CN115272674A - 图像分割模型的训练方法、图像分割的方法及装置 - Google Patents
图像分割模型的训练方法、图像分割的方法及装置 Download PDFInfo
- Publication number
- CN115272674A CN115272674A CN202210905224.1A CN202210905224A CN115272674A CN 115272674 A CN115272674 A CN 115272674A CN 202210905224 A CN202210905224 A CN 202210905224A CN 115272674 A CN115272674 A CN 115272674A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- image sample
- segmentation model
- training
- 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
Images
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
- 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
- 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)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种目标分割模型的训练方法、目标分割的方法及装置。所述目标分割模型的训练方法包括:获取第一目标的第一勾画图像样本、与所述第一目标关联的第二目标的第二勾画图像样本和与所述第一目标相同部位的第三图像样本;根据所述第一勾画图像样本、所述第二勾画图像样本和所述第三图像样本对初始分割模型进行训练,得到目标分割模型。采用本方法能够通过目标分割模型自动勾画高危临床靶区,降低了靶区勾画时间,提高了靶区勾画效率。
Description
技术领域
本申请涉及医疗技术领域,特别是涉及一种图像分割模型的训练方法、图像分割的方法及装置。
背景技术
放射治疗是癌症的治疗方式之一,而放疗剂量是影响癌症治疗效果的重要因素之一,为了保障原发肿瘤、亚临床病灶以及可疑病灶获得各自所需剂量,肿瘤的原发灶区和高危临床靶区的勾画显得极为重要。高危临床靶区是临原发灶周围潜在侵犯的区域,一般指原发灶区外扩5mm-10mm的区域。
传统技术中,癌症的高危临床靶区是由医生手动勾画的,据统计,根据医生的年资跟病人临床靶区的复杂程度不同,医生手动勾画高危临床靶区耗时约需要30-60分钟。可见,目前手动勾画高危临床靶区的方式存在消耗时间长、各医生勾画标准不统一的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低高危临床靶区勾画时间的图像分割模型的训练方法、图像分割的方法及装置。
第一方面,本申请提供了一种图像分割模型的训练方法。所述方法包括:
获取第一目标的第一勾画图像样本、与所述第一目标关联的第二目标的第二勾画图像样本和与所述第一目标相同部位的第三图像样本;
根据所述第一勾画图像样本、所述第二勾画图像样本和所述第三图像样本对初始分割模型进行训练,得到目标分割模型。
在其中一个实施例中,所述第一目标包括原发灶区,所述第二目标包括高危临床靶区。
在其中一个实施例中,所述根据所述第一勾画图像样本、所述第二勾画图像样本和所述第三图像样本对初始分割模型进行训练,得到目标分割模型,包括:
将所述第一勾画图像样本和所述第三图像样本输入至初始分割模型,输出所述第二目标的预测图像;
根据所述预测图像和所述第二勾画图像样本对所述初始分割模型进行训练,得到目标分割模型。
在其中一个实施例中,所述根据所述预测图像和所述第二勾画图像样本对所述初始分割模型进行训练,得到目标分割模型,包括:
根据所述预测图像和所述第二勾画图像样本之间的差异确定损失函数的值;
根据所述损失函数的值优化所述初始分割模型的模型参数,直到所述损失函数的值达到预设条件;
将所述损失函数的值达到预设条件时的模型确定为目标分割模型。
在其中一个实施例中,所述第一勾画图像样本包括基于磁共振检查MR图像的勾画图像样本,所述第二勾画图像样本包括基于计算机断层扫描CT图像或MR图像的勾画图像样本,所述第三图像样本包括CT图像样本。
在其中一个实施例中,所述方法还包括:
获取训练数据,所述训练数据包括对所述初始分割模型进行训练过程中所述初始分割模型的输出数据;
根据所述训练数据,对初始分类模型进行训练,得到目标分类模型。
