；将增强处理之后的训练数据输入至神经网络模型进行训练；在训练过程中，利用学习率和损失函数对神经网络模型的参数进行优化，其中，学习率用于控制神经网络模型的参数的更新幅度。
需要说明的是，上述神经网络模型为全卷积神经网络模型，并且都同时支持二维和三维的输入及输出。具体的支持的模型如下：
1)Unet
Unet是2015年提出的一种全卷积神经网络模型，目前在多种图像领域的分割中取得了很好的效果，Unet通过对FCN进行改进，在不同的网络层中采用多个跳跃结构、以及通过上采样进行特征层的合并，能够在很少的参数和训练数据下得到精确的分割结果。
2)Vnet
Vnet也是一种全卷积神经网络的结构，在整体结构上和Unet类似，不同点在于Vnet在每一层中还引入的残差结构，以及用卷积代替池化等操作。
在定义好模型之后，使用对应的优化方法对模型的参数进行不断迭代，提升模型的效果，在深度学习模型训练中，影响优化的参数主要包含学习率、损失函数，下面分别对这两种方法进行介绍。
学习率策略
在模型训练中，由于采用批次训练，因此每次模型的输入只是部分数据，那么每次更新模型参数时，就只会更新一小步，而学习率控制着更新的步幅大小，过大的学习率会导致模型更新过快，无法适应整个数据集，而太小的学习率会使训练变慢，或者模型陷入局部的最优点，因此学习率在模型训练中有着重要的作用。在训练医学影像分割模型时，学习率设置为0.001到0.0001区间，也可以根据实际情况进行调整。同时，由于深度学习模型的优化是一个复杂的过程，还在训练过程中对学习率进行动态的调整，以达到最佳的优化效果，动态调整方法，如WarmUp、PieceWiseConstant、PolynomialDecayCycle、CosineDecayRestarts、ExponentialDecay等方法。
损失函数
在本发明中，支持多种最新的损失函数定义方法，如Dice Loss、Cross Entropy、Exponential Logarithmic Loss、Dice Focal Loss、Generalised Dice Loss、Tversky。
需要说明的是，本申请实施例中用于训练医学图像分割模型的神经网络模型除上述Unet模型以及Vnet模型，还可以包括其他神经网络模型。
在本申请的一些可选的实施例中，对训练完成的医学图像分割模型的效果进行评估，通过以下方法实现：利用模型预测输出结果和金标准之间的Dice系数或者Hausdorff距离对训练完成的医学图像分割模型的效果进行评估，其中，模型预测输出结果是利用训练完成的医学图像分割模型对待分割医学图像进行分割处理，得到的结果；金标准是对待分割医学图像进行分割处理的标准分割结果。
在模型训练完成后，需要对模型在实际数据上的效果进行评价，本申请提供的实施例中，利用Dice系数和hausdorff距离作为模型在实际数据上的效果的评价指标。
图4a是根据本申请实施例的一种利用Dice系数评价模型在实际数据上的效果的示意图，Dice系数是一种集合相似度的度量函数，可以用于计算两个样本的相似度，其具体含义如图4a所示，dice系数表示X样本集合和Y样本集合重叠区域的面积和所有区域面积的比值。
在图4a中，X样本集合为利用训练完成的医学图像分割模型对待分割医学图像进行分割处理得到的分割后的医学图像，Y样本集合为对待分割医学图像进行分割处理的标准分割结果。
图4b是根据本申请实施例的一种利用Hausdorff距离评价模型在实际数据上的效果的示意图，Hausdorff距离可以度量形状相似度，能够对Dice系数做出较好的补充，Hausdorff距离表示一个点集到另一个点集的最短距离的最大值。
需要说明的是，还可以利用其它方法评价模型在实际数据上的效果，例如，利用余弦相似度、皮尔森相关系数以及Jaccard相似系数作为模型在实际数据上的效果的评价指标。
根据本申请的一个可选的实施例，利用公开的CT数据集和MRI数据集验证通过本申请实施例提供的方法训练完成的医学图像分割模型的实际效果，结果如下：
选择公开数据集CHAOS进行实验，该数据集包含40例CT数据，其中20例用来训练，20例用来测试，数据集中的目标器官为肝脏，最终训练完成的医学图像分割模型达到的平均Dice值为0.9668。
