CN115393376A - 医学图像处理方法、装置、计算机设备和存储介质 - Google Patents

医学图像处理方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN115393376A
CN115393376A CN202211030855.XA CN202211030855A CN115393376A CN 115393376 A CN115393376 A CN 115393376A CN 202211030855 A CN202211030855 A CN 202211030855A CN 115393376 A CN115393376 A CN 115393376A
Authority
CN
China
Prior art keywords
segmentation
image
organ
model
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.)
Pending
Application number
CN202211030855.XA
Other languages
English (en)
Inventor
乔治
刘晓鸣
吴青霞
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.)
Beijing Lianying Intelligent Imaging Technology Research Institute
Original Assignee
Beijing Lianying Intelligent Imaging Technology Research Institute
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 Beijing Lianying Intelligent Imaging Technology Research Institute filed Critical Beijing Lianying Intelligent Imaging Technology Research Institute
Priority to CN202211030855.XA priority Critical patent/CN115393376A/zh
Publication of CN115393376A publication Critical patent/CN115393376A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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

Abstract

本申请涉及一种医学图像处理方法、装置、计算机设备、存储介质和计算机程序产品。方法包括：获取以树结构构建的器官图像分割模型；器官图像分割模型包括树结构中的各叶子节点对应的训练好的器官图像分割子模型；将样本图像集分别输入至各器官图像分割子模型，得到各样本图像对应的预测分割图像；根据分割标注图像与预测分割图像，对器官图像分割模型的当前集成策略进行调整，得到目标集成策略；根据目标集成策略，组合各器官图像分割子模型针对待分割器官图像输出的预测分割结果，得到目标器官分割图像；目标器官分割图像对应的分割风格与分割标注图像对应的分割风格相匹配。采用本方法能够提高分割结果的准确性。

Description

医学图像处理方法、装置、计算机设备和存储介质
技术领域
本申请涉及人工智能技术领域，特别是涉及一种医学图像处理方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
近年来随着医学成像技术和计算机技术的不断发展和进步，基于人工智能技术的医学图像器官分割是当前医学图像分析的主要应用领域。
在器官分割任务中，可以根据不同医生或者医院的勾画特点利用分割模型提供个性化的分割结果，以提升医生体验。相关技术中，往往是通过大量的具有不同勾画风格的器官分割样本数据学习出一个分割模型，当新数据到达时，对已有的分割模型在新数据上做模型适应和参数微调。
然而这种方法需要较多数据量来微调模型，分割模型作为典型的深度学习模型本身就具有非常大量的参数。因此当数据量较小时，模型得不到充分训练；新数据样本少意味着对于采样本身可能存在偏移，而使得模型学习整体偏移，导致无法准确输出与新数据风格相匹配的器官分割结果。
因此，传统技术中存在着分割模型无法准确输出分割结果的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高分割模型的分割结果的准确性的医学图像处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种医学图像处理方法。所述方法包括：
获取以树结构构建的器官图像分割模型；所述器官图像分割模型包括所述树结构中的各叶子节点对应的训练好的器官图像分割子模型；其中，各所述器官图像分割子模型对应的分割风格不同；
将样本图像集分别输入至各所述器官图像分割子模型，得到所述样本图像集中的各样本图像对应的预测分割图像；
根据各所述样本图像对应的分割标注图像与各所述样本图像对应的预测分割图像，对所述器官图像分割模型的当前集成策略进行调整，得到目标集成策略；
