CN115147420A - 切片间相关度检测模型训练方法、检测方法和电子设备 - Google Patents

切片间相关度检测模型训练方法、检测方法和电子设备 Download PDF

Info

Publication number
CN115147420A
CN115147420A CN202211076138.0A CN202211076138A CN115147420A CN 115147420 A CN115147420 A CN 115147420A CN 202211076138 A CN202211076138 A CN 202211076138A CN 115147420 A CN115147420 A CN 115147420A
Authority
CN
China
Prior art keywords
slice
sequence
correlation
slices
slice sample
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
Application number
CN202211076138.0A
Other languages
English (en)
Other versions
CN115147420B (zh
Inventor
闫阳阳
马杰
尹芳
许文仪
刘长冬
罗永贵
王萌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North Health Medical Big Data Technology Co ltd
Original Assignee
North Health Medical Big Data Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North Health Medical Big Data Technology Co ltd filed Critical North Health Medical Big Data Technology Co ltd
Priority to CN202211076138.0A priority Critical patent/CN115147420B/zh
Publication of CN115147420A publication Critical patent/CN115147420A/zh
Application granted granted Critical
Publication of CN115147420B publication Critical patent/CN115147420B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种切片间相关度检测模型训练方法、检测方法和电子设备，涉及图像处理技术领域，解决了采用人工评估切片间相关度准确度较低的问题。该方法包括：获取多个切片样本序列、以及各切片样本序列对应的相关度标签序列；并将多个切片样本序列输入至初始切片间相关度检测模型中，得到各切片样本序列对应的预测相关度序列；再根据各切片样本序列对应的相关度标签序列和预测相关度序列，对初始切片间相关度检测模型的模型参数进行更新，这样采用深度学习算法训练得到的切片间相关度检测模型，可以准确地检测出切片之间的相关度，提高了相关度检测结果的准确度。