选择公开数据集RT-MAC进行试验，该数据集包含55例T2-weighted MRI数据，其中31例用来训练，24例用来测试，数据集中包含8个器官Parotid_L,Parotid_R,Glnd_Submand_L,Glnd_Submand_R,LN_Neck_II_L,LN_Neck_II_R,LN_Neck_III_Land LN_Neck_III_R，最终训练完成的医学图像分割模型达到的平均Dice值为0.7502。
根据本申请的一个可选的实施例，对训练完成的医学图像分割模型的效果进行评估，还可以通过以下方法实现：依次遍历单个病例中每个切片图像对应的Dice系数，得到单个病例的Dice系数列表，并将Dice系数列表按照每个切片图像的序号进行排列；将Dice系数列表转换成折线图，并将金标准的初始层切片图像和结束层切片图像的序号在折线图上以虚线表示；利用折线图对训练完成的医学图像分割模型的效果进行评估。
上述方法通过对单个病人的单个ROI(感兴趣区域，即病变区域)的DSC-2D(Dice系数的评估结果)进行分析，比较模型预测输出P和金标准G之间的差异。包括以下步骤：
1.依次遍历病例的轴状面上的每个切片，计算每个切片上P和G的DSC指标，若该切片上的P和G均为空，则忽略该切片，计算得到DSC列表，并按照切片序号排序。
2.记录G的ROI开始层和结束层切片序号。
3.将DSC列表画成折线图。
4.将开始层和结束层所对应的切片序号在折线图上以虚线表示。
根据本申请另一个可选的实施例，对训练完成的医学图像分割模型的效果进行评估，还可以通过以下方法实现：依次遍历多个病例中每个病例的每个切片图像对应的Dice系数，得到每个病例的Dice系数列表，并确定每个病例的初始层切片图像和结束层切片图像的序号；将每个病例的Dice系数列表对应的每个切片图像的序号减去该病例的初始层切片图像序号，再除以该病例的初始层切片图像序号和结束层切片图像序号之差，得到每个病例的Dice系数归一化相对位置列表；确定与每个病例的Dice系数归一化相对位置列表对应的直方图；依据直方图对训练完成的医学图像分割模型的效果进行评估。
上述方法通过对多个病人的ROI的DSC-2D进行分析，比较模型预测输出P和金标准G之间的差异。包括以下步骤：
1.对于数据集中的每一个病例，先按照对单个病人的单个ROI的DSC-2D进行分析的步骤计算完毕，得到每个病例的DSC列表和每个病例各自的开始层和结束层序号。
2.单个病例的DSC列表的对应切片序号减去该病例的开始层序号，除以开始层和结束层序号之差，得到单个病例的归一化的切片相对位置列表，与DSC列表相对应。对每个病例都进行以上计算，并记录为DSC归一化相对位置统计表。
3.对于DSC归一化相对位置统计表，首先计算所有切片的DSC的中位数(也可以定义为其他数值)，对于大于中位数的部分，按照归一化相对位置从0到1进行直方图统计，画出直方图。同样，对于小于中位数的部分也画出直方图。
在本申请的一些可选的实施例中，步骤S108通过以下方法实现：将目标医学图像分割模型及对应的配置文件打包成预设格式的文件；对预设格式的文件进行加密；将加密之后的预设格式的文件加载至医学图像处理平台。
在本步骤中，将训练好的医学图像分割模型和相应的配置文件打包成预设标准格式的文件，并对打包好的文件进行加密处理，可以对用户训练好的医学图像分割模型起到很好的保护作用。
将训练好的医学图像分割模型打包，加密之后可直接部署在医学图像处理平台，医护人员可直接调用训练好的医学图像分割模型进行应用。
本申请实施例提供的基于深度学习进行医学影像分割的训练平台，提供模型训练到部署的全流程能力，用户评估完模型后，可以直接部署到工作流中使用，加速模型的开发时间；提供数据集创建功能，帮助用户可视化的清洗数据、整理数据，并直接对接到后续的模型开发中；通过自适应的调节模型训练中样本采样的方法、模型训练中的多种数据增强方法等来解决模型训练的问题，提供模型的准确性和鲁棒性。
图5是根据本申请实施例的一种医学图像分割模型的生成装置的结构框图，如图5所示，该装置包括：
获取模块500，用于获取训练医学图像分割模型的数据集，其中，数据集包括：医学图像，以及医学图像对应的标签；
训练模块502，用于将数据集输入至神经网络模型进行训练，得到训练完成的医学图像分割模型；
评估模块504，用于对训练完成的医学图像分割模型的效果进行评估，依据评估结果生成目标医学图像分割模型；
部署应用模块506，用于将目标医学图像分割模型部署在医学图像处理平台，以实现对待分割的医学图像进行分割处理。
需要说明的是，图5所示实施例的优选实施方式可以参见图1所示实施例的相关描述，此处不再赘述。