根据所述目标集成策略，组合各器官图像分割子模型针对待分割器官图像输出的预测分割结果，得到所述待分割器官图像对应的目标器官分割图像；所述目标器官分割图像对应的分割风格与所述分割标注图像对应的分割风格相匹配。
在其中一个实施例中，所述将样本图像集分别输入至各所述器官图像分割子模型，得到所述样本图像集中的各样本图像对应的预测分割图像，包括：
将所述样本图像集分别输入至各所述器官图像分割子模型，得到各所述器官图像分割子模型针对各所述样本图像输出的预测分割结果；
根据所述当前集成策略，组合各所述样本图像对应的预测分割结果，得到各所述样本图像对应的预测分割图像。
在其中一个实施例中，所述当前集成策略包括各所述器官图像分割子模型对应的分割结果权重；所述根据各所述样本图像对应的分割标注图像与各所述样本图像对应的预测分割图像，对所述器官图像分割模型的当前集成策略进行调整，得到目标集成策略，包括：
确定各所述样本图像对应的分割标注图像与各所述样本图像对应的预测分割图像之间的图像差异；
根据所述图像差异调整各所述器官图像分割子模型对应的分割结果权重，得到各所述器官图像分割子模型对应的目标分割结果权重；
根据各所述器官图像分割子模型对应的目标分割结果权重，得到所述目标集成策略。
在其中一个实施例中，所述根据所述图像差异调整各所述器官图像分割子模型对应的分割结果权重，得到各所述器官图像分割子模型对应的目标分割结果权重，包括：
根据所述图像差异，调整各所述器官图像分割子模型对应的分割结果权重，得到各所述器官图像分割子模型对应的调整后权重；
根据各所述器官图像分割子模型对应的调整后权重，组合各所述器官图像分割子模型输出的预测分割结果，得到各所述样本图像对应的调整后的预测分割图像；
将所述调整后的预测分割图像作为所述预测分割图像，返回所述根据所述图像差异，调整各所述器官图像分割子模型对应的分割结果权重的步骤，直到所述图像差异满足预设的调整结束条件，得到各所述器官图像分割子模型对应的目标分割结果权重。
在其中一个实施例中，所述获取以树结构构建的器官图像分割模型，包括：
获取训练样本图像集、样本分割标注图像集以及初始分割模型树中的待训练的器官图像分割子模型；其中，所述样本分割标注图像集包括与所述训练样本图像集中的各训练样本图像对应的样本分割标注图像；所述样本分割标注图像为对待分割对象在所述训练样本图像中所在的实际区域进行标注得到的；
根据所述训练样本图像集和所述样本分割标注图像集，对所述初始分割模型树中的待训练的器官图像分割子模型进行训练，得到以所述树结构构建的目标分割模型树；所述分割模型树包括所述树结构中各所述叶子节点对应的训练好的器官图像分割子模型；
将所述训练样本图像集分别输入至各所述叶子节点对应的训练好的器官图像分割子模型中，得到各所述器官图像分割子模型针对所述训练样本图像输出的样本预测分割结果；
根据各所述器官图像分割子模型输出的所述样本预测分割结果，构建所述器官图像分割模型。
在其中一个实施例中，所述根据各所述器官图像分割子模型输出的所述样本预测分割结果，构建所述器官图像分割模型，包括：
确定各所述样本预测分割结果中的样本预测概率图像；
拼接各所述样本预测概率图像，得到拼接后的样本预测概率图像；
在所述拼接后的样本预测概率图像上构建预设的集成模型，得到所述器官图像分割模型。
在其中一个实施例中，所述初始分割模型树包括所述树结构中的根节点对应的待训练的器官图像分割子模型；所述根据所述训练样本图像集和所述样本分割标注图像集对所述初始分割模型树中的待训练的器官图像分割子模型进行训练，得到以所述树结构构建的目标分割模型树，包括：
根据所述训练样本图像集和所述样本分割标注图像集对所述根节点对应的待训练的器官图像分割子模型进行训练，得到所述根节点对应的训练好的器官图像分割子模型；
获取各残差图像对应的纹理特征图像；各所述残差图像为根据各所述训练样本图像对应的根节点预测概率图像与各所述训练样本图像对应的样本分割标注图像之间的差值得到的；所述根节点预测概率图像为所述根节点对应的训练好的器官图像分割子模型针对所述训练样本图像输出的样本预测分割结果中的样本预测概率图像；
根据各所述纹理特征图像的聚类结果，得到所述目标分割模型树。
在其中一个实施例中，所述根据各所述纹理特征图像的聚类结果，得到所述目标分割模型树，包括：
根据各所述纹理特征图像的聚类结果，将所述训练样本图像集划分为第一训练样本图像集和第二训练样本图像集，并从所述根节点中分裂出所述根节点的第一子节点和所述根节点的第二子节点；
将所述第一子节点作为所述根节点，将所述第一训练样本图像集作为所述训练样本图像集；
以及，将所述第二子节点作为所述根节点，将所述第二训练样本图像集作为所述训练样本图像集；
执行所述根据所述训练样本图像集和所述样本分割标注图像集对所述根节点对应的待训练的器官图像分割子模型进行训练的步骤，直到所述第一训练样本图像集或第二训练样本图像集的数量小于预设数量，得到所述树结构中各节点对应的训练好的器官图像分割子模型；
根据各所述节点对应的训练好的器官图像分割子模型，确定所述目标分割模型树。
第二方面，本申请还提供了一种医学图像处理装置。所述装置包括：
获取模块，用于获取以树结构构建的器官图像分割模型；所述器官图像分割模型包括所述树结构中的各叶子节点对应的训练好的器官图像分割子模型；其中，各所述器官图像分割子模型对应的分割风格不同；
输入模块，用于将样本图像集分别输入至各所述器官图像分割子模型，得到各所述器官图像分割子模型针对所述样本图像集中的样本图像输出的预测分割结果；
组合模块，用于根据所述器官图像分割模型的当前集成策略，组合各所述器官图像分割子模型输出的所述预测分割结果，得到各所述样本图像对应的预测分割图像；