Description

切片间相关度检测模型训练方法、检测方法和电子设备
技术领域
本发明涉及图像处理技术领域，尤其涉及一种切片间相关度检测模型训练方法、检测方法和电子设备。
背景技术
磁共振成像（magnetic resonance imaging，MRI）在进行断层扫描时，层间距设置的不同，对应获取到切片层厚不同。通常情况下，根据层厚不同，切片可以分为薄层切片和厚层切片。薄层切片包含了更多的细节信息，可以更好地用于后续研究，例如病灶分割等。
通常情况下，某个组织或者病灶区域通常分布在连续薄层切片上，使得连续薄层切片之间具有相关性，确定连续薄层切片之间的相关度，对于后续研究是至关重要的。现有技术中，通常是采用人工评估薄层切片之间的相关度，但是，该种方法受限于检测人员的专业水平，不同专业水平的检测人员评估出的薄层切片之间的相关度可能不同，因此，采用现有的人工评估切片间相关度，会导致评估的相关度准确度较低。
发明内容
本发明提供一种切片间相关度检测模型训练方法、检测方法和电子设备，可以准确地检测出切片之间的相关度，提高了相关度检测结果的准确度。
本发明提供一种切片间相关度检测模型训练方法，该切片间相关度检测模型训练方法可以包括：
获取多个切片样本序列、以及各切片样本序列对应的相关度标签序列；其中，所述多个切片样本序列中包括由多个连续的切片构成的第一切片样本序列和由多个非连续的切片构成的第二切片样本序列。
将所述多个切片样本序列输入至初始切片间相关度检测模型中，得到所述各切片样本序列对应的预测相关度序列。
根据所述各切片样本序列对应的相关度标签序列和预测相关度序列，对所述初始切片间相关度检测模型的模型参数进行更新，以得到训练后的切片间相关度检测模型。
示例地，由多个非连续的切片构成的第二切片样本序列，可以由不同的切片样本序列的切片重组得到，也可以由同一个切片样本序列的切片通过随机打乱原始顺序得到。示例地，第一切片样本序列中各切片对应的相关度标签可以均为1，第二切片样本序列中各个切片对应的相关度标签需要考虑当前切片和其前一个切片个关系来确定，如果当前切片和其前一个切片来自同一个序列且连续则标签为1，否则为0。
根据本发明提供的一种切片间相关度检测模型训练方法，所述初始切片间相关度检测模型包括输入层网络、隐藏层网络以及输出层网络，所述将所述多个切片样本序列输入至初始切片间相关度检测模型中，得到所述各切片样本序列对应的预测相关度序列，包括：
针对所述各切片样本序列执行以下处理：
将所述切片样本序列输入至所述输入层网络中，并通过所述输入层网络将所述切片样本序列输入至所述隐藏层网络中的卷积神经网络中，得到所述切片样本序列对应的第一特征图；并将所述切片样本序列对应的第一特征图输入至所述隐藏层网络中的循环神经网络中，得到所述切片样本序列对应的第二特征图；
将所述切片样本序列对应的第二特征图输入至所述输出层网络中，得到所述切片样本序列对应的所述预测相关度序列。
根据本发明提供的一种切片间相关度检测模型训练方法所述根据所述各切片样本序列对应的相关度标签序列和预测相关度序列，对所述初始切片间相关度检测模型的模型参数进行更新，包括：
针对所述各切片样本序列，根据所述切片样本序列对应的相关度标签序列和预测相关度序列，构造所述切片样本序列对应的二元交叉熵损失。
根据所述各切片样本序列对应的二元交叉熵损失，对所述初始切片间相关度检测模型的模型参数进行更新。
根据本发明提供的一种切片间相关度检测模型训练方法所述方法还包括：
获取多个第三切片样本序列、以及各第三切片样本序列包括的各切片样本对应的病灶区域标签；其中，所述第三切片样本序列包括多个连续的切片样本。
将所述多个第三切片样本序列输入至所述切片间相关度检测模型中，得到所述各第三切片样本序列对应的相关度序列。
将所述多个第三切片样本序列和所述各第三切片样本序列对应的相关度序列输入至初始病灶分割模型中，得到所述各第三切片样本序列包括的各切片样本对应的病灶区域。
根据所述各第三切片样本序列包括的各切片样本对应的病灶区域标签和病灶区域，对所述初始病灶分割模型的模型参数进行更新，以得到训练后的病灶分割模型。
根据本发明提供的一种切片间相关度检测模型训练方法所述初始病灶分割模型包括下采样网络和上采样网络，所述将所述多个第三切片样本序列和所述各第三切片样本序列对应的相关度序列输入至初始病灶分割模型中，得到所述各第三切片样本序列包括的各切片样本对应的病灶区域，包括：
针对所述各第三切片样本序列执行以下处理：
将所述第三切片样本序列和所述第三切片样本序列对应的相关度序列输入至所述下采样网络中，得到所述第三切片样本序列对应的特征图。
将所述第三切片样本序列对应的特征图输入至所述上采样网络中，得到所述第三切片样本序列包括的各切片样本对应的病灶区域。
根据本发明提供的一种切片间相关度检测模型训练方法所述根据所述各第三切片样本序列包括的各切片样本对应的病灶区域标签和病灶区域，对所述初始病灶分割模型的模型参数进行更新，包括：
针对所述各第三切片样本序列对，根据所述第三切片样本序列包括的各切片样本对应的病灶区域标签和病灶区域，构造所述第三切片样本序列对应的dice损失。
根据所述各第三切片样本序列对应的dice损失，对所述初始病灶分割模型的模型参数进行更新。
本发明还提供一种切片间相关度的检测方法，该切片间相关度的检测方法可以包括：
获取待处理切片序列；其中，所述待处理切片序列包括多个连续的切片。
将所述待处理切片序列输入至切片间相关度检测模型中，得到所述待处理切片序列对应的相关度序列；其中，所述切片间相关度检测模型为上述任一项所述的切片间相关度检测模型。
根据本发明提供的一种切片间相关度的检测方法，所述将所述待处理切片序列输入至切片间相关度检测模型中，得到所述待处理切片序列对应的相关度序列，包括：
将所述待处理切片序列输入至所述切片间相关度检测模型中的输入层网络中，并通过所述输入层网络将所述待处理切片序列输入至所述切片间相关度检测模型中的隐藏层网络中，得到所述待处理切片序列对应的特征图。
将所述待处理切片序列对应的特征图输入至所述切片间相关度检测模型中的输出层网络中，得到所述待处理切片序列对应的相关度序列。
根据本发明提供的一种切片间相关度的检测方法，所述方法还包括：
将所述待处理切片序列和所述待处理切片序列对应的相关度序列输入至病灶分割模型中，得到所述待处理切片序列包括的各切片对应的病灶区域；其中，所述病灶分割模型为上述任一项所述的病灶分割模型。
根据本发明提供的一种切片间相关度的检测方法，所述将所述待处理切片序列和所述待处理切片序列对应的相关度序列输入至病灶分割模型中，得到所述待处理切片序列包括的各切片对应的病灶区域，包括：
将所述待处理切片序列和所述待处理切片序列对应的相关度序列输入至所述病灶分割模型中的下采样网络中，得到所述待处理切片序列对应的特征图。
将所述待处理切片序列对应的特征图输入至所述病灶分割模型中的上采样网络中，得到所述待处理切片序列中包括的各切片对应的病灶区域。
本发明还提供一种切片间相关度检测模型训练装置，该切片间相关度检测模型训练装置可以包括：
第一获取单元，用于获取多个切片样本序列、以及各切片样本序列对应的相关度标签序列；其中，所述多个切片样本序列中包括由多个连续的切片构成的第一切片样本序列和由多个非连续的切片构成的第二切片样本序列。
第一处理单元，用于将所述多个切片样本序列输入至初始切片间相关度检测模型中，得到所述各切片样本序列对应的预测相关度序列。
第一更新单元，用于根据所述各切片样本序列对应的相关度标签序列和预测相关度序列，对所述初始切片间相关度检测模型的模型参数进行更新，以得到训练后的切片间相关度检测模型。
根据本发明提供的一种切片间相关度检测模型训练装置，所述初始切片间相关度检测模型包括输入层网络、隐藏层网络以及输出层网络；
所述第一处理单元，具体用于针对所述各切片样本序列执行以下处理：
将所述切片样本序列输入至所述输入层网络中，并通过所述输入层网络将所述切片样本序列输入至所述隐藏层网络中的卷积神经网络中，得到所述切片样本序列对应的第一特征图；并将所述切片样本序列对应的第一特征图输入至所述隐藏层网络中的循环神经网络中，得到所述切片样本序列对应的第二特征图；将所述切片样本序列对应的第二特征图输入至所述输出层网络中，得到所述切片样本序列对应的所述预测相关度序列。
根据本发明提供的一种切片间相关度检测模型训练装置，所述第一更新单元，具体用于针对所述各切片样本序列，根据所述切片样本序列对应的相关度标签序列和预测相关度序列，构造所述切片样本序列对应的二元交叉熵损失；根据所述各切片样本序列对应的二元交叉熵损失，对所述初始切片间相关度检测模型的模型参数进行更新。
根据本发明提供的一种切片间相关度检测模型训练装置，所述装置还包括第二获取单元、第二处理单元、第三处理单元以及第二更新单元。