图6是根据本申请实施例的一种医学图像分割模型的生成系统的结构框图，如图6所示，该系统包括：交互设备60以及处理器62，其中，
交互设备60，用于获取待处理的医学图像；
根据本申请的一个可选的实施例，交互设备60可以是具备人机交互功能的终端设备。
处理器62，与交互设备60通信，用于获取训练医学图像分割模型的数据集，其中，数据集包括：医学图像，以及医学图像对应的标签；将数据集输入至神经网络模型进行训练，得到训练完成的医学图像分割模型；对训练完成的医学图像分割模型的效果进行评估，依据评估结果生成目标医学图像分割模型；将目标医学图像分割模型部署在医学图像处理平台，以实现对待分割的医学图像进行分割处理。
需要说明的是，图6所示实施例的优选实施方式可以参见图1所示实施例的相关描述，此处不再赘述。
本申请实施例还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行以上的医学图像分割模型的生成方法。
上述非易失性存储介质用于存储执行以下功能的程序：获取训练医学图像分割模型的数据集，其中，数据集包括：医学图像，以及医学图像对应的标签；将数据集输入至神经网络模型进行训练，得到训练完成的医学图像分割模型；对训练完成的医学图像分割模型的效果进行评估，依据评估结果生成目标医学图像分割模型；将目标医学图像分割模型部署在医学图像处理平台，以实现对待分割的医学图像进行分割处理。
本申请实施例还提供了一种处理器，处理器用于运行存储在存储器中的程序，其中，程序运行时执行以上的医学图像分割模型的生成方法。
上述处理器用于处理执行以下功能的程序：获取训练医学图像分割模型的数据集，其中，数据集包括：医学图像，以及医学图像对应的标签；将数据集输入至神经网络模型进行训练，得到训练完成的医学图像分割模型；对训练完成的医学图像分割模型的效果进行评估，依据评估结果生成目标医学图像分割模型；将目标医学图像分割模型部署在医学图像处理平台，以实现对待分割的医学图像进行分割处理。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本申请的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的全部或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(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (15)
1.一种医学图像分割模型的生成方法，其特征在于，应用于放疗场景，包括：
获取训练医学图像分割模型的数据集，其中，所述数据集包括：医学图像，以及所述医学图像对应的标签；
将所述数据集输入至神经网络模型进行训练，得到训练完成的所述医学图像分割模型；
对训练完成的所述医学图像分割模型的效果进行评估，依据评估结果生成目标医学图像分割模型；
将所述目标医学图像分割模型部署在医学图像处理平台，以实现对待分割的医学图像进行分割处理；
对训练完成的所述医学图像分割模型的效果进行评估，包括：利用模型预测输出结果和金标准之间的Dice系数或者Hausdorff距离对训练完成的所述医学图像分割模型的效果进行评估，其中，所述模型预测输出结果是利用训练完成的所述医学图像分割模型对待分割医学图像进行分割处理，得到的结果；所述金标准是对所述待分割医学图像进行分割处理的标准分割结果；其中，若每个切片图像对应的模型预测输出结果和所述金标准均为空，则忽略该切片；
其中，对训练完成的所述医学图像分割模型的效果进行评估，还包括：依次遍历单个病例中每个切片图像对应的Dice系数，得到所述单个病例的Dice系数列表；将所述Dice系数列表按照所述每个切片图像的序号进行排列；将所述Dice系数列表转换成折线图，并将所述金标准的初始层切片图像和结束层切片图像的序号在所述折线图上以虚线表示；利用所述折线图对训练完成的所述医学图像分割模型的效果进行评估；
对训练完成的所述医学图像分割模型的效果进行评估，还包括：在存在多个病例的情况下，利用直方图对所述训练完成的医学图像分割模型的效果进行评估，所述直方图根据所述多个病例中每个病例的多个切片对应的多个Dice系数列表生成；
将所述数据集输入至神经网络模型进行训练之前，所述方法还包括：通过对所述标签中的器官命名进行修正的方式对所述数据集进行清洗处理，得到清洗之后的数据集，其中，对所述标签中的器官命名进行修正的方式包括：将同一个器官但只是名称不同的数据进行修正。