调整模块，用于根据各所述样本图像对应的分割标注图像与各所述样本图像对应的预测分割图像，对所述当前集成策略进行调整，得到目标集成策略；所述目标集成策略用于供所述器官图像分割模型针对待分割器官图像输出目标器官分割图像；所述目标器官分割图像对应的分割风格与所述分割标注图像对应的分割风格相匹配。
第三方面，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上述的方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
第五方面，本申请还提供了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，该计算机程序被处理器执行时实现上述的方法的步骤。
上述医学图像处理方法、装置、计算机设备、存储介质和计算机程序产品，通过获取以树结构构建的器官图像分割模型；器官图像分割模型包括树结构中的各叶子节点对应的训练好的器官图像分割子模型；其中，各器官图像分割子模型对应的分割风格不同；将样本图像集分别输入至各器官图像分割子模型，得到样本图像集中的各样本图像对应的预测分割图像；根据各样本图像对应的分割标注图像与各样本图像对应的预测分割图像，对器官图像分割模型的当前集成策略进行调整，得到目标集成策略；根据目标集成策略，组合各器官图像分割子模型针对待分割器官图像输出的预测分割结果，得到待分割器官图像对应的目标器官分割图像；目标器官分割图像对应的分割风格与分割标注图像对应的分割风格相匹配。
如此，通过样本图像集中的样本图像对应的分割标注图像以及样本图像对应的预测分割图像，对已有的器官图像分割模型的当前集成策略进行微调，得到目标集成策略，由于无需针对器官图像分割模型重新训练一个分割的映射关系，而是针对当前集成策略进行微调，即使在样本图像集中的样本图像数量较少的情况下，依然可以通过目标集成策略供器官图像分割模型针对待分割器官图像，准确输出与分割标注图像对应的分割风格相匹配的目标器官分割图像，以实现根据分割标注图像的勾画特点准确提供个性化的分割结果，即使在样本图像数量较少的情况下，也不会出现器官图像分割模型在训练过程中出现整体偏移的情况，从而提高了器官图像分割模型输出的分割结果的准确性。解决了相关技术中当样本图像集中的样本图像数量较少的情况下，器官图像分割模型得不到充分训练，且由于样本图像数量较少导致样本图像集本身存在偏移，从而导致器官图像分割模型在针对样本图像集进行学习的过程中出现整体偏移，进一步导致器官图像分割模型最终输出的分割结果对应的分割风格，无法准确地与分割标注图像对应的分割风格相匹配，使得分割结果的准确性较差的问题。
附图说明
图1为一个实施例中一种医学图像处理方法的流程示意图；
图2为一个实施例中得到目标集成策略步骤的流程示意图；
图3为一个实施例中获取以树结构构建器官图像分割模型步骤的流程示意图；
图4为一个实施例中得到以树结构构建的目标分割模型树步骤的流程示意图；
图5为一个实施例中一种树结构中某一节点对应的聚类结果示意图；
图6为另一个实施例中一种医学图像处理方法的流程示意图；
图7为一个实施例中一种医学图像处理装置的结构框图；
图8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。
需要说明的是，本公开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，以便这里描述的本公开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。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在一个实施例中，如图1所示，提供了一种医学图像处理方法，应用于计算机设备。实际应用中，计算机设备可以是用户终端，也可以是用独立的服务器或者是多个服务器组成的服务器集群来实现。其中，用户终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。本实施例中，该方法包括以下步骤：
步骤S110，获取以树结构构建的器官图像分割模型。
其中，器官图像分割模型包括树结构中的各叶子节点对应的训练好的器官图像分割子模型。
其中，上述各器官图像分割子模型所对应的分割风格不同。
其中，器官图像分割模型为集成模型。
具体实现中，计算机设备可以获取以树结构构建的器官图像分割模型，该器官图像分割模型为集成模型，且该器官图像分割模型包括树结构中的各叶子节点对应的训练好的器官图像分割子模型。同时，各器官图像分割子模型对应的分割风格不同。
步骤S120，将样本图像集分别输入至各器官图像分割子模型，得到样本图像集中的各样本图像对应的预测分割图像。
其中，样本图像集中的样本图像的数量符合预设数量，预设数量在此不做限制。例如，当样本图像集为小样本集时，预设数量可以为10个、或者更少。
其中，样本图像为包含有待分割对象的图像。
其中，待分割对象可以为生物体中的器官，如肝胆器官。
具体实现中，计算机设备可以将样本图像集分别输入至各器官图像分割子模型，使用各器官图像分割子模型对样本图像集中的各样本图像进行预测，得到样本图像集中的各样本图像对应的预测分割图像。
步骤S130，根据各样本图像对应的分割标注图像与各样本图像对应的预测分割图像，对器官图像分割模型的当前集成策略进行调整，得到目标集成策略。
其中，分割标注图像在实际应用中可以命名为金标准分割结果。