第二方面,本申请还提供了一种图像分割的方法,所述方法包括:
获取第一目标的第一勾画图像和与所述第一目标相同部位的待分割图像;
将所述第一勾画图像和所述待分割图像输入至目标分割模型,得到第二目标的勾画图像。
第三方面,本申请还提供了一种图像分割模型的训练装置,所述装置包括:
数据获取模块,获取第一目标的第一勾画图像样本、与所述第一目标关联的第二目标的第二勾画图像样本和与所述第一目标相同部位的第三图像样本;
模型训练模块,用于根据所述第一勾画图像样本、所述第二勾画图像样本和所述第三图像样本对初始分割模型进行训练,得到目标分割模型。
第四方面,本申请还提供了一种图像分割的装置,所述装置包括:
数据获取模块,用于获取第一目标的第一勾画图像和与所述第一目标相同部位的待分割图像;
数据勾画模块,用于将所述第一勾画图像和所述待分割图像输入至目标分割模型,得到第二目标的勾画图像。
第五方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取第一目标的第一勾画图像样本、与所述第一目标关联的第二目标的第二勾画图像样本和与所述第一目标相同部位的第三图像样本;
根据所述第一勾画图像样本、所述第二勾画图像样本和所述第三图像样本对初始分割模型进行训练,得到目标分割模型;
或者;
获取第一目标的第一勾画图像和与所述第一目标相同部位的待分割图像;
将所述第一勾画图像和所述待分割图像输入至目标分割模型,得到第二目标的勾画图像。
上述图像分割模型的训练方法、图像分割的方法及装置,通过获取第一目标的第一勾画图像样本、与所述第一目标关联的第二目标的第二勾画图像样本和与所述第一目标相同部位的第三图像样本;根据所述第一勾画图像样本、所述第二勾画图像样本和所述第三图像样本对初始分割模型进行训练,得到目标分割模型,使得高危临床靶区可以通过目标分割模型自动勾画,降低了靶区勾画时间,提高了靶区勾画效率,同时,还提高了勾画准确度。
附图说明
图1为一个实施例中图像分割模型的训练方法的流程示意图;
图2为一个实施例中图像分割的方法的流程示意图;
图3为一个实施例中图像分割的网络结构示意图;
图4为另一个实施例中图像分割模型的训练方法的流程示意图;
图5为一个实施例中图像分割模型的训练装置的结构框图;
图6为一个实施例中图像分割的装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种图像分割模型的训练方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤102,获取第一目标的第一勾画图像样本、与第一目标关联的第二目标的第二勾画图像样本和与第一目标相同部位的第三图像样本。
其中,第一目标是临床检查及影像学所见的肿瘤及其侵犯的区域。例如第一目标为原发灶区时,通常医生需要基于肿瘤所在部位的医学图像进行手动勾画,得到原发灶区的勾画图像。在一个示例中,第一勾画图像样本可以为基于磁共振检查(MagneticResonance Imaging,MR)图像的勾画图像样本。
第二目标包括原发灶区周围潜在侵犯的区域。比如,第二目标为高危临床靶区时,通常医生需要基于肿瘤所在部位的医学图像进行手动勾画,得到高危临床靶区的勾画图像。在一个示例中,第二勾画图像样本可以为基于计算机断层扫描(Computed Tomography,CT)图像样本或MR图像的勾画图像样本。
第三图像样本指与第一目标相同部位的医学图像。在一个示例中,第三图像样本可以为CT图像样本,例如鼻咽部的CT图像等。相比MR图像,高危临床靶区、特别是如鼻咽癌的高危临床靶区,并不容易在CT图像上看清,因此给医生的勾画和图像处理带来了困难。
具体地,终端可以从服务器获取第一勾画图像样本、第二勾画图像样本和第三图像样本,也可以从终端的存储器中获取第一勾画图像样本、第二勾画图像样本和第三图像样本,本实施例对此不加以限制。
步骤104,根据第一勾画图像样本、第二勾画图像样本和第三图像样本对初始分割模型进行训练,得到目标分割模型。
其中,初始分割模型是对图像进行分割的网络,例如U-Net网络、U-Net网络的变形网络或者其它网络等。
具体地,终端可以将第一勾画图像样本和第三图像样本输入至初始分割模型中,得到初始分割模型的输出结果,再根据该输出结果与第二勾画图像样本训练初始分割模型,将输出结果与第二勾画图像样本的差异达到预设条件时的模型确定为目标分割模型。
在具体实现中,终端可以将第一勾画图像样本和第三图像样本作为输入数据,将第二勾画图像样本作为标注数据。将输入数据和标注数据划分为3份,即训练集、验证集和测试集,数量比例如大致为7:1:2,并利用训练集对模型进行训练,利用验证集对模型进行验证,利用测试集对模型进行测试。