所述第二获取单元，用于获取多个第三切片样本序列、以及各第三切片样本序列包括的各切片样本对应的病灶区域标签；其中，所述第三切片样本序列包括多个连续的切片样本。
所述第二处理单元，用于将所述多个第三切片样本序列输入至所述切片间相关度检测模型中，得到所述各第三切片样本序列对应的相关度序列。
所述第三处理单元，用于将所述多个第三切片样本序列和所述各第三切片样本序列对应的相关度序列输入至初始病灶分割模型中，得到所述各第三切片样本序列包括的各切片样本对应的病灶区域。
所述第二更新单元，用于根据所述各第三切片样本序列包括的各切片样本对应的病灶区域标签和病灶区域，对所述初始病灶分割模型的模型参数进行更新，以得到训练后的病灶分割模型。
根据本发明提供的一种切片间相关度检测模型训练装置，所述初始病灶分割模型包括下采样网络和上采样网络；所述第三处理单元，具体用于针对所述各第三切片样本序列执行以下处理：
将所述第三切片样本序列和所述第三切片样本序列对应的相关度序列输入至所述下采样网络中，得到所述第三切片样本序列对应的特征图；将所述第三切片样本序列对应的特征图输入至所述上采样网络中，得到所述第三切片样本序列包括的各切片样本对应的病灶区域。
根据本发明提供的一种切片间相关度检测模型训练装置，所述第二更新单元，具体用于针对所述各第三切片样本序列对，根据所述第三切片样本序列包括的各切片样本对应的病灶区域标签和病灶区域，构造所述第三切片样本序列对应的dice损失；根据所述各第三切片样本序列对应的dice损失，对所述初始病灶分割模型的模型参数进行更新。
本发明还提供一种切片间相关度的检测装置，该切片间相关度的检测装置可以包括：
第三获取单元，用于获取待处理切片序列；其中，所述待处理切片序列包括多个连续的切片。
第四处理单元，用于将所述待处理切片序列输入至切片间相关度检测模型中，得到所述待处理切片序列对应的相关度序列；其中，所述切片间相关度检测模型为上述任一项所述的切片间相关度检测模型。
根据本发明提供的一种切片间相关度的检测装置，所述第四处理单元，具体用于将所述待处理切片序列输入至所述切片间相关度检测模型中的输入层网络中，并通过所述输入层网络将所述待处理切片序列输入至所述切片间相关度检测模型中的隐藏层网络中的卷积神经网络中，得到所述待处理切片序列对应的第一特征图；并将所述待处理切片序列对应的第一特征图输入至所述隐藏层网络中的循环神经网络中，得到所述待处理切片序列对应的第二特征图；将所述待处理切片序列对应的第二特征图输入至所述切片间相关度检测模型中的输出层网络中，得到所述待处理切片序列对应的相关度序列。
根据本发明提供的一种切片间相关度的检测装置，所述装置还包括第五处理单元。
所述第五处理单元，用于将所述待处理切片序列和所述待处理切片序列对应的相关度序列输入至病灶分割模型中，得到所述待处理切片序列包括的各切片对应的病灶区域；其中，所述病灶分割模型为上述任一项所述的病灶分割模型。
根据本发明提供的一种切片间相关度的检测装置，所述第五处理单元，具体用于将所述待处理切片序列和所述待处理切片序列对应的相关度序列输入至所述病灶分割模型中的下采样网络中，得到所述待处理切片序列对应的特征图；将所述待处理切片序列对应的特征图输入至所述病灶分割模型中的上采样网络中，得到所述待处理切片序列中包括的各切片对应的病灶区域。
本发明还提供一种电子设备，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，所述处理器执行所述程序时实现如上述任一种所述的切片间相关度检测模型训练方法，或者实现如上述任一种所述的切片间相关度的检测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的切片间相关度检测模型训练方法，或者实现如上述任一种所述的切片间相关度的检测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的切片间相关度检测模型训练方法，或者实现如上述任一种所述的切片间相关度的检测方法。
本发明提供的切片间相关度检测模型训练方法、检测方法和电子设备，在训练切片间相关度检测模型时，通过获取多个切片样本序列、以及各切片样本序列对应的相关度标签序列；其中，多个切片样本序列中包括由多个连续的切片构成的第一切片样本序列和由多个非连续的切片构成的第二切片样本序列；并将多个切片样本序列输入至初始切片间相关度检测模型中，得到各切片样本序列对应的预测相关度序列；再根据各切片样本序列对应的相关度标签序列和预测相关度序列，对初始切片间相关度检测模型的模型参数进行更新，这样采用深度学习算法训练得到的切片间相关度检测模型，可以准确地检测出切片之间的相关度，提高了相关度检测结果的准确度；此外，还可以有效地提高相关度的检测效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种切片间相关度检测模型训练方法的流程示意图；
图2为本发明实施例提供的一种初始切片间相关度检测模型的网络结构示意图；
图3为本发明实施例提供的一种病灶分割模型的训练方法的流程示意图；
图4为本发明实施例提供的一种切片间相关度的检测方法的流程示意图；
图5为本发明实施例提供的一种切片间相关度检测模型训练装置的结构示意图；
图6为本发明实施例提供的一种切片间相关度的检测装置的结构示意图；
图7为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
在本发明的实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。在本发明的文字描述中，字符“/”一般表示前后关联对象是一种“或”的关系。
本发明实施例提供的技术方案可以应用于图像处理场景中，尤其是MRI图像的处理场景中。磁共振成像（magnetic resonance imaging，MRI）在进行断层扫描时，层间距设置的不同，对应获取到切片层厚不同。通常情况下，根据层厚不同，切片可以分为薄层切片和厚层切片。例如，设置较小的层间距，会对应获取到数量较多的薄层切片；设置较大的层间距，会对应获取到数量较少的厚层切片。其中，薄层切片通常是指厚度在1mm-2mm之间的切片，厚层切片通常是指厚度大于5mm的切片，具体可以根据实际需要进行设置。
相比于厚层切片而言，薄层切片包含了更多的细节信息，可以更好地用于后续研究，例如病灶分割等。但由于通过断层扫描获取薄层切片的成本较高，因此，通常情况下，对MRI进行断层扫描时，会设置较大的层间距进行厚层MRI扫描，得到数量较少的厚层切片；再在得到的厚层切片的基础上进行MRI重建或者非线性配准等操作，以获取到较多的薄层切片，然后，再利用获取到的薄层切片用于后续研究，如病灶分割等。需要说明的是，若不考虑通过断层扫描获取薄层切片产生的成本较高的问题，也可以直接设置较小的层间距进行薄层MRI扫描，得到数量较多的薄层切片用于后续研究，如病灶分割等，具体可以根据实际需要进行设置。
通常情况下，某个组织或者病灶区域通常分布在连续薄层切片上，使得连续薄层切片之间具有相关性，因此，确定连续薄层切片之间的相关度，对于后续研究是至关重要的。现有技术中，通常是采用人工评估连续薄层切片之间的相关度，但是，该种方法受限于检测人员的专业水平，不同专业水平的检测人员评估出的连续薄层切片之间的相关度可能不同，因此，采用现有的人工评估切片间相关度，会导致评估的相关度准确度较低。
为了可以准确地确定出连续切片之间的相关度，从而提高确定出的相关度的准确度，本发明实施例提供了一种切片间相关度检测模型训练方法，通过获取多个切片样本序列、以及各切片样本序列对应的相关度标签序列；其中，多个切片样本序列中包括由多个连续的切片构成的第一切片样本序列和由多个非连续的切片构成的第二切片样本序列；并将多个切片样本序列输入至初始切片间相关度检测模型中，得到各切片样本序列对应的预测相关度序列；根据各切片样本序列对应的相关度标签序列和预测相关度序列，对初始切片间相关度检测模型的模型参数进行更新，这样采用深度学习算法训练得到的切片间相关度检测模型，可以准确地检测出切片之间的相关度，从而提高了相关度检测结果的准确度；此外，还可以有效地提高相关度的检测效率。
针对第一切片样本序列中的第一个切片，鉴于其不存在前一个连续切片，因此，第一切片样本序列对应的相关度序列，包括第一切片样本序列中第二个切片以及之后的每一个切片各自对应的相关度，每一个切片各自对应的相关度即为该切片与其前一个连续切片间的相关度；针对第二切片样本序列中的第一个切片，鉴于其不存在前一个连续切片，因此，第二切片样本序列对应的相关度序列，包括第二切片样本序列中第二个切片以及之后的每一个切片各自对应的相关度，每一个切片各自对应的相关度即为该切片与其前一个连续切片间的相关度。