具体实现中，计算机设备可以根据各样本图像对应的分割标注图像与各样本图像对应的预测分割图像，对器官图像分割模型的当前集成策略进行调整，得到目标集成策略。
步骤S140，根据目标集成策略，组合各器官图像分割子模型针对待分割器官图像输出的预测分割结果，得到待分割器官图像对应的目标器官分割图像。
其中，待分割器官图像为包含有待分割对象的图像。
其中，各样本图像对应的分割标注图像属于同一种分割风格。例如，各样本图像对应的分割标注图像可以来自于同一个医生或同一家医院。
其中，目标器官分割图像对应的分割风格与分割标注图像对应的分割风格相匹配。
其中，目标器官分割图像可以表征待分割对象在待分割器官图像中对应的预测区域。
其中，目标器官分割图像也可以命名为目标器官概率图像，可以表征待分割器官图像中各像素归属于待分割对象的目标概率。
具体实现中，当计算机设备获取到待分割器官图像后，可以将待分割器官图像输入至器官图像分割模型中的各叶子节点对应的训练好的器官图像分割子模型，通过目标集成策略，组合各器官图像分割子模型针对待分割器官图像输出的预测分割结果，得到器官图像分割模型针对待分割器官图像输出的目标器官分割图像，该目标器官分割图像对应的分割风格与上述分割标注图像对应的分割风格相匹配。
上述医学图像处理方法中，通过获取以树结构构建的器官图像分割模型；器官图像分割模型包括树结构中的各叶子节点对应的训练好的器官图像分割子模型；其中，各器官图像分割子模型对应的分割风格不同；将样本图像集分别输入至各器官图像分割子模型，得到样本图像集中的各样本图像对应的预测分割图像；根据各样本图像对应的分割标注图像与各样本图像对应的预测分割图像，对器官图像分割模型的当前集成策略进行调整，得到目标集成策略；根据目标集成策略，组合各器官图像分割子模型针对待分割器官图像输出的预测分割结果，得到待分割器官图像对应的目标器官分割图像；目标器官分割图像对应的分割风格与分割标注图像对应的分割风格相匹配。
如此，通过样本图像集中的样本图像对应的分割标注图像以及样本图像对应的预测分割图像，对已有的器官图像分割模型的当前集成策略进行微调，得到目标集成策略，由于无需针对器官图像分割模型重新训练一个分割的映射关系，而是针对当前集成策略进行微调，即使在样本图像集中的样本图像数量较少的情况下，依然可以通过目标集成策略供器官图像分割模型针对待分割器官图像，准确输出与分割标注图像对应的分割风格相匹配的目标器官分割图像，以实现根据分割标注图像的勾画特点准确提供个性化的分割结果，即使在样本图像数量较少的情况下，也不会出现器官图像分割模型在训练过程中出现整体偏移的情况，从而提高了器官图像分割模型输出的分割结果的准确性。解决了相关技术中当样本图像集中的样本图像数量较少的情况下，器官图像分割模型得不到充分训练，且由于样本图像数量较少导致样本图像集本身存在偏移，从而导致器官图像分割模型在针对样本图像集进行学习的过程中出现整体偏移，进一步导致器官图像分割模型最终输出的分割结果对应的分割风格，无法准确地与分割标注图像对应的分割风格相匹配，使得分割结果的准确性较差的问题。
在其中一个实施例中，将样本图像集分别输入至各器官图像分割子模型，得到样本图像集中的各样本图像对应的预测分割图像，包括：将样本图像集分别输入至各器官图像分割子模型，得到各器官图像分割子模型针对各样本图像输出的预测分割结果；根据当前集成策略，组合各样本图像对应的预测分割结果，得到各样本图像对应的预测分割图像。
其中，预测分割结果包括预测概率图像。
其中，预测概率图像可以表征样本图像中各像素归属于待分割对象的概率。其中，各像素对应的数值的范围为0到1。
具体实现中，计算机设备在将样本图像集分别输入至各器官图像分割子模型，得到样本图像集中的各样本图像对应的预测分割图像的过程中，计算机设备可以将样本图像集分别输入至各器官图像分割子模型，得到各器官图像分割子模型针对各样本图像输出的预测分割结果，该预测分割结果包括预测概率图像，通过器官图像分割模型的当前集成策略，对各器官图像分割子模型针对各样本图像输出的预测概率图像进行组合，得到各样本图像对应的预测分割图像。
本实施例的技术方案，通过将样本图像集分别输入至各器官图像分割子模型，得到各器官图像分割子模型针对各样本图像输出的预测分割结果；根据当前集成策略，组合各样本图像对应的预测分割结果，得到各样本图像对应的预测分割图像；如此，可以通过当前集成策略，实现对各器官图像分割子模型输出的预测分割结果的集成学习，而各器官图像分割子模型对应的分割风格不同，相较于使用单一分割风格的器官图像分割模型进行预测，可以有效提高各样本图像对应的预测结果的准确性。
在一个实施例中，如图2所示，步骤S130，根据各样本图像对应的分割标注图像与各样本图像对应的预测分割图像，对器官图像分割模型的当前集成策略进行调整，得到目标集成策略，具体包括：
步骤S210，确定各样本图像对应的分割标注图像与各样本图像对应的预测分割图像之间的图像差异。
其中，当前集成策略包括各器官图像分割子模型对应的分割结果权重。
其中，计算机设备在根据器官图像分割模型的当前集成策略，组合各器官图像分割子模型针对各样本图像输出的预测分割结果，得到各样本图像对应的预测分割图像的过程中，计算机设备可以根据各器官图像分割子模型对应的分割结果权重，对各器官图像分割子模型针对样本图像输出的预测概率图像进行加权组合，得到各样本图像对应的预测分割图像。
其中，各样本图像对应的预测分割图像可以命名为目标预测概率图像，可以表征样本图像中各像素归属于待分割对象的目标概率。
其中，分割标注图像为针对待分割对象在样本图像中所在的实际区域进行标注得到的，分割标注图像可以表征待分割对象在样本图像中对应的实际区域。