在训练过程中,对于训练集中的数据,可以先进行预处理,再将预处理后的数据输入至初始分割模型中。预处理的步骤可以包括:获取第三图像样本的窗宽和窗位;基于窗宽和窗位对第三图像样本进行归一化处理;对第一勾画图像样本、第二勾画图像样本和归一化处理后的第三图像样本进行数据增强处理。
其中,窗宽是第三图像样本上显示的CT值范围,窗位是指窗宽上下限的平均数,以窗宽400,窗位60为例,归一化处理的过程是将-140~260范围内的CT值映射至0~1的范围内,小于-140的即为0,大于260的即为1。
数据增强处理包括随机裁剪、旋转、翻转或缩放中的至少一种。随机裁剪是指在图像体素范围内随机选择一点,裁剪固定体积的图像范围。旋转是指将图像绕z轴随机旋转一定角度。翻转是指将图像围绕x轴或y轴旋转180°。缩放是指对图像进行插值,实现放大或者缩小。
应当理解的是,在得到目标分割模型后,可以利用该目标分割模型对待分割图像进行分割。具体地,可以获取第一目标的第一勾画图像和与第一目标相同部位的待分割图像;将第一勾画图像和待分割图像输入至目标分割模型,得到第二目标的勾画图像。
上述图像分割模型的训练方法中,通过获取原发灶区的第一勾画图像样本、与原发灶区对应的高危临床靶区的第二勾画图像样本和与原发灶区相同部位的第三图像样本;根据第一勾画图像样本、第二勾画图像样本和第三图像样本对初始分割模型进行训练,得到目标分割模型,使得高危临床靶区可以通过目标分割模型自动勾画,降低了靶区勾画时间,提高了靶区勾画效率。
在一个实施例中,第一目标包括原发灶区,第二目标包括高危临床靶区。更进一步,第一目标为鼻咽癌原发灶区,第二目标为鼻咽癌高危临床靶区。
具体地,第一目标还可以包括组织和关联此组织的另一组织;比如,可以为肺部和心脏、血管和心脏或脑部不同组织等;可以为肿瘤和包含肿瘤的组织。
在一个实施例中,根据第一勾画图像样本、第二勾画图像样本和第三图像样本对初始分割模型进行训练,得到目标分割模型的步骤,包括:将第一勾画图像样本和第三图像样本输入至初始分割模型,输出第二目标的预测图像;根据预测图像和第二勾画图像样本对初始分割模型进行训练,得到目标分割模型。
其中,第二目标的预测图像是根据第一勾画图像样本在第三图像样本上自动勾画出第二目标的图像。
本实施例以第一目标为原发灶区,第二目标为高危临床靶区进行举例说明,具体地,初始分割模型为一个多通道输入的神经网络模型,其中一个通道输入医生勾画的原发灶区的第一勾画图像样本,另一个通道输入第三图像样本,初始分割模型输入的维度为[2*x*y*z](其中,x为第三图像样本的长度,y为第三图像样本的宽度,z为第三图像样本的高度),初始分割模型的输出为高危临床靶区的预测图像,输出的维度为[x*y*z]。
本实施例通过设计一个多通道的初始分割模型,将第三图像样本和医生勾画好的原发灶区的第一勾画图像样本分别输入到初始分割模型中,输出高危临床靶区的预测图像,充分利用了医生勾画好的第一勾画图像样本的信息,以及深度学习模型对数据的挖掘能力,能够有效的在第三图像样本上勾画出一个与医生勾画标准相吻合的高危临床靶区,Dice相似系数(Dice Similarity Coefficient,DSC)值可达到0.9以上,医生仅需要在模型输出图像的基础上进行少量修改即可使用。
在一个实施例中,根据预测图像和第二勾画图像样本对初始分割模型进行训练,得到目标分割模型,包括:根据预测图像和第二勾画图像样本之间的差异确定损失函数的值;根据损失函数的值优化初始分割模型的模型参数,直到损失函数的值达到预设条件;将损失函数的值达到预设条件时的模型确定为目标分割模型。
其中,损失函数是用来估量模型的预测值与真实值的不一致程度,它是一个非负实值函数。通常损失函数越小,模型的鲁棒性就越好。
具体地,在训练过程中,终端可以计算出预测图像与第二勾画图像样本之间的差异,将其作为损失函数的值,并根据每次计算出的损失函数的值迭代地优化模型参数,达到预设条件,例如损失函数的值达到最小或预设值、迭代次数到达预设值时,将优化后得到的模型作为目标分割模型。
当然,在具体实现中,终端还可以通过计算预测图像和第二勾画图像样本之间的DSC是否达到预设条件确定目标分割模型,例如终端可以通过判断DSC是否明显不再增加,在DSC明显不再增加的情况下,将此时的模型确定为目标分割模型。
本实施例通过根据预测图像和第二勾画图像样本之间的差异确定目标分割模型,提高了目标分割模型的精确度。
在一个实施例中,第一勾画图像样本包括基于磁共振检查MR图像的勾画图像样本,第二勾画图像样本包括基于计算机断层扫描CT图像或MR图像的勾画图像样本,第三图像样本包括CT图像样本。