2.根据权利要求1所述的方法，其特征在于，将所述数据集输入至神经网络模型进行训练之前，所述方法还包括：
将所述清洗之后的数据集划分为如下三部分数据：验证数据、训练数据以及测试数据，其中，所述训练数据用于训练所述医学图像分割模型，所述验证数据用于在训练过程中监测所述医学图像分割模型的训练效果，所述测试数据用于评价训练完成的所述医学图像分割模型。
3.根据权利要求2所述的方法，其特征在于，将所述清洗之后的数据集划分之后，所述方法还包括：
对所述训练数据进行标准化处理，得到标准化处理之后的训练数据；
对所述标准化处理之后的训练数据进行数据采样，得到采样数据；
对所述采样数据进行数据增强处理，得到增强处理之后的训练数据。
4.根据权利要求3所述的方法，其特征在于，对所述训练数据进行标准化处理，包括：
将所述医学图像的方向矩阵归一化为单位矩阵；
将所述医学图像的体素间距在X轴、Y轴和Z轴方向分别归一化为预设长度；
对所述医学图像的像素值进行归一化处理。
5.根据权利要求3所述的方法，其特征在于，对所述标准化处理之后的训练数据进行数据采样，包括：
基于均匀采样法和标签平衡采样法对所述标准化处理之后的训练数据进行数据采样。
6.根据权利要求5所述的方法，其特征在于，基于均匀采样法对所述标准化处理之后的训练数据进行数据采样，包括：
从所述标准化处理之后的训练数据中随机选择一张医学图像；
在所述随机选择的医学图像中随机截取多个大小相同的区域；
将随机截取的所述多个大小相同的区域与其对应的标签作为所述采样数据。
7.根据权利要求5所述的方法，其特征在于，基于标签平衡采样法对所述标准化处理之后的训练数据进行数据采样，包括：
统计所述标准化处理之后的训练数据中每张医学图像中各类标签的分布比例；
依据所述分布比例进行标签平衡采样。
8.根据权利要求3所述的方法，其特征在于，对所述采样数据进行数据增强处理，包括：
通过如下至少之一方法对所述采样数据中的医学图像进行变换：翻转、尺度缩放、旋转、随机噪声、弹性形变。
9.根据权利要求3所述的方法，其特征在于，将所述数据集输入至神经网络模型进行训练，包括：
确定所述神经网络模型；
将所述增强处理之后的训练数据输入至所述神经网络模型进行训练；
在训练过程中，利用学习率和损失函数对神经网络模型的参数进行优化，其中，所述学习率用于控制所述神经网络模型的参数的更新幅度。
10.根据权利要求1所述的方法，其特征在于，对训练完成的所述医学图像分割模型的效果进行评估，还包括：
依次遍历多个病例中每个病例的每个切片图像对应的Dice系数，得到所述每个病例的Dice系数列表，并确定每个病例的初始层切片图像和结束层切片图像的序号；
将所述每个病例的Dice系数列表对应的每个切片图像的序号减去该病例的初始层切片图像序号，再除以该病例的初始层切片图像序号和结束层切片图像序号之差，得到所述每个病例的Dice系数归一化相对位置列表；
确定与所述每个病例的Dice系数归一化相对位置列表对应的直方图；
依据所述直方图对训练完成的所述医学图像分割模型的效果进行评估。
11.根据权利要求1所述的方法，其特征在于，将所述目标医学图像分割模型部署在医学图像处理平台，包括：
将所述目标医学图像分割模型及对应的配置文件打包成预设格式的文件；
对所述预设格式的文件进行加密；
将加密之后的所述预设格式的文件加载至所述医学图像处理平台。
12.一种医学图像分割模型的生成装置，其特征在于，应用于放疗场景，包括：
获取模块，用于获取训练医学图像分割模型的数据集，其中，所述数据集包括：医学图像，以及所述医学图像对应的标签；
训练模块，用于将所述数据集输入至神经网络模型进行训练，得到训练完成的所述医学图像分割模型；
评估模块，用于对训练完成的所述医学图像分割模型的效果进行评估，依据评估结果生成目标医学图像分割模型；
部署应用模块，用于将所述目标医学图像分割模型部署在医学图像处理平台，以实现对待分割的医学图像进行分割处理；
所述评估模块，还用于：利用模型预测输出结果和金标准之间的Dice系数或者Hausdorff距离对训练完成的所述医学图像分割模型的效果进行评估，其中，所述模型预测输出结果是利用训练完成的所述医学图像分割模型对待分割医学图像进行分割处理，得到的结果；所述金标准是对所述待分割医学图像进行分割处理的标准分割结果；其中，若每个切片图像对应的模型预测输出结果和所述金标准均为空，则忽略该切片；