其中，分割标注图像为掩膜图像。
其中，预测分割图像可以表征待分割对象在样本图像中对应的预测区域。
具体实现中，计算机设备在根据各样本图像对应的分割标注图像与各样本图像对应的预测分割图像，对器官图像分割模型的当前集成策略进行调整，得到目标集成策略的过程中，计算机设备可以确定各样本图像对应的分割标注图像与各样本图像对应的预测分割图像之间的图像差异。
步骤S220，根据图像差异调整各器官图像分割子模型对应的分割结果权重，得到各器官图像分割子模型对应的目标分割结果权重。
具体实现中，计算机设备可以根据图像差异调整各器官图像分割子模型对应的分割结果权重，直到满足预设的调整结束条件，得到各器官图像分割子模型对应的目标分割结果权重。
步骤S230，根据各器官图像分割子模型对应的目标分割结果权重，得到目标集成策略。
计算机设备在得到各器官图像分割子模型对应的目标分割结果权重后，可以根据各器官图像分割子模型对应的目标分割结果权重，确定器官图像分割模型的目标集成策略。
本实施例的技术方案，当前集成策略包括各器官图像分割子模型对应的分割结果权重；通过确定各样本图像对应的分割标注图像与各样本图像对应的预测分割图像之间的图像差异；根据图像差异调整各器官图像分割子模型对应的分割结果权重，得到各器官图像分割子模型对应的目标分割结果权重；根据各器官图像分割子模型对应的目标分割结果权重，得到目标集成策略；如此，可以基于分割标注图像与预测分割图像之间的图像差异，对各所述器官图像分割子模型对应的分割结果权重进行准确地调整，得到各器官图像分割子模型对应的目标分割结果权重，从而可以根据目标分割结果权重得到目标集成策略，进而可以根据目标集成策略，准确输出与分割标注图像对应的分割风格相匹配的目标器官分割图像。
在一个实施例中，步骤S220，根据图像差异调整各器官图像分割子模型对应的分割结果权重，得到各器官图像分割子模型对应的目标分割结果权重，具体包括：根据图像差异，调整各器官图像分割子模型对应的分割结果权重，得到各器官图像分割子模型对应的调整后权重；根据各器官图像分割子模型对应的调整后权重，组合各器官图像分割子模型输出的预测分割结果，得到各样本图像对应的调整后的预测分割图像；将调整后的预测分割图像作为预测分割图像，返回根据图像差异，调整各器官图像分割子模型对应的分割结果权重的步骤，直到图像差异满足预设的调整结束条件，得到各器官图像分割子模型对应的目标分割结果权重。
具体实现中，计算机设备在根据图像差异调整各器官图像分割子模型对应的分割结果权重，得到各器官图像分割子模型对应的目标分割结果权重的过程中，计算机设备可以根据该图像差异调整各器官图像分割子模型对应的分割结果权重，得到各器官图像分割子模型对应的调整后权重；然后，计算机设备可以通过各器官图像分割子模型对应的调整后权重，对各器官图像分割子模型针对样本图像输出的预测分割结果中的预测概率图像进行加权组合，得到各样本图像对应的调整后的预测分割图像。
之后，计算机设备可以将各样本图像对应的调整后的预测分割图像作为各样本图像对应的预测分割图像，返回根据图像差异，调整各器官图像分割子模型对应的分割结果权重，得到各器官图像分割子模型对应的调整后权重的步骤，直到各样本图像对应的分割标注图像与各样本图像对应的预测分割图像之间的图像差异小于预设差异，则确定图像差异满足预设的调整结束条件，得到各器官图像分割子模型对应的目标分割结果权重。
本实施例的技术方案，通过根据图像差异，调整各器官图像分割子模型对应的分割结果权重，得到各器官图像分割子模型对应的调整后权重；根据各器官图像分割子模型对应的调整后权重，组合各器官图像分割子模型输出的预测分割结果，得到各样本图像对应的调整后的预测分割图像；将调整后的预测分割图像作为预测分割图像，返回根据图像差异，调整各器官图像分割子模型对应的分割结果权重的步骤，直到图像差异满足预设的调整结束条件，得到各器官图像分割子模型对应的目标分割结果权重；如此，通过对各器官图像分割子模型对应的分割结果权重进行迭代调整，直到分割标注图像与预测分割图像之间的图像差异满足预设的调整结束条件，可以准确得到各器官图像分割子模型对应的目标分割结果权重，从而基于该目标分割结果权重得到的目标集成策略，可以准确输出与分割标注图像对应的分割风格相匹配的目标器官分割图像，提高器官图像分割模型输出的分割结果的准确性。
在一个实施例中，如图3所示，步骤S110，获取以树结构构建的器官图像分割模型，具体包括：
步骤S310，获取训练样本图像集、样本分割标注图像集以及初始分割模型树中的待训练的器官图像分割子模型。
其中，样本分割标注图像集包括与训练样本图像集中的各训练样本图像对应的样本分割标注图像。
其中，训练样本图像为包含有待分割对象的图像。
其中，样本分割标注图像为对待分割对象在训练样本图像中所在的实际区域进行标注得到的，样本分割标注图像可以表征待分割对象在训练样本图像中对应的实际区域。
其中，样本分割标注图像在实际应用中可以命名为金标准分割结果。
其中，样本分割标注图像为掩膜图像。
其中，样本分割标注图像集对应至少两种分割风格。
其中，待训练的器官图像分割子模型可以为任意的图像分割模型，例如UNet分割模型(一种图像分割模型)。
具体实现中，计算机设备在获取以树结构构建的器官图像分割模型的过程中，计算机设备可以获取训练样本图像集、样本分割标注图像集以及初始分割模型树中的待训练的器官图像分割子模型。其中，样本分割标注图像集包括与训练样本图像集中的各训练样本图像对应的样本分割标注图像；其中，样本分割标注图像为对待分割对象在训练样本图像中所在的实际区域进行标注得到的。