可以理解的是，在本发明实施例中，第一切片样本序列中包括的多个连续的切片可以为多个连续的薄层切片；类似的，第二切片样本序列包括的多个非连续的切片可以为多个非连续的薄层切片。
需要说明的是，在本发明实施例中，在多个连续的切片和多个非连续的切片均为薄层切片的情况下，该薄层切片通常为设置较小的层间距进行薄层MRI扫描，得到的薄层切片，这样才可以将其对应的相关度标签设置为1，具体可以根据实际需要进行设置，在此，本发明实施例不做具体限制。
下面，将通过下述几个具体的实施例对本发明提供的切片间相关度检测模型训练方法进行详细地说明。可以理解的是，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不再赘述。
图1为本发明实施例提供的一种切片间相关度检测模型训练方法的流程示意图，该切片间相关度检测模型训练方法可以由软件和/或硬件装置执行。示例的，请参见图1所示，该切片间相关度检测模型训练方法可以包括：
S101、获取多个切片样本序列、以及各切片样本序列对应的相关度标签序列；其中，多个切片样本序列中包括由多个连续的切片构成的第一切片样本序列和由多个非连续的切片构成的第二切片样本序列。
针对第一切片样本序列中的第一个切片，鉴于其不存在前一个连续切片，因此，第一切片样本序列对应的相关度序列，包括第一切片样本序列中第二个切片以及之后的每一个切片各自对应的相关度，每一个切片各自对应的相关度即为该切片与其前一个连续切片间的相关度；针对第二切片样本序列中的第一个切片，鉴于其不存在前一个连续切片，因此，第二切片样本序列对应的相关度序列，包括第二切片样本序列中第二个切片以及之后的每一个切片各自对应的相关度，每一个切片各自对应的相关度即为该切片与其前一个连续切片间的相关度。
示例地，获取由连续的切片构成的第一切片样本序列时，可以直接接收其他电子设备发送的第一切片样本序列；也可以直接从本地存储中查找获取第一切片样本序列；当然，也可以直接从第三方数据库中获取第一切片样本序列，具体可以根据实际需要进行设置，在此，本发明实施例只是以这三种方式获取第一切片样本序列为例进行说明，但并不代表本申请实施例仅局限于此。
示例地，获取由非连续的切片构成的第二切片样本序列时，类似的，可以直接接收其他电子设备发送的第二切片样本序列；也可以直接从本地存储中查找获取第二切片样本序列；也可以直接从第三方数据库中获取第二切片样本序列；当然，也可以先获取一组连续的切片集合，并对该连续的切片集合中的切片顺序进行打乱处理，即得到第二切片样本序列；或者，也可以先获取多组连续的切片集合，并从多组连续的切片集合中选择切片进行穿插组合，得到一组非连续的切片集合，即构成第二切片样本序列，具体可以根据实际需要进行设置，在此，本发明实施例只是以这五种方式获取多个第二切片样本序列为例进行说明，但并不代表本申请实施例仅局限于此。
示例地，从多组连续的切片集合中选择切片进行穿插组合，得到一组非连续的切片集合，即构成多个第二切片样本序列时，可以先获取一组连续的切片集合，并对该连续的切片集合中的切片顺序进行打乱处理，即得到第二切片样本序列。假设一组连续的切片集合为M，其原始切片顺序为切片a、切片b、切片c、切片d、以及切片e，对该连续的切片集合中的切片顺序进行打乱处理，得到一组非连续的切片集合，打乱顺序后的切片集合可以是M’，其顺序依次为：切片a、切片e、切片b、切片d、切片c；也可以是M’’，其顺序依次为：切片a、切片b、切片e、切片d、切片c；同样的还可以有其他的切片顺序组合。
可以理解的是，在获取到多个切片样本序列后，需要标注各切片样本序列对应的相关度标签序列。示例地，在本发明实施例中，针对由多个连续的切片构成的第一切片样本序列，其对应的相关度标签序列均为1，即第一切片样本序列中从第二个切片以及往后的每一个切片对应的相关度标签都记为1。
针对由多个非连续的切片构成的第二切片样本序列，其对应的相关度标签序列需要考虑当前切片和其前一个切片之间的关系，如果当前切片和前一个切片是连续的则当前切片的相关度标签为1，否则为0。如上所述打乱顺序后的切片集合M’，第二个切片以及往后的每一个切片对应的相关度标签分别为0，0，0，0；打乱顺序后的切片集合M’’，第二个切片以及往后的每一个切片对应的相关度标签分别为1，0，1，0。
在获取到用于训练切片间相关度检测模型的多个切片样本序列后，就可以将多个切片样本序列输入至初始切片间相关度检测模型中，即执行下述S102：
S102、将多个切片样本序列输入至初始切片间相关度检测模型中，得到各切片样本序列对应的预测相关度序列。
示例地，预测相关度序列的取值可以为[0,1]之间的一个数值。
示例地，可参见图2所示，图2为本发明实施例提供的一种初始切片间相关度检测模型的网络结构示意图，初始切片间相关度检测模型可以包括输入层网络、隐藏层网络以及输出层网络，将多个切片样本序列输入至初始切片间相关度检测模型中，得到各切片样本序列对应的预测相关度序列，包括：
针对各切片样本序列执行以下处理：将切片样本序列输入至输入层网络中，并通过输入层网络将切片样本序列输入至隐藏层网络中的卷积神经网络中，得到切片样本序列对应的第一特征图；并将切片样本序列对应的第一特征图输入至隐藏层网络中的循环神经网络中，得到切片样本序列对应的第二特征图；将切片样本序列对应的第二特征图输入至输出层网络中，得到切片样本序列对应的预测相关度序列，从而获取到多个切片样本序列中，各切片样本序列对应的预测相关度序列。
S103、根据各切片样本序列对应的相关度标签序列和预测相关度序列，对初始切片间相关度检测模型的模型参数进行更新，以得到训练后的切片间相关度检测模型。
示例地，根据各切片样本序列对应的相关度标签序列和预测相关度序列，对初始切片间相关度检测模型的模型参数进行更新时，针对各切片样本序列，可以根据切片样本序列对应的相关度标签序列和预测相关度序列，构造切片样本序列对应的二元交叉熵损失，以得到各切片样本序列对应的二元交叉熵损失；再根据各切片样本序列对应的二元交叉熵损失，对初始切片间相关度检测模型的模型参数进行更新，直至更新后的切片间相关度检测模型满足更新条件，例如更新后的切片间相关度检测模型收敛，或者更新次数达到预设次数阈值，则将满足更新条件的切片间相关度检测模型确定为最终训练得到的切片间相关度检测模型。
示例地，根据各切片样本序列对应的二元交叉熵损失，对初始切片间相关度检测模型的模型参数进行更新时，可以根据各切片样本序列对应的二元交叉熵损失，确定多个二元交叉熵损失对应的平均值；并根据平均值对初始切片间相关度检测模型的模型参数进行更新，直至更新后的切片间相关度检测模型满足更新条件，例如更新后的切片间相关度检测模型收敛，或者更新次数达到预设次数阈值，则将满足更新条件的切片间相关度检测模型确定为最终训练得到的切片间相关度检测模型。
可以理解的是，由于用于训练切片间相关度检测模型的多个切片样本序列不仅包括由多个连续的切片构成的第一切片样本序列，还包括由多个非连续的切片构成的第二切片样本序列，因此，训练得到的切片间相关度检测模型不仅可以检测连续切片之间的相关度，而且还可以检测非连续切片之间的相关度。通常情况下，训练得到的切片间相关度检测模型主要用于检测重建或配准后的薄层切片之间的相关度。
可以看出，本发明实施例中，在训练切片间相关度检测模型时，通过获取多个切片样本序列、以及各切片样本序列对应的相关度标签序列；其中，多个切片样本序列中包括由多个连续的切片构成的第一切片样本序列和由多个非连续的切片构成的第二切片样本序列；并将多个切片样本序列输入至初始切片间相关度检测模型中，得到各切片样本序列对应的预测相关度序列；再根据各切片样本序列对应的相关度标签序列和预测相关度序列，对初始切片间相关度检测模型的模型参数进行更新，这样采用深度学习算法训练得到的切片间相关度检测模型，可以准确地检测出切片之间的相关度，提高了相关度检测结果的准确度；此外，还可以有效地提高相关度的检测效率。
基于上述图1所示的实施例，可以训练得到切片间相关度检测模型，该切片间相关度检测模型可以准确地确定出连续切片之间的相关度，这样可以将连续切片之间的相关度作为一个参考依据，用于训练病灶分割模型。
图3为本发明实施例提供的一种病灶分割模型的训练方法的流程示意图，该病灶分割模型的训练方法同样可以由软件和/或硬件装置执行。示例的，请参见图3所示，该病灶分割模型的训练方法可以包括：
S301、获取多个第三切片样本序列、以及各第三切片样本序列包括的各切片样本对应的病灶区域标签；其中，第三切片样本序列包括多个连续的切片样本。
示例地，多个第三切片样本序列可以与上述图1所示的多个第一切片样本序列相同；也可以不同；也可以部分相同，部分不同，具体可以根据实际需要进行设置。其中，第三切片样本序列对应的病灶区域标签，即为第三切片样本序列包括多个连续的切片样本对应的病灶区域标签。通常情况下，第三切片样本序列中包括的切片样本为重建或配准后的薄层切片。