所述评估模块，还用于：依次遍历单个病例中每个切片图像对应的Dice系数，得到所述单个病例的Dice系数列表；将所述Dice系数列表按照所述每个切片图像的序号进行排列；将所述Dice系数列表转换成折线图，并将所述金标准的初始层切片图像和结束层切片图像的序号在所述折线图上以虚线表示；利用所述折线图对训练完成的所述医学图像分割模型的效果进行评估；
所述评估模块，还用于：在存在多个病例的情况下，利用直方图对所述训练完成的医学图像分割模型的效果进行评估，所述直方图根据所述多个病例中每个病例的多个切片对应的多个Dice系数列表生成；
所述医学图像分割模型的生成装置，还用于在将所述数据集输入至神经网络模型进行训练之前，通过对所述标签中的器官命名进行修正的方式对所述数据集进行清洗处理，得到清洗之后的数据集，其中，对所述标签中的器官命名进行修正的方式包括：将同一个器官但只是名称不同的数据进行修正。
13.一种医学图像分割模型的生成系统，其特征在于，应用于放疗场景，包括：交互设备以及处理器，其中，
所述交互设备，用于获取待处理的医学图像；
所述处理器，与所述交互设备通信，用于获取训练医学图像分割模型的数据集，其中，所述数据集包括：医学图像，以及所述医学图像对应的标签；将所述数据集输入至神经网络模型进行训练，得到训练完成的所述医学图像分割模型；对训练完成的所述医学图像分割模型的效果进行评估，依据评估结果生成目标医学图像分割模型；将所述目标医学图像分割模型部署在医学图像处理平台，以实现对待分割的医学图像进行分割处理，
其中，对训练完成的所述医学图像分割模型的效果进行评估，包括：利用模型预测输出结果和金标准之间的Dice系数或者Hausdorff距离对训练完成的所述医学图像分割模型的效果进行评估，其中，所述模型预测输出结果是利用训练完成的所述医学图像分割模型对待分割医学图像进行分割处理，得到的结果；所述金标准是对所述待分割医学图像进行分割处理的标准分割结果；其中，若每个切片图像对应的模型预测输出结果和所述金标准均为空，则忽略该切片；
其中，对训练完成的所述医学图像分割模型的效果进行评估，还包括：依次遍历单个病例中每个切片图像对应的Dice系数，得到所述单个病例的Dice系数列表；将所述Dice系数列表按照所述每个切片图像的序号进行排列；将所述Dice系数列表转换成折线图，并将所述金标准的初始层切片图像和结束层切片图像的序号在所述折线图上以虚线表示；利用所述折线图对训练完成的所述医学图像分割模型的效果进行评估；
对训练完成的所述医学图像分割模型的效果进行评估，还包括：在存在多个病例的情况下，利用直方图对所述训练完成的医学图像分割模型的效果进行评估，所述直方图根据所述多个病例中每个病例的多个切片对应的多个Dice系数列表生成；
所述处理器，还用于在将所述数据集输入至神经网络模型进行训练之前，通过对所述标签中的器官命名进行修正的方式对所述数据集进行清洗处理，得到清洗之后的数据集，其中，对所述标签中的器官命名进行修正的方式包括：将同一个器官但只是名称不同的数据进行修正。
14.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至11中任意一项所述的医学图像分割模型的生成方法。
15.一种处理器，其特征在于，所述处理器用于运行存储在存储器中的程序，其中，所述程序运行时执行权利要求1至11中任意一项所述的医学图像分割模型的生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110264718.1A CN113159040B (zh) | 2021-03-11 | 2021-03-11 | 医学图像分割模型的生成方法及装置、系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110264718.1A CN113159040B (zh) | 2021-03-11 | 2021-03-11 | 医学图像分割模型的生成方法及装置、系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113159040A CN113159040A (zh) | 2021-07-23 |
| CN113159040B true CN113159040B (zh) | 2024-01-23 |
Family
ID=76886643