其中，计算机设备在获取训练样本图像集中的训练样本图像的过程中，计算机设备可以首先获取初始样本图像集，对初始样本图像集中的各初始样本图像进行统一的分割预处理操作(包括但不限于数据清洗、对比度增强、数据归一等操作)，以得到各初始样本图像对应的训练样本图像。
步骤S320，根据训练样本图像集和样本分割标注图像集，对初始分割模型树中的待训练的器官图像分割子模型进行训练，得到以树结构构建的目标分割模型树。
其中，分割模型树包括树结构中各叶子节点对应的训练好的器官图像分割子模型。
其中，各叶子节点对应的训练好的器官图像分割子模型可以作为模型簇。
具体实现中，计算机设备可以根据训练样本图像集和样本分割标注图像集对初始分割模型树中的待训练的器官图像分割子模型进行训练，当训练后的器官图像分割子模型满足预设的训练结束条件时，可以得到器官图像分割模型对应的树结构中的各节点对应的训练好的器官图像分割子模型，从而可以根据各节点对应的训练好的器官图像分割子模型，得到以该树结构构建的目标分割模型树，该目标分割模型树包括了该树结构中各叶子节点对应的训练好的器官图像分割子模型。
步骤S330，将训练样本图像集分别输入至各叶子节点对应的训练好的器官图像分割子模型中，得到各器官图像分割子模型针对训练样本图像输出的样本预测分割结果。
具体实现中，计算机设备可以将训练样本图像集分别输入至各叶子节点对应的训练好的器官图像分割子模型中，使用各叶子节点对应的训练好的器官图像分割子模型对训练样本图像进行预测，得到各器官图像分割子模型针对训练样本图像输出的样本预测分割结果。
步骤S340，根据各器官图像分割子模型输出的样本预测分割结果，构建器官图像分割模型。
具体实现中，计算机设备可以依据集成学习的特性，根据各器官图像分割子模型输出的样本预测分割结果，构建器官图像分割模型。
本实施例的技术方案，通过获取训练样本图像集、样本分割标注图像集以及初始分割模型树中的待训练的器官图像分割子模型；其中，样本分割标注图像集包括与训练样本图像集中的各训练样本图像对应的样本分割标注图像；样本分割标注图像为对待分割对象在训练样本图像中所在的实际区域进行标注得到的；根据训练样本图像集和样本分割标注图像集对初始分割模型树中的待训练的器官图像分割子模型进行训练，得到以树结构构建的目标分割模型树；目标分割模型树包括树结构中各叶子节点对应的训练好的器官图像分割子模型；将训练样本图像集分别输入至各叶子节点对应的训练好的器官图像分割子模型中，得到各器官图像分割子模型针对训练样本图像输出的样本预测分割结果；根据各器官图像分割子模型输出的样本预测分割结果，构建器官图像分割模型；如此，基于以树结构构建的目标分割模型树中各叶子节点对应的训练好的器官图像分割子模型，针对训练样本图像中的训练样本图像输出的样本预测分割结果，构建器官图像分割模型，可以提高器官图像分割模型输出的分割结果的准确性。
在一个实施例中，步骤S340，根据各器官图像分割子模型输出的样本预测分割结果，构建器官图像分割模型，包括：确定各样本预测分割结果中的样本预测概率图像；拼接各样本预测概率图像，得到拼接后的样本预测概率图像；在拼接后的样本预测概率图像上构建预设的集成模型，得到器官图像分割模型。
其中，各样本预测分割结果包括对应的器官图像分割子模型针对训练样本图像输出的样本预测概率图像。
其中，样本预测概率图像可以表征训练样本图像中各像素归属于待分割对象的概率。其中，各像素对应的数值的范围为0到1。
其中，样本预测概率图像与训练样本图像的图像尺寸相同。
其中，预设的集成模型由预设的卷积网络构成。
具体实现中，计算机设备在根据各器官图像分割子模型输出的样本预测分割结果，构建器官图像分割模型的过程中，计算机设备可以确定各样本预测分割结果中的样本预测概率图像，并拼接各样本预测概率图像，得到拼接后的样本预测概率图像。
具体来说，若训练样本图像的尺寸为a*b(a、b为自然数)，则各样本预测概率图像的尺寸为a*b，若各叶子节点对应的训练好的器官图像分割子模型的数量为m(m为自然数)，则拼接后的样本预测概率图像的尺寸为a*b*m。
然后，计算机设备可以在拼接后的样本预测概率图像上构建一个浅层的集成模型，该集成模型由预设的卷积网络构成，该卷积网络由1个3x3卷积和1个1x1卷积构成，从而可以实现对各叶子节点对应的训练好的器官图像分割子模型输出的样本预测分割结果的集成学习，得到一个完整的集成模型，作为上述以树结构构建的器官图像分割模型。
本实施例的技术方案，通过确定各样本预测分割结果中的样本预测概率图像；拼接各样本预测概率图像，得到拼接后的样本预测概率图像；在拼接后的样本预测概率图像上构建预设的卷积网络，得到器官图像分割模型；如此，器官图像分割模型可以集成学习到各叶子节点对应的器官图像分割子模型输出的样本预测分割结果，从而可以提高器官图像分割模型输出的分割结果的准确性。
在一个实施例中，初始分割模型树包括树结构中的根节点对应的待训练的器官图像分割子模型；如图4所示，步骤S320，根据训练样本图像集和样本分割标注图像集对初始分割模型树中的待训练的器官图像分割子模型进行训练，得到以树结构构建的目标分割模型树，包括：
步骤S410，根据训练样本图像集和样本分割标注图像集对根节点对应的待训练的器官图像分割子模型进行训练，得到根节点对应的训练好的器官图像分割子模型。