示例地，获取多个第三切片样本序列时，可以直接接收其他电子设备发送的多个第三切片样本序列；也可以直接从本地存储中查找获取第三切片样本序列；当然，也可以直接从第三方数据库中获取第三切片样本序列，具体可以根据实际需要进行设置，在此，本发明实施例只是以这三种方式获取多个第三切片样本序列为例进行说明，但并不代表本申请实施例仅局限于此。
可以理解的是，在获取到多个第三切片样本序列后，需要标注各第三切片样本序列包括的各切片样本对应的病灶区域标签，用于后续病灶分割模型的训练。示例地，第三切片样本序列对应的病灶区域标签是依据病灶实际的区域勾画出的不规则区域。
在获取到多个第三切片样本序列后，就可以将多个第三切片样本序列输入至切片间相关度检测模型中，即执行下述S302：
S302、将多个第三切片样本序列输入至切片间相关度检测模型中，得到各第三切片样本序列对应的相关度序列。
其中，切片间相关度检测模型可以为上述图1所示的实施例中训练得到的切片间相关度检测模型。针对第三切片样本序列中的第一个切片，鉴于其不存在前一个连续切片，因此，第三切片样本序列对应的相关度序列，包括第三切片样本序列中第二个切片以及之后的每一个切片各自对应的相关度，每一个切片各自对应的相关度即为该切片与其前一个连续切片间的相关度。
将多个第三切片样本序列输入至切片间相关度检测模型中，可以得到各第三切片样本序列对应的相关度序列，各第三切片样本序列对应的相关度序列，可以作为一个参考依据，共同用于训练病灶分割模型，即执行下述S303和S304：
S303、将多个第三切片样本序列和各第三切片样本序列对应的相关度序列输入至初始病灶分割模型中，得到各第三切片样本序列包括的各切片样本对应的病灶区域。
示例地，在本发明实施例中，初始病灶分割模型可以包括下采样网络和上采样网络，将多个第三切片样本序列和各第三切片样本序列对应的相关度序列输入至初始病灶分割模型中，得到各第三切片样本序列包括的各切片样本对应的病灶区域，包括：
针对各第三切片样本序列执行以下处理：将第三切片样本序列和第三切片样本序列对应的相关度序列输入至下采样网络中，得到第三切片样本序列对应的特征图；再将第三切片样本序列对应的特征图输入至上采样网络中，得到第三切片样本序列包括的各切片样本对应的病灶区域，从而获取到多个第三切片样本序列中，各第三切片样本序列包括的各切片样本对应的病灶区域。
S304、根据各第三切片样本序列包括的各切片样本对应的病灶区域标签和病灶区域，对初始病灶分割模型的模型参数进行更新，以得到训练后的病灶分割模型。
示例地，根据各第三切片样本序列包括的各切片样本对应的病灶区域标签和病灶区域，对初始病灶分割模型的模型参数进行更新，针对各第三切片样本序列对，根据第三切片样本序列包括的各切片样本对应的病灶区域标签和病灶区域，构造第三切片样本序列对应的dice损失；再根据各第三切片样本序列对应的dice损失，对初始病灶分割模型的模型参数进行更新，直至更新后的病灶分割模型满足更新条件，例如更新后的病灶分割模型收敛，或者更新次数达到预设次数阈值，则将满足更新条件的病灶分割模型确定为最终训练得到的病灶分割模型。
示例地，根据各第三切片样本序列对应的dice损失，对初始病灶分割模型的模型参数进行更新时，可以根据各第三切片样本序列对应的dice损失，确定多个dice损失对应的平均值；并根据平均值对初始病灶分割模型的模型参数进行更新，直至更新后的病灶分割模型满足更新条件，例如更新后的病灶分割模型收敛，或者更新次数达到预设次数阈值，则将满足更新条件的病灶分割模型确定为最终训练得到的病灶分割模型。
可以看出，本发明实施例中，在训练病灶分割模型时，通过获取多个第三切片样本序列、以及各第三切片样本序列包括的各切片样本对应的病灶区域标签；将多个第三切片样本序列输入至切片间相关度检测模型中，得到各第三切片样本序列对应的相关度序列；并将多个第三切片样本序列和各第三切片样本序列对应的相关度序列输入至初始病灶分割模型中，得到各第三切片样本序列包括的各切片样本对应的病灶区域；再根据各第三切片样本序列包括的各切片样本对应的病灶区域标签和病灶区域，对初始病灶分割模型的模型参数进行更新，这样在第三切片样本序列的基础上结合第三切片样本序列对应的相关度序列，并采用深度学习算法训练得到的病灶分割模型，可以准确地检测出切片对应的病灶区域，从而提高了病灶区域检测结果的准确度；此外，还可以有效地提高病灶区域的检测效率。
上述实施例详细地描述了在本发明实施例中，如何训练得到切片间相关度检测模型和病灶分割模型的技术方案，下面，将通过下述图4所示的实施例，对切片间相关度检测模型的应用过程和病灶分割模型进行详细描述。
图4为本发明实施例提供的一种切片间相关度的检测方法的流程示意图，该切片间相关度的检测方法同样可以由软件和/或硬件装置执行。示例的，请参见图4所示，该切片间相关度的检测方法可以包括：
S401、获取待处理切片序列；其中，待处理切片序列包括多个连续的切片。
通常情况下，在本发明实施例中，在待处理切片序列包括的多个连续切片为薄层切片的情况下，该薄层切片可以为在进行厚层MRI扫描得到的厚层切片的基础上，进行MRI重建或者配准等操作获取到的薄层切片。
在获取到待处理切片序列后，就可以将待处理切片序列输入至上述实施例训练得到的切片间相关度检测模型中，即执行下述S402：
S402、将待处理切片序列输入至切片间相关度检测模型中，得到待处理切片序列对应的相关度序列；其中，切片间相关度检测模型为上述实施例所示的切片间相关度检测模型。
针对待处理切片序列中的第一个切片，鉴于其不存在前一个连续切片，因此，待处理切片序列对应的相关度序列，包括第一切片样本序列中第二个切片以及之后的每一个切片各自对应的相关度，每一个切片各自对应的相关度即为该切片与其前一个连续切片间的相关度。
示例地，将待处理切片序列输入至切片间相关度检测模型中，得到待处理切片序列对应的相关度序列时，切片间相关度检测模型的网络结构可结合上述图2所示，可以先将待处理切片序列输入至切片间相关度检测模型中的输入层网络中，并通过输入层网络将待处理切片序列输入至切片间相关度检测模型中的隐藏层网络中的卷积神经网络中，得到待处理切片序列对应的第一特征图；并将待处理切片序列对应的第一特征图输入至隐藏层网络中的循环神经网络中，得到待处理切片序列对应的第二特征图；将待处理切片序列对应的第二特征图输入至切片间相关度检测模型中的输出层网络中，得到待处理切片序列对应的相关度序列。
可以看出，本发明实施例中，在获取待处理切片序列对应的相关度序列时，可以将待处理切片序列输入至切片间相关度检测模型中，得到待处理切片序列对应的相关度序列；这样采用深度学习算法训练得到的切片间相关度检测模型，可以准确地检测出切片之间的相关度，从而提高了相关度检测结果的准确度；此外，还可以有效地提高相关度的检测效率。
基于上述图3所示的实施例，在确定出待处理切片序列对应的相关度序列之后，还可以在待处理切片序列的基础上，进一步结合确定出的相关度序列，共同确定待处理切片序列包括的各切片对应的病灶区域。示例地，在结合确定出的相关度，共同确定待处理切片序列包括的各切片对应的病灶区域时，可以将待处理切片序列和待处理切片序列对应的相关度序列一并输入至病灶分割模型中，得到待处理切片序列包括的各切片对应的病灶区域；其中，病灶分割模型为上述实施例训练得到的病灶分割模型。
示例地，将待处理切片序列和待处理切片序列对应的相关度序列输入至病灶分割模型中，得到待处理切片序列包括的各切片对应的病灶区域时，可以先将待处理切片序列和待处理切片序列对应的相关度序列输入至病灶分割模型中的下采样网络中，得到待处理切片序列对应的特征图；再将待处理切片序列对应的特征图输入至病灶分割模型中的上采样网络中，得到待处理切片序列包括的各切片对应的病灶区域。
可以看出，本发明实施例中，在获取待处理切片序列包括的各切片对应的病灶区域时，可以将待处理切片序列和待处理切片序列对应的相关度序列一并输入至病灶分割模型中，得到待处理切片序列包括的各切片对应的病灶区域；在待处理切片序列的基础上结合待处理切片序列对应的相关度序列，并采用深度学习算法训练得到的病灶分割模型，可以准确地检测出连续切片对应的病灶区域，从而提高了病灶区域检测结果的准确度；此外，还可以有效地提高病灶区域的检测效率。
下面对本发明提供的切片间相关度检测模型训练装置和切片间相关度的检测装置进行描述，下文描述的切片间相关度检测模型训练装置与上文描述的切片间相关度检测模型训练方法可相互对应参照，切片间相关度的检测装置与上文描述的切片间相关度的检测方法可相互对应参照。
图5为本发明实施例提供的一种切片间相关度检测模型训练装置的结构示意图，示例的，请参见图5所示，该切片间相关度检测模型训练装置50可以包括：