具体地,目标分割模型的训练方法为:获取第一目标的基于MR图像的勾画图像样本、与第一目标关联的第二目标的CT图像或MR图像的勾画图像样本、与第一目标相同部位的CT图像样本;根据基于MR图像的勾画图像样本、与第一目标关联的第二目标的CT图像或MR图像的勾画图像样本、与第一目标相同部位的CT图像样本,对初始分割模型进行训练,得到目标分割模型。
在一个实施例中,初始分割模型为基于U-Net网络的模型。
应当理解的是,U-Net网络的结构分为下采样阶段和上采样阶段,网络结构中只有卷积层和池化层,没有全连接层,网络中较浅的层用来解决像素定位的问题,较深的层用来解决像素分类的问题,从而可以实现图像语义的分割。
U-Net网络的结构中包括捕获一个上下文信息的收缩路径和一个允许精确定位的对称拓展路径。这种方法可以使用非常少的数据完成端到端的训练,即输入是一幅图像,输出也是一幅图像,并获得最好的效果。
本实施例对传统的U-Net网络进行改进,基于U-Net网络设计具有两个通道的初始分割模型,实现了第二目标的高精度的自动分割。
在一个实施例中,目标分割模型的训练方法还可以包括以下步骤:获取测试数据,其中,测试数据包括待分割的第三图像样本和与待分割的第三图像样本对应的第一勾画图像样本;利用目标分割模型和与待分割的第三图像样本对应的第一勾画图像样本,在待分割的第三图像样本中分割第二目标。
其中,测试数据为第一勾画图像样本、第二勾画图像样本和第三图像样本中的部分数据。在对训练好的目标分割模型进行训练之前,可以将第一勾画图像样本、第二勾画图像样本和第三图像样本按照一定比例进行数据划分,并将划分后的部分数据作为测试数据,用于对训练好的目标分割模型进行测试。
具体地,终端可以将待分割的第三图像样本和与待分割的第三图像样本对应的第一勾画图像样本均输入至目标分割模型,根据目标分割模型输出的自动勾画图像是否符合预期实现对目标分割模型的测试。
当然,在测试过程中,终端还可以将测试数据中的待分割的第三图像样本进行归一化处理;并在归一化处理后的待分割的第三图像样本中分割第二目标。
本实施例通过利用测试数据对目标分割模型进行测试,以便于根据测试结果对目标分割模型进行调整,使目标分割模型达到最优状态。
在一个实施例中,所述方法还包括:
获取训练数据,训练数据包括对初始分割模型进行训练过程中初始分割模型的输出数据;
根据训练数据,对初始分类模型进行训练,得到目标分类模型。
其中,训练数据还包括初始分割模型进行训练过程中初始分割模型的输出数据对应的已知分级信息。
具体地,在对初始分割模型进行训练的同时,终端可以将初始分割模型训练过程中初始分割模型的输出数据输入至初始分类模型中,得到初始分类模型的输出结果,再根据该输出结果与初始分割模型训练过程中初始分割模型的输出数据对应的已知分级信息训练初始分类模型,将初始分类模型的输出结果与初始分割模型训练过程中初始分割模型的输出数据对应的已知分级信息的差异达到预设条件时的模型确定为目标分类模型。
其中,预设条件包括初始分割模型的训练损失与初始分类模型的训练损失之和达到最小或预设值、迭代次数到达预设值时,将优化后得到的模型作为目标分类模型。
在一个实施例中,目标分类的方法可以包括以下步骤:
获取目标分割模型的输出图像;
将目标分割模型的输出图像输入至目标分类模型中,得到目标分割模型的输出图像的分类结果。其中,分类结果包括目标分割模型的输出图像上肿瘤的分期结果。
图2为一个实施例中目标分割的方法的流程示意图,参照图2,目标分割的方法可以包括以下步骤:
步骤202,获取第一目标的第一勾画图像和与第一目标相同部位的待分割图像。
其中,第一勾画图像可以是当前时刻医生手动勾画的第一目标的图像,例如医生在MR图像上勾画的鼻咽癌原发灶区的图像。待分割图像可以是与第一目标相同部位的CT图像,例如鼻咽部CT图像。
步骤204,将第一勾画图像和待分割图像输入至目标分割模型,得到第二目标的勾画图像。
其中,目标分割模型为多通道的分割模型,具体地,目标分割模型可以通过以下方式训练得到:获取第一目标的第一勾画图像样本、与第一目标关联的第二目标的第二勾画图像样本和与第一目标相同部位的第三图像样本;根据第一勾画图像样本、第二勾画图像样本和第三图像样本对初始分割模型进行训练,得到目标分割模型。在训练过程中,可以将第一勾画图像样本和第三图像样本输入至初始分割模型,输出第二目标的预测图像;根据预测图像和第二勾画图像样本对初始分割模型进行训练,得到目标分割模型。其中,第一勾画图像样本可以为基于磁共振检查MR图像的勾画图像样本,第二勾画图像样本可以为基于计算机断层扫描CT图像或MR图像的勾画图像样本,第三图像样本可以为CT图像样本,初始分割模型可以为基于U-Net网络的模型。
图3为一个实施例中目标分割的网络结构示意图,参照图3,目标分割模型是基于U-Net网络的模型,模型的通道1输入第一勾画图像,通道2输入待分割图像,模型的输出为第二目标的勾画图像。