具体实现中，计算机设备在根据训练样本图像集和样本分割标注图像集对初始分割模型树中的待训练的器官图像分割子模型进行训练，得到以树结构构建的目标分割模型树的过程中，计算机设备可以首先根据训练样本图像集和样本分割标注图像集，对初始分割模型树中的根节点对应的待训练的器官图像分割子模型进行训练，当根节点对应的训练后的器官图像分割子模型满足预设的训练结束条件时，得到根节点对应的训练好的器官图像分割子模型。
步骤S420，获取各残差图像对应的纹理特征图像。
其中，各残差图像为根据各训练样本图像对应的根节点预测概率图像与各训练样本图像对应的样本分割标注图像之间的差值得到的。
其中，根节点预测概率图像为根节点对应的训练好的器官图像分割子模型，针对训练样本图像输出的样本预测分割结果中的样本预测概率图像。
其中，样本分割标注图像为掩膜图像。
其中，样本分割标注图像可以表征待分割对象在训练样本图像中对应的实际区域。
其中，样本预测概率图像可以表征待分割对象在训练样本图像中对应的预测区域。
具体实现中，计算机设备可以使用根节点对应的训练好的器官图像分割子模型对训练样本图像集中的训练样本图像进行预测，得到该训练好的器官图像分割子模型针对训练样本图像输出的样本预测分割结果，将该样本预测分割结果中的样本预测概率图像，作为训练样本图像对应的根节点预测概率图像。
然后，计算机设备可以将各训练样本图像对应的根节点预测概率图像与各训练样本图像对应的样本分割标注图像进行相减，得到各训练样本图像对应的根节点预测概率图像与各训练样本图像对应的样本分割标注图像之间的差值，以确定各训练样本图像对应的残差图像。
之后，计算机设备可以提取各残差图像的纹理特征，得到各残差图像对应的纹理特征图像。具体来说，计算机设备可以根据灰度共生矩阵的graycoprops函数提取纹理特征等。
步骤S430，根据各纹理特征图像的聚类结果，得到目标分割模型树。
具体实现中，计算机设备可以采用K-Means(K均值聚类算法)(K＝2)，即采用无监督的方法对各纹理特征图像进行划分，得到各纹理特征图像的2-Means聚类结果，以根据各纹理特征图像的聚类结果训练树结构中除根节点以外的其他节点对应的待训练的器官图像分割子模型，以得到以树结构构建的目标分割模型树。
本实施例的技术方案，初始分割模型树包括树结构中的根节点对应的待训练的器官图像分割子模型；通过根据训练样本图像集和样本分割标注图像集对根节点对应的待训练的器官图像分割子模型进行训练，得到根节点对应的训练好的器官图像分割子模型；获取各残差图像对应的纹理特征图像；各残差图像为根据各训练样本图像对应的根节点预测概率图像与各训练样本图像对应的样本分割标注图像之间的差值得到的；根节点预测概率图像为根节点对应的训练好的器官图像分割子模型针对训练样本图像输出的样本预测分割结果中的样本预测概率图像；根据各纹理特征图像的聚类结果，得到目标分割模型树；如此，可以将纹理特征不同的训练样本图像划分开，以训练得到目标分割模型树，使得目标分割模型树中各叶子节点对应的器官图像分割子模型可以匹配于不同的分割风格，从而可以准确提供个性化分割结果。
在一个实施例中，根据各纹理特征图像的聚类结果，得到目标分割模型树，包括：根据各纹理特征图像的聚类结果，将训练样本图像集划分为第一训练样本图像集和第二训练样本图像集，并从根节点中分裂出根节点的第一子节点和根节点的第二子节点；将第一子节点作为根节点，将第一训练样本图像集作为训练样本图像集；以及，将第二子节点作为根节点，将第二训练样本图像集作为训练样本图像集；执行根据训练样本图像集和样本分割标注图像集对根节点对应的待训练的器官图像分割子模型进行训练的步骤，直到第一训练样本图像集或第二训练样本图像集的数量小于预设数量，得到树结构中各节点对应的训练好的器官图像分割子模型；根据各节点对应的训练好的器官图像分割子模型，确定目标分割模型树。
具体实现中，计算机设备在根据各纹理特征图像的聚类结果，得到目标分割模型树的过程中，计算机设备可以根据各纹理特征图像的2-Means聚类结果，将训练样本图像集划分为第一训练样本图像集和第二训练样本图像集，并从根节点中分裂出根节点的第一子节点和根节点的第二子节点；然后，建立根节点的第一子树和第二子树，即将第一子节点作为根节点，将第一训练样本图像集作为训练样本图像集；以及，将第二子节点作为根节点，将第二训练样本图像集作为训练样本图像集，执行根据训练样本图像集和样本分割标注图像集对根节点对应的待训练的器官图像分割子模型进行训练的步骤，直到第一子节点对应的第一训练样本图像集或第二子节点对应的第二训练样本图像集的图像数量小于预设数量(例如小于30个)，停止对根节点进行分裂，可以得到树结构中各节点对应的训练好的器官图像分割子模型，进而可以基于各节点对应的训练好的器官图像分割子模型，确定目标分割模型树，该目标分割模型树包括了一组分割风格不同的器官图像分割子模型，即为树结构中各叶子节点对应的训练好的器官图像分割子模型。
为了便于本领域技术人员理解，图5提供了一种树结构中某一节点对应的聚类结果示意图。如图5所示，虚线左边的数据为来自第一个医生(医生A)的残差图像，以“·”标识；虚线右边的数据为来自第二个医生(医生B)的残差图像，以“+”标识；其中，横坐标表示不同的图像。如图5中所示，可以根据各纹理特征图像的2-Means聚类结果对对应的残差图像归类为不同的类别，如图5中空心的标识表征第一类，实心的标识表征第二类；可以看出在这一节点对应的聚类结果中，可以较好地将第二个医生的残差图像进行归类。