第一获取单元501，用于获取多个切片样本序列、以及各切片样本序列对应的相关度标签序列；其中，多个切片样本序列中包括由多个连续的切片构成的第一切片样本序列和由多个非连续的切片构成的第二切片样本序列。
第一处理单元502，用于将多个切片样本序列输入至初始切片间相关度检测模型中，得到各切片样本序列对应的预测相关度序列。
第一更新单元503，用于根据各切片样本序列对应的相关度标签序列和预测相关度序列，对初始切片间相关度检测模型的模型参数进行更新，以得到训练后的切片间相关度检测模型。
可选地，初始切片间相关度检测模型包括输入层网络、隐藏层网络以及输出层网络；第一处理单元502，具体用于针对各切片样本序列执行以下处理：
将切片样本序列输入至输入层网络中，并通过输入层网络将切片样本序列输入至隐藏层网络中的卷积神经网络中，得到切片样本序列对应的第一特征图；并将切片样本序列对应的第一特征图输入至隐藏层网络中的循环神经网络中，得到切片样本序列对应的第二特征图；将切片样本序列对应的第二特征图输入至输出层网络中，得到切片样本序列对应的预测相关度序列。
可选地，第一更新单元503，具体用于针对各切片样本序列，根据切片样本序列对应的相关度标签序列和预测相关度序列，构造切片样本序列对应的二元交叉熵损失；根据各切片样本序列对应的二元交叉熵损失，对初始切片间相关度检测模型的模型参数进行更新。
可选地，切片间相关度检测模型训练装置50还包括第二获取单元、第二处理单元、第三处理单元以及第二更新单元。
第二获取单元，用于获取多个第三切片样本序列、以及各第三切片样本序列包括的各切片样本对应的病灶区域标签；其中，第三切片样本序列包括多个连续的切片样本。
第二处理单元，用于将多个第三切片样本序列输入至切片间相关度检测模型中，得到各第三切片样本序列对应的相关度序列。
第三处理单元，用于将多个第三切片样本序列和各第三切片样本序列对应的相关度序列输入至初始病灶分割模型中，得到各第三切片样本序列包括的各切片样本对应的病灶区域。
第二更新单元，用于根据各第三切片样本序列包括的各切片样本对应的病灶区域标签和病灶区域，对初始病灶分割模型的模型参数进行更新，以得到训练后的病灶分割模型。
可选地，初始病灶分割模型包括下采样网络和上采样网络；第三处理单元，具体用于针对各第三切片样本序列执行以下处理：
将第三切片样本序列和第三切片样本序列对应的相关度序列输入至下采样网络中，得到第三切片样本序列对应的特征图；将第三切片样本序列对应的特征图输入至上采样网络中，得到第三切片样本序列包括的各切片样本对应的病灶区域。
可选地，第二更新单元，具体用于针对各第三切片样本序列对，根据第三切片样本序列包括的各切片样本对应的病灶区域标签和病灶区域，构造第三切片样本序列对应的dice损失；根据各第三切片样本序列对应的dice损失，对初始病灶分割模型的模型参数进行更新。
本发明实施例提供的切片间相关度检测模型训练装置50，可以执行上述任一实施例中切片间相关度检测模型训练方法的技术方案，其实现原理以及有益效果与切片间相关度检测模型训练方法的实现原理及有益效果类似，可参见切片间相关度检测模型训练方法的实现原理及有益效果，此处不再进行赘述。
图6为本发明实施例提供的一种切片间相关度的检测装置的结构示意图，示例的，请参见图6所示，该切片间相关度的检测装置60可以包括：
第三获取单元601，用于获取待处理切片序列；其中，待处理切片序列包括多个连续的切片。
第四处理单元602，用于将待处理切片序列输入至切片间相关度检测模型中，得到待处理切片序列对应的相关度序列；其中，切片间相关度检测模型为上述实施例所示的切片间相关度检测模型。
可选地，第四处理单元602，具体用于将待处理切片序列输入至切片间相关度检测模型中的输入层网络中，并通过输入层网络将待处理切片序列输入至切片间相关度检测模型中的隐藏层网络中的卷积神经网络中，得到待处理切片序列对应的第一特征图；并将待处理切片序列对应的第一特征图输入至隐藏层网络中的循环神经网络中，得到待处理切片序列对应的第二特征图；将待处理切片序列对应的第二特征图输入至切片间相关度检测模型中的输出层网络中，得到待处理切片序列对应的相关度序列。
可选地，切片间相关度的检测装置60还包括第五处理单元。
第五处理单元，用于将待处理切片序列和待处理切片序列对应的相关度序列输入至病灶分割模型中，得到待处理切片序列包括的各切片对应的病灶区域；其中，病灶分割模型为上述实施例所示的病灶分割模型。
可选地，第五处理单元，具体用于将待处理切片序列和待处理切片序列对应的相关度序列输入至病灶分割模型中的下采样网络中，得到待处理切片序列对应的特征图；将待处理切片序列对应的特征图输入至病灶分割模型中的上采样网络中，得到待处理切片序列包括的各切片对应的病灶区域。
本发明实施例提供的切片间相关度的检测装置60，可以执行上述任一实施例中切片间相关度的检测方法的技术方案，其实现原理以及有益效果与切片间相关度的检测方法的实现原理及有益效果类似，可参见切片间相关度的检测方法的实现原理及有益效果，此处不再进行赘述。
图7为本发明实施例提供的一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行切片间相关度检测模型训练方法，或者，执行切片间相关度的检测方法。
其中，切片间相关度检测模型训练方法包括：获取多个切片样本序列、以及各切片样本序列对应的相关度标签序列；其中，多个切片样本序列中包括由多个连续的切片构成的第一切片样本序列和由多个非连续的切片构成的第二切片样本序列；将多个切片样本序列输入至初始切片间相关度检测模型中，得到各切片样本序列对应的预测相关度序列；根据各切片样本序列对应的相关度标签序列和预测相关度序列，对初始切片间相关度检测模型的模型参数进行更新，以得到训练后的切片间相关度检测模型。
切片间相关度的检测方法包括：获取待处理切片序列；其中，待处理切片序列包括多个连续的切片；将待处理切片序列输入至切片间相关度检测模型中，得到待处理切片序列对应的相关度序列；其中，切片间相关度检测模型为上述实施例所示的切片间相关度检测模型。
此外，上述的存储器730中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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，服务器，或者网络设备等）执行本发明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、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的切片间相关度检测模型训练方法，或者，切片间相关度的检测方法。
其中，切片间相关度检测模型训练方法包括：获取多个切片样本序列、以及各切片样本序列对应的相关度标签序列；其中，多个切片样本序列中包括由多个连续的切片构成的第一切片样本序列和由多个非连续的切片构成的第二切片样本序列；将多个切片样本序列输入至初始切片间相关度检测模型中，得到各切片样本序列对应的预测相关度序列；根据各切片样本序列对应的相关度标签序列和预测相关度序列，对初始切片间相关度检测模型的模型参数进行更新，以得到训练后的切片间相关度检测模型。
切片间相关度的检测方法包括：获取待处理切片序列；其中，待处理切片序列包括多个连续的切片；将待处理切片序列输入至切片间相关度检测模型中，得到待处理切片序列对应的相关度序列；其中，切片间相关度检测模型为上述实施例所示的切片间相关度检测模型。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的切片间相关度检测模型训练方法，或者，切片间相关度的检测方法。
其中，切片间相关度检测模型训练方法包括：获取多个切片样本序列、以及各切片样本序列对应的相关度标签序列；其中，多个切片样本序列中包括由多个连续的切片构成的第一切片样本序列和由多个非连续的切片构成的第二切片样本序列；将多个切片样本序列输入至初始切片间相关度检测模型中，得到各切片样本序列对应的预测相关度序列；根据各切片样本序列对应的相关度标签序列和预测相关度序列，对初始切片间相关度检测模型的模型参数进行更新，以得到训练后的切片间相关度检测模型。
切片间相关度的检测方法包括：获取待处理切片序列；其中，待处理切片序列包括多个连续的切片；将待处理切片序列输入至切片间相关度检测模型中，得到待处理切片序列对应的相关度序列；其中，切片间相关度检测模型为上述实施例所示的切片间相关度检测模型。
以上所描述的装置实施例仅仅是示意性的，其中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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (14)