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110264718.1A Active CN113159040B (zh) | 2021-03-11 | 2021-03-11 | 医学图像分割模型的生成方法及装置、系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113159040B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114500498B (zh) * | 2021-12-28 | 2023-12-08 | 武汉联影医疗科技有限公司 | Dicom文件传输与存储方法、系统、设备及存储介质 |
| CN113780519A (zh) * | 2021-08-13 | 2021-12-10 | 深圳市联影高端医疗装备创新研究院 | 生成对抗网络训练方法、装置、计算机设备和存储介质 |
| CN115295134B (zh) * | 2022-09-30 | 2023-03-24 | 北方健康医疗大数据科技有限公司 | 医学模型评价方法、装置和电子设备 |
| CN115661144B (zh) * | 2022-12-15 | 2023-06-13 | 湖南工商大学 | 基于可变形U-Net的自适应医学图像分割方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110120051A (zh) * | 2019-05-10 | 2019-08-13 | 上海理工大学 | 一种基于深度学习的右心室自动分割方法 |
| CN110928553A (zh) * | 2019-10-16 | 2020-03-27 | 中国平安人寿保险股份有限公司 | 深度学习模型的部署方法、装置和系统 |
| AU2019204365B1 (en) * | 2019-06-21 | 2020-05-28 | Curvebeam Ai Limited | Method and System for Image Segmentation and Identification |
| CN111798458A (zh) * | 2020-06-15 | 2020-10-20 | 电子科技大学 | 一种基于不确定性引导的交互式医学图像分割方法 |
| CN111861020A (zh) * | 2020-07-27 | 2020-10-30 | 深圳壹账通智能科技有限公司 | 模型部署方法、装置、设备及存储介质 |
| CN112215858A (zh) * | 2019-06-21 | 2021-01-12 | 斯特拉克斯私人有限公司 | 用于图像分割和识别的方法和系统 |
-
2021
- 2021-03-11 CN CN202110264718.1A patent/CN113159040B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110120051A (zh) * | 2019-05-10 | 2019-08-13 | 上海理工大学 | 一种基于深度学习的右心室自动分割方法 |
| AU2019204365B1 (en) * | 2019-06-21 | 2020-05-28 | Curvebeam Ai Limited | Method and System for Image Segmentation and Identification |
| CN112215858A (zh) * | 2019-06-21 | 2021-01-12 | 斯特拉克斯私人有限公司 | 用于图像分割和识别的方法和系统 |
| CN110928553A (zh) * | 2019-10-16 | 2020-03-27 | 中国平安人寿保险股份有限公司 | 深度学习模型的部署方法、装置和系统 |
| CN111798458A (zh) * | 2020-06-15 | 2020-10-20 | 电子科技大学 | 一种基于不确定性引导的交互式医学图像分割方法 |
| CN111861020A (zh) * | 2020-07-27 | 2020-10-30 | 深圳壹账通智能科技有限公司 | 模型部署方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 用于肺炎图像分类的优化卷积神经网络方法;邓棋;雷印杰;田锋;;计算机应用(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113159040A (zh) | 2021-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113159040B (zh) | 医学图像分割模型的生成方法及装置、系统 | |