本实施例通过获取第一目标的第一勾画图像和与第一目标相同部位的待分割图像;将第一勾画图像和待分割图像输入至目标分割模型,得到第二目标的勾画图像。其中,通过设计多通道的目标分割模型,使得第二目标可以通过目标分割模型自动勾画,降低了目标勾画时间,提高了目标勾画效率以及提高了目标勾画的准确率。
图4为另一个实施例中目标分割模型的训练方法的流程示意图,如图4所示,目标分割模型的训练方法可以包括以下步骤:
步骤402,获取第一目标的第一勾画图像样本、与第一目标关联的第二目标的第二勾画图像样本和与第一目标相同部位的第三图像样本,其中,第一勾画图像样本为基于磁共振检查MR图像的勾画图像样本,第二勾画图像样本为基于计算机断层扫描CT图像或MR图像的勾画图像样本,第三图像样本为CT图像样本。
步骤404,将第一勾画图像样本和第三图像样本输入至基于U-Net网络的模型,输出第二目标的预测图像。
步骤406,根据预测图像和第二勾画图像样本之间的差异确定损失函数的值。
步骤408,根据损失函数的值优化初始分割模型的模型参数,直到损失函数的值达到预设条件。
步骤410,将达到预设条件时的模型确定为目标分割模型。预设条件可以设定为当损失函数的值、损失函数的变化值、训练次数、训练时间等至少一项满足预设值时达到预设条件。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的图像分割模型的训练方法的图像分割模型的训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个图像分割模型的训练装置实施例中的具体限定可以参见上文中对于图像分割模型的训练方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种目标分割模型的训练装置,包括:数据获取模块和模型训练模块,其中:数据获取模块502,获取第一目标的第一勾画图像样本、与第一目标关联的第二目标的第二勾画图像样本和与第一目标相同部位的第三图像样本;模型训练模块504,用于根据第一勾画图像样本、第二勾画图像样本和第三图像样本对初始分割模型进行训练,得到目标分割模型。
在一个实施例中,第一目标包括原发灶区,第二目标包括高危临床靶区。
在一个实施例中,模型训练模块504还用于将第一勾画图像样本和第三图像样本输入至初始分割模型,输出第二目标的预测图像;根据预测图像和第二勾画图像样本对初始分割模型进行训练,得到目标分割模型。
在一个实施例中,模型训练模块504还用于根据预测图像和第二勾画图像样本之间的差异确定损失函数的值;根据损失函数的值优化初始分割模型的模型参数,直到损失函数的值达到预设条件;将损失函数的值达到预设条件时的模型确定为目标分割模型。
在一个实施例中,第一勾画图像样本包括基于磁共振检查MR图像的勾画图像样本,第二勾画图像样本包括基于计算机断层扫描CT图像或MR图像的勾画图像样本,第三图像样本包括CT图像样本。
在一个实施例中,目标分割模型的训练装置还包括分类模型训练模块,用于获取训练数据,训练数据包括对初始分割模型进行训练过程中初始分割模型的输出数据;根据训练数据,对初始分类模型进行训练,得到目标分类模型。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的图像分割的方法的图像分割的装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个图像分割模型的训练装置实施例中的具体限定可以参见上文中对于图像分割的方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种目标分割的装置,包括:数据获取模块,用于获取第一目标的第一勾画图像和与第一目标相同部位的待分割图像;数据勾画模块,用于将第一勾画图像和待分割图像输入至目标分割模型,得到第二目标的勾画图像。
上述如下分割模型的训练装置、图像分割的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像分割模型的训练方法或图像分割的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取第一目标的第一勾画图像样本、与第一目标关联的第二目标的第二勾画图像样本和与第一目标相同部位的第三图像样本;
根据第一勾画图像样本、第二勾画图像样本和第三图像样本对初始分割模型进行训练,得到目标分割模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