1.一种切片间相关度检测模型训练方法，其特征在于，包括：
获取多个切片样本序列、以及各切片样本序列对应的相关度标签序列；其中，所述多个切片样本序列中包括由多个连续的切片构成的第一切片样本序列和由多个非连续的切片构成的第二切片样本序列；
将所述多个切片样本序列输入至初始切片间相关度检测模型中，得到所述各切片样本序列对应的预测相关度序列；
根据所述各切片样本序列对应的相关度标签序列和预测相关度序列，对所述初始切片间相关度检测模型的模型参数进行更新，以得到训练后的切片间相关度检测模型。
2.根据权利要求1所述的切片间相关度检测模型训练方法，其特征在于，所述初始切片间相关度检测模型包括输入层网络、隐藏层网络以及输出层网络，所述将所述多个切片样本序列输入至初始切片间相关度检测模型中，得到所述各切片样本序列对应的预测相关度序列，包括：
针对所述各切片样本序列执行以下处理：
将所述切片样本序列输入至所述输入层网络中，并通过所述输入层网络将所述切片样本序列输入至所述隐藏层网络中的卷积神经网络中，得到所述切片样本序列对应的第一特征图；并将所述切片样本序列对应的第一特征图输入至所述隐藏层网络中的循环神经网络中，得到所述切片样本序列对应的第二特征图；
将所述切片样本序列对应的第二特征图输入至所述输出层网络中，得到所述切片样本序列对应的所述预测相关度序列。
3.根据权利要求1所述的切片间相关度检测模型训练方法，其特征在于，所述根据所述各切片样本序列对应的相关度标签序列和预测相关度序列，对所述初始切片间相关度检测模型的模型参数进行更新，包括：
针对所述各切片样本序列，根据所述切片样本序列对应的相关度标签序列和预测相关度序列，构造所述切片样本序列对应的二元交叉熵损失；
根据所述各切片样本序列对应的二元交叉熵损失，对所述初始切片间相关度检测模型的模型参数进行更新。
4.根据权利要求1-3任一项所述的切片间相关度检测模型训练方法，其特征在于，所述方法还包括：
获取多个第三切片样本序列、以及各第三切片样本序列包括的各切片样本对应的病灶区域标签；其中，所述第三切片样本序列包括多个连续的切片样本；
将所述多个第三切片样本序列输入至所述切片间相关度检测模型中，得到所述各第三切片样本序列对应的相关度序列；
将所述多个第三切片样本序列和所述各第三切片样本序列对应的相关度序列输入至初始病灶分割模型中，得到所述各第三切片样本序列包括的各切片样本对应的病灶区域；
根据所述各第三切片样本序列包括的各切片样本对应的病灶区域标签和病灶区域，对所述初始病灶分割模型的模型参数进行更新，以得到训练后的病灶分割模型。
5.根据权利要求4所述的切片间相关度检测模型训练方法，其特征在于，所述初始病灶分割模型包括下采样网络和上采样网络，所述将所述多个第三切片样本序列和所述各第三切片样本序列对应的相关度序列输入至初始病灶分割模型中，得到所述各第三切片样本序列包括的各切片样本对应的病灶区域，包括：
针对所述各第三切片样本序列执行以下处理：
将所述第三切片样本序列和所述第三切片样本序列对应的相关度序列输入至所述下采样网络中，得到所述第三切片样本序列对应的特征图；
将所述第三切片样本序列对应的特征图输入至所述上采样网络中，得到所述第三切片样本序列包括的各切片样本对应的病灶区域。
6.根据权利要求4所述的切片间相关度检测模型训练方法，其特征在于，所述根据所述各第三切片样本序列包括的各切片样本对应的病灶区域标签和病灶区域，对所述初始病灶分割模型的模型参数进行更新，包括：
针对所述各第三切片样本序列对，根据所述第三切片样本序列包括的各切片样本对应的病灶区域标签和病灶区域，构造所述第三切片样本序列对应的dice损失；
根据所述各第三切片样本序列对应的dice损失，对所述初始病灶分割模型的模型参数进行更新。
7.一种切片间相关度的检测方法，其特征在于，包括：
获取待处理切片序列；其中，所述待处理切片序列包括多个连续的切片；
将所述待处理切片序列输入至切片间相关度检测模型中，得到所述待处理切片序列对应的相关度序列；其中，所述切片间相关度检测模型为上述权利要求1-6任一项所述的切片间相关度检测模型。
8.根据权利要求7所述的切片间相关度的检测方法，其特征在于，所述将所述待处理切片序列输入至切片间相关度检测模型中，得到所述待处理切片序列对应的相关度序列，包括：
将所述待处理切片序列输入至所述切片间相关度检测模型中的输入层网络中，并通过所述输入层网络将所述待处理切片序列输入至所述切片间相关度检测模型中的隐藏层网络中的卷积神经网络中，得到所述待处理切片序列对应的第一特征图；并将所述待处理切片序列对应的第一特征图输入至所述隐藏层网络中的循环神经网络中，得到所述待处理切片序列对应的第二特征图；
将所述待处理切片序列对应的第二特征图输入至所述切片间相关度检测模型中的输出层网络中，得到所述待处理切片序列对应的相关度序列。
9.根据权利要求7所述的切片间相关度的检测方法，其特征在于，所述方法还包括：
将所述待处理切片序列和所述待处理切片序列对应的相关度序列输入至病灶分割模型中，得到所述待处理切片序列包括的各切片对应的病灶区域。
10.根据权利要求9所述的切片间相关度的检测方法，其特征在于，所述将所述待处理切片序列和所述待处理切片序列对应的相关度序列输入至病灶分割模型中，得到所述待处理切片序列包括的各切片对应的病灶区域，包括：
将所述待处理切片序列和所述待处理切片序列对应的相关度序列输入至所述病灶分割模型中的下采样网络中，得到所述待处理切片序列对应的特征图；
将所述待处理切片序列对应的特征图输入至所述病灶分割模型中的上采样网络中，得到所述待处理切片序列包括的各切片对应的病灶区域。
11.一种切片间相关度检测模型训练装置，其特征在于，包括：
第一获取单元，用于获取多个切片样本序列、以及各切片样本序列对应的相关度标签序列；其中，所述多个切片样本序列中包括由多个连续的切片构成的第一切片样本序列和由多个非连续的切片构成的第二切片样本序列；
第一处理单元，用于将所述多个切片样本序列输入至初始切片间相关度检测模型中，得到所述各切片样本序列对应的预测相关度序列；
第一更新单元，用于根据所述各切片样本序列对应的相关度标签序列和预测相关度序列，对所述初始切片间相关度检测模型的模型参数进行更新，以得到训练后的切片间相关度检测模型。
12.一种切片间相关度的检测装置，其特征在于，包括：
第三获取单元，用于获取待处理切片序列；其中，所述待处理切片序列包括多个连续的切片；
第四处理单元，用于将所述待处理切片序列输入至切片间相关度检测模型中，得到所述待处理切片序列对应的相关度序列；其中，所述切片间相关度检测模型为上述权利要求1-6任一项所述的切片间相关度检测模型。
13.一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至6任一项所述的切片间相关度检测模型训练方法；或者，实现如权利要求7至10任一项所述的切片间相关度的检测方法。
14.一种非暂态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如权利要求1至6任一项所述的切片间相关度检测模型训练方法；或者，实现如权利要求7至10任一项所述的切片间相关度的检测方法。
CN202211076138.0A 2022-09-05 2022-09-05 切片间相关度检测模型训练方法、检测方法和电子设备 Active CN115147420B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211076138.0A CN115147420B (zh) 2022-09-05 2022-09-05 切片间相关度检测模型训练方法、检测方法和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211076138.0A CN115147420B (zh) 2022-09-05 2022-09-05 切片间相关度检测模型训练方法、检测方法和电子设备