| AU2019257675B2 (en) | Image enhancement using generative adversarial networks | |
| CN112885453B (zh) | 用于标识后续医学图像中的病理变化的方法和系统 | |
| US20190066281A1 (en) | Synthesizing and Segmenting Cross-Domain Medical Images | |
| CN111080584B (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
| CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
| US20030016850A1 (en) | Systems and graphical user interface for analyzing body images | |
| EP3410393A1 (en) | Comparing medical images | |
| EP2401719B1 (fr) | Méthodes de segmentation d'images et de détection de structures particulières | |
| CN111540025A (zh) | 预测用于图像处理的图像 | |
| CN111815735B (zh) | 一种人体组织自适应的ct重建方法及重建系统 | |
| CN112508902B (zh) | 白质高信号分级方法、电子设备及存储介质 | |
| CN113989407B (zh) | Ct影像中肢体部位识别模型训练方法及系统 | |
| CN116797612B (zh) | 基于弱监督深度活动轮廓模型的超声图像分割方法及装置 | |
| CN109300122A (zh) | 图像处理与阈值确定方法、装置及设备 | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| US10964074B2 (en) | System for harmonizing medical image presentation | |
| Gheorghiță et al. | Improving robustness of automatic cardiac function quantification from cine magnetic resonance imaging using synthetic image data | |
| US20220044454A1 (en) | Deep reinforcement learning for computer assisted reading and analysis | |
| CN110852993A (zh) | 一种造影剂作用下的成像方法与设备 | |
| KR102337031B1 (ko) | 복수의 폐질환을 스크리닝하기 위한 의료 영상 재구성 장치 및 방법 | |
| Longuefosse et al. | Lung CT Synthesis Using GANs with Conditional Normalization on Registered Ultrashort Echo-Time MRI | |
| Lyu et al. | Joint unsupervised learning for the vertebra segmentation, artifact reduction and modality translation of CBCT images | |
| CN113223104B (zh) | 一种基于因果关系的心脏mr图像插补方法及系统 | |
| KR102701151B1 (ko) | 콘빔 전산화 단층촬영 영상 화질 개선을 위한 방법 및 장치 |
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 |