第一目标包括原发灶区,第二目标包括高危临床靶区。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将第一勾画图像样本和第三图像样本输入至初始分割模型,输出第二目标的预测图像;
根据预测图像和第二勾画图像样本对初始分割模型进行训练,得到目标分割模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据预测图像和第二勾画图像样本之间的差异确定损失函数的值;
根据损失函数的值优化初始分割模型的模型参数,直到损失函数的值达到预设条件;
将损失函数的值达到预设条件时的模型确定为目标分割模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
第一勾画图像样本包括基于磁共振检查MR图像的勾画图像样本,第二勾画图像样本包括基于计算机断层扫描CT图像或MR图像的勾画图像样本,第三图像样本包括CT图像样本。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取训练数据,其中,训练数据包括对所述初始分割模型进行训练过程中所述初始分割模型的输出数据;
根据训练数据,对初始分类模型进行训练,得到目标分类模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取第一目标的第一勾画图像样本、与第一目标关联的第二目标的第二勾画图像样本和与第一目标相同部位的第三图像样本;
根据第一勾画图像样本、第二勾画图像样本和第三图像样本对初始分割模型进行训练,得到目标分割模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
第一目标包括原发灶区,第二目标包括高危临床靶区。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将第一勾画图像样本和第三图像样本输入至初始分割模型,输出第二目标的预测图像;
根据预测图像和第二勾画图像样本对初始分割模型进行训练,得到目标分割模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据预测图像和第二勾画图像样本之间的差异确定损失函数的值;
根据损失函数的值优化初始分割模型的模型参数,直到损失函数的值达到预设条件;
将损失函数的值达到预设条件时的模型确定为目标分割模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
第一勾画图像样本包括基于磁共振检查MR图像的勾画图像样本,第二勾画图像样本包括基于计算机断层扫描CT图像或MR图像的勾画图像样本,第三图像样本包括CT图像样本。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取训练数据,其中,训练数据包括对初始分割模型进行训练过程中初始分割模型的输出数据;
根据训练数据,对初始分类模型进行训练,得到目标分类模型。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取第一目标的第一勾画图像样本、与第一目标关联的第二目标的第二勾画图像样本和与第一目标相同部位的第三图像样本;
根据第一勾画图像样本、第二勾画图像样本和第三图像样本对初始分割模型进行训练,得到目标分割模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将第一勾画图像样本和第三图像样本输入至初始分割模型,输出第二目标的预测图像;
根据预测图像和第二勾画图像样本对初始分割模型进行训练,得到目标分割模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据预测图像和第二勾画图像样本之间的差异确定损失函数的值;
根据损失函数的值优化初始分割模型的模型参数,直到损失函数的值达到预设条件;
将损失函数的值达到预设条件时的模型确定为目标分割模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
第一勾画图像样本包括基于磁共振检查MR图像的勾画图像样本,第二勾画图像样本包括基于计算机断层扫描CT图像或MR图像的勾画图像样本,第三图像样本包括CT图像样本。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取训练数据,其中,训练数据包括对所述初始分割模型进行训练过程中初始分割模型的输出数据;
根据训练数据,对初始分类模型进行训练,得到目标分类模型。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取第一目标的第一勾画图像和与第一目标相同部位的待分割图像;