Publications (2)

Publication Number Publication Date
CN115147420A true CN115147420A (zh) 2022-10-04
CN115147420B CN115147420B (zh) 2022-11-22

Family

ID=83416228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211076138.0A Active CN115147420B (zh) 2022-09-05 2022-09-05 切片间相关度检测模型训练方法、检测方法和电子设备

Country Status (1)

Country Link
CN (1) CN115147420B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180240235A1 (en) * 2017-02-23 2018-08-23 Zebra Medical Vision Ltd. Convolutional neural network for segmentation of medical anatomical images
CN111915609A (zh) * 2020-09-22 2020-11-10 平安科技（深圳）有限公司 病灶检测分析方法、装置、电子设备及计算机存储介质
CN112150449A (zh) * 2020-09-29 2020-12-29 太原理工大学 一种脑卒中病灶分割方法和系统
CN113658105A (zh) * 2021-07-21 2021-11-16 杭州深睿博联科技有限公司 一种3d肝脏病灶检测方法及装置
CN113947609A (zh) * 2021-10-12 2022-01-18 中南林业科技大学 深度学习网络结构及多标签主动脉夹层ct图像分割方法
CN114066901A (zh) * 2021-11-15 2022-02-18 中南大学 腹部ct图像的肝脏分割方法及其ct成像方法
CN114332129A (zh) * 2021-12-30 2022-04-12 推想医疗科技股份有限公司 模型训练方法和装置、图像分割方法和装置
CN114612970A (zh) * 2022-03-03 2022-06-10 支付宝(杭州)信息技术有限公司 一种基于位置序列的人脸图像的识别方法、装置以及设备
EP4016453A1 (en) * 2020-12-21 2022-06-22 Siemens Healthcare GmbH Method and system for automated segmentation of biological object parts in mri
CN114937025A (zh) * 2022-06-10 2022-08-23 联仁健康医疗大数据科技股份有限公司 图像分割方法、模型训练方法、装置、设备及介质
CN114997322A (zh) * 2022-06-17 2022-09-02 中国平安人寿保险股份有限公司 基于半监督模型的分类预测方法、设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180240235A1 (en) * 2017-02-23 2018-08-23 Zebra Medical Vision Ltd. Convolutional neural network for segmentation of medical anatomical images
CN111915609A (zh) * 2020-09-22 2020-11-10 平安科技（深圳）有限公司 病灶检测分析方法、装置、电子设备及计算机存储介质
CN112150449A (zh) * 2020-09-29 2020-12-29 太原理工大学 一种脑卒中病灶分割方法和系统
EP4016453A1 (en) * 2020-12-21 2022-06-22 Siemens Healthcare GmbH Method and system for automated segmentation of biological object parts in mri
CN113658105A (zh) * 2021-07-21 2021-11-16 杭州深睿博联科技有限公司 一种3d肝脏病灶检测方法及装置
CN113947609A (zh) * 2021-10-12 2022-01-18 中南林业科技大学 深度学习网络结构及多标签主动脉夹层ct图像分割方法
CN114066901A (zh) * 2021-11-15 2022-02-18 中南大学 腹部ct图像的肝脏分割方法及其ct成像方法
CN114332129A (zh) * 2021-12-30 2022-04-12 推想医疗科技股份有限公司 模型训练方法和装置、图像分割方法和装置
CN114612970A (zh) * 2022-03-03 2022-06-10 支付宝(杭州)信息技术有限公司 一种基于位置序列的人脸图像的识别方法、装置以及设备
CN114937025A (zh) * 2022-06-10 2022-08-23 联仁健康医疗大数据科技股份有限公司 图像分割方法、模型训练方法、装置、设备及介质
CN114997322A (zh) * 2022-06-17 2022-09-02 中国平安人寿保险股份有限公司 基于半监督模型的分类预测方法、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
VINAYAK RAY等: "Image based sub-second fast fully automatic complete cardiac cycle left ventricle segmentation in multi frame cardiac MRI images using pixel clustering and labelling", 《2015 EIGHTH INTERNATIONAL CONFERENCE ON CONTEMPORARY COMPUTING (IC3)》 *
黎生丹等: "深度学习多部位病灶检测与分割", 《中国图象图形学报》 *

Also Published As

Publication number Publication date
CN115147420B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN110110617B (zh) 医学影像分割方法、装置、电子设备和存储介质
US10810735B2 (en) Method and apparatus for analyzing medical image
Namburu et al. Generalised rough intuitionistic fuzzy c‐means for magnetic resonance brain image segmentation
CN108171663B (zh) 基于特征图最近邻替换的卷积神经网络的图像填充系统
Castillejos et al. Wavelet transform fuzzy algorithms for dermoscopic image segmentation
CN111161314B (zh) 目标对象的位置区域确定方法、装置、电子设备及存储介质
Akram et al. Intensity-based statistical features for classification of lungs CT scan nodules using artificial intelligence techniques
CN109903282B (zh) 一种细胞计数方法、系统、装置和存储介质
CN112508901B (zh) 一种水下结构病害识别方法、系统、装置及存储介质
CN110969613A (zh) 一种具有影像征象解释的肺结核智能识别方法及系统
Oleskiw et al. Spectral receptive fields do not explain tuning for boundary curvature in V4
CN113920109A (zh) 医疗影像识别模型训练方法、识别方法、装置及设备
Wu et al. Visual structural degradation based reduced-reference image quality assessment
CN112613749A (zh) 跨境隐存高危因子风险智能分析系统
CN116797554A (zh) 图像处理方法以及装置
CN103279944A (zh) 一种基于生物地理优化的图像分割方法
CN114708301A (zh) 一种运动伪影识别方法、装置、存储介质及电子设备
CN115147420B (zh) 切片间相关度检测模型训练方法、检测方法和电子设备
Panetta et al. Nonreference medical image edge map measure
US20230115927A1 (en) Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection
HongQing Segmentation of blood vessels in retinal images using 2D entropies of gray level-gradient cooccurrence matrix
CN116433976A (zh) 图像处理方法、装置、设备和存储介质
CN115631370A (zh) 一种基于卷积神经网络的mri序列类别的识别方法及装置
CN112233126B (zh) 医学图像的加窗方法及装置
CN117152622B (zh) 边界优化模型训练、边界优化方法、装置、设备及介质

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
GR01 Patent grant
GR01 Patent grant