将第一勾画图像和待分割图像输入至目标分割模型,得到第二目标的勾画图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取第一目标的第一勾画图像和与第一目标相同部位的待分割图像;
将第一勾画图像和待分割图像输入至目标分割模型,得到第二目标的勾画图像。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取第一目标的第一勾画图像和与第一目标相同部位的待分割图像;
将第一勾画图像和待分割图像输入至目标分割模型,得到第二目标的勾画图像。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像分割模型的训练方法,其特征在于,所述方法包括:
获取第一目标的第一勾画图像样本、与所述第一目标关联的第二目标的第二勾画图像样本和与所述第一目标相同部位的第三图像样本;
根据所述第一勾画图像样本、所述第二勾画图像样本和所述第三图像样本对初始分割模型进行训练,得到目标分割模型。
2.根据权利要求1所述的方法,其特征在于,所述第一目标包括原发灶区,所述第二目标包括高危临床靶区。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一勾画图像样本、所述第二勾画图像样本和所述第三图像样本对初始分割模型进行训练,得到目标分割模型,包括:
将所述第一勾画图像样本和所述第三图像样本输入至初始分割模型,输出所述第二目标的预测图像;
根据所述预测图像和所述第二勾画图像样本对所述初始分割模型进行训练,得到目标分割模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述预测图像和所述第二勾画图像样本对所述初始分割模型进行训练,得到目标分割模型,包括:
根据所述预测图像和所述第二勾画图像样本之间的差异确定损失函数的值;
根据所述损失函数的值优化所述初始分割模型的模型参数,直到所述损失函数的值达到预设条件;
将所述损失函数的值达到预设条件时的模型确定为目标分割模型。
5.根据权利要求1所述的方法,其特征在于,所述第一勾画图像样本包括基于磁共振检查MR图像的勾画图像样本,所述第二勾画图像样本包括基于计算机断层扫描CT图像或MR图像的勾画图像样本,所述第三图像样本包括CT图像样本。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取训练数据,所述训练数据包括对所述初始分割模型进行训练过程中所述初始分割模型的输出数据;
根据所述训练数据,对初始分类模型进行训练,得到目标分类模型。
7.一种图像分割的方法,其特征在于,所述方法包括:
获取第一目标的第一勾画图像和与所述第一目标相同部位的待分割图像;
将所述第一勾画图像和所述待分割图像输入至目标分割模型,得到第二目标的勾画图像。
8.一种图像分割模型的训练装置,其特征在于,所述装置包括:
数据获取模块,获取第一目标的第一勾画图像样本、与所述第一目标关联的第二目标的第二勾画图像样本和与所述第一目标相同部位的第三图像样本;
模型训练模块,用于根据所述第一勾画图像样本、所述第二勾画图像样本和所述第三图像样本对初始分割模型进行训练,得到目标分割模型。
9.一种图像分割的装置,其特征在于,所述装置包括:
数据获取模块,用于获取第一目标的第一勾画图像和与所述第一目标相同部位的待分割图像;
数据勾画模块,用于将所述第一勾画图像和所述待分割图像输入至目标分割模型,得到第二目标的勾画图像。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210905224.1A CN115272674A (zh) | 2022-07-29 | 2022-07-29 | 图像分割模型的训练方法、图像分割的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210905224.1A CN115272674A (zh) | 2022-07-29 | 2022-07-29 | 图像分割模型的训练方法、图像分割的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115272674A true CN115272674A (zh) | 2022-11-01 |
Family
ID=83771725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210905224.1A Pending CN115272674A (zh) | 2022-07-29 | 2022-07-29 | 图像分割模型的训练方法、图像分割的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272674A (zh) |
-
2022
- 2022-07-29 CN CN202210905224.1A patent/CN115272674A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993726B (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
US20230267611A1 (en) | Optimization of a deep learning model for performing a medical imaging analysis task | |
US10769791B2 (en) | Systems and methods for cross-modality image segmentation | |
Lin et al. | Deep learning for fully automated tumor segmentation and extraction of magnetic resonance radiomics features in cervical cancer | |
US9858665B2 (en) | Medical imaging device rendering predictive prostate cancer visualizations using quantitative multiparametric MRI models | |
CN109949318B (zh) | 基于多模态影像的全卷积神经网络癫痫病灶分割方法 | |
CN110619635B (zh) | 基于深度学习的肝细胞癌磁共振图像分割系统和方法 | |
CN109903269B (zh) | 确定脊柱横断面图像的异常类型的方法及计算设备 | |
CN110751187B (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN114693671B (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
CN113764101B (zh) | 基于cnn的乳腺癌新辅助化疗多模态超声诊断系统 | |
Zaridis et al. | Region-adaptive magnetic resonance image enhancement for improving CNN-based segmentation of the prostate and prostatic zones | |
Luximon et al. | Machine‐assisted interpolation algorithm for semi‐automated segmentation of highly deformable organs | |
CN114882996A (zh) | 基于多任务学习的肝细胞癌ck19及mvi预测方法 | |
WO2020056196A1 (en) | Fully automated personalized body composition profile | |
CN116350958A (zh) | 放疗计划参数的设定方法、装置、设备、介质和程序产品 | |
CN111489318B (zh) | 医学图像增强方法和计算机可读存储介质 | |
CN110610527B (zh) | 计算suv的方法、装置、设备、系统及计算机存储介质 | |
CN116309551B (zh) | 确定病灶取样区的方法、装置、电子设备及可读介质 | |
CN113192031A (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
CN116128895A (zh) | 医学图像分割方法、装置和计算机可读存储介质 | |
CN115272674A (zh) | 图像分割模型的训练方法、图像分割的方法及装置 | |
CN111091504B (zh) | 图像偏差场矫正方法、计算机设备和存储介质 | |
CN115375787A (zh) | 伪影校正方法、计算机设备及可读存储介质 |
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 |