本实施例的技术方案，通过根据各纹理特征图像的聚类结果，将训练样本图像集划分为第一训练样本图像集和第二训练样本图像集，并从根节点中分裂出根节点的第一子节点和根节点的第二子节点；将第一子节点作为根节点，将第一训练样本图像集作为训练样本图像集；以及，将第二子节点作为根节点，将第二训练样本图像集作为训练样本图像集；执行根据训练样本图像集和样本分割标注图像集对根节点对应的待训练的器官图像分割子模型进行训练的步骤，直到第一训练样本图像集或第二训练样本图像集的数量小于预设数量，得到树结构中各节点对应的训练好的器官图像分割子模型；根据各节点对应的训练好的器官图像分割子模型，确定目标分割模型树；如此，可以将对应的纹理特征不同的训练样本图像划分到不同的类别中，得到归属于不同类别的第一训练样本图像集和第二训练样本图像集，以对根节点的第一子节点对应的待训练的器官图像分割子模型和根节点的第二子节点对应的待训练的器官图像分割子模型进行训练，从而递归构建出各节点对应的训练好的器官图像分割子模型，使得树结构中各叶子节点对应的器官图像分割子模型可以准确匹配于不同的分割风格，进而可以基于器官图像分割子模型的输出的分割风格不同的分割结果，准确输出与目标分割风格相匹配的目标器官分割图像。
在另一个实施例中，如图6所示，提供了一种医学图像处理方法，以该方法应用于计算机设备为例进行说明，包括以下步骤：
步骤S602，获取训练样本图像集、样本分割标注图像集以及初始分割模型树中的待训练的器官图像分割子模型。
步骤S604，根据训练样本图像集和样本分割标注图像集对初始分割模型树中的待训练的器官图像分割子模型进行训练，得到以树结构构建的目标分割模型树。
步骤S606，将训练样本图像集分别输入至各叶子节点对应的训练好的器官图像分割子模型中，得到各器官图像分割子模型针对训练样本图像输出的样本预测分割结果。
步骤S608，确定各样本预测分割结果中的样本预测概率图像。
步骤S610，拼接各样本预测概率图像，得到拼接后的样本预测概率图像。
步骤S612，在拼接后的样本预测概率图像上构建预设的集成模型，得到以树结构构建的器官图像分割模型。
步骤S614，将样本图像集分别输入至各器官图像分割子模型，得到样本图像集中的各样本图像对应的预测分割图像。。
步骤S616，根据各样本图像对应的分割标注图像与各样本图像对应的预测分割图像，对器官图像分割模型的当前集成策略进行调整，得到目标集成策略。
步骤S618，根据目标集成策略，组合各器官图像分割子模型针对待分割器官图像输出的预测分割结果，得到待分割器官图像对应的目标器官分割图像。。
需要说明的是，上述步骤的具体限定可以参见上文对一种医学图像处理方法的具体限定。
本实施例的技术方案，器官图像分割模型为对各器官图像分割子模型进行集成学习得到的，即器官图像分割模型为集成模型，由于集成模型的模型参数较少，在根据样本图像集进行训练的过程中，训练速度较快，可以快速对当前集成策略进行微调得到目标集成策略，解决了相关技术中使用单一的分割模型针对样本图像集进行训练时，由于分割模型存在大量参数导致模型训练速度较慢的问题，进而可以提高模型的训练效率，快速得到与分割标注图像对应的分割风格相匹配的器官图像分割模型。
应该理解的是，虽然如上所述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，如上所述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一种医学图像处理方法的医学图像处理装置。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医学图像处理装置实施例中的具体限定可以参见上文中对于一种医学图像处理方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种医学图像处理装置，包括：获取模块710、输入模块720、调整模块730和组合模块740，其中：
获取模块710，用于获取以树结构构建的器官图像分割模型；所述器官图像分割模型包括所述树结构中的各叶子节点对应的训练好的器官图像分割子模型；其中，各所述器官图像分割子模型对应的分割风格不同。
输入模块720，用于将样本图像集分别输入至各所述器官图像分割子模型，得到所述样本图像集中的各样本图像对应的预测分割图像。
调整模块730，用于根据各所述样本图像对应的分割标注图像与各所述样本图像对应的预测分割图像，对所述器官图像分割模型的当前集成策略进行调整，得到目标集成策略。
组合模块740，用于根据所述目标集成策略，组合各器官图像分割子模型针对待分割器官图像输出的预测分割结果，得到所述待分割器官图像对应的目标器官分割图像；所述目标器官分割图像对应的分割风格与所述分割标注图像对应的分割风格相匹配。
在其中一个实施例中，所述输入模块720，具体用于将所述样本图像集分别输入至各所述器官图像分割子模型，得到各所述器官图像分割子模型针对各所述样本图像输出的预测分割结果；根据所述当前集成策略，组合各所述样本图像对应的预测分割结果，得到各所述样本图像对应的预测分割图像。
在其中一个实施例中，所述当前集成策略包括各所述器官图像分割子模型对应的分割结果权重；所述调整模块730，具体用于确定各所述样本图像对应的分割标注图像与各所述样本图像对应的预测分割图像之间的图像差异；根据所述图像差异调整各所述器官图像分割子模型对应的分割结果权重，得到各所述器官图像分割子模型对应的目标分割结果权重；根据各所述器官图像分割子模型对应的目标分割结果权重，得到所述目标集成策略。
在其中一个实施例中，所述调整模块730，具体用于根据所述图像差异，调整各所述器官图像分割子模型对应的分割结果权重，得到各所述器官图像分割子模型对应的调整后权重；根据各所述器官图像分割子模型对应的调整后权重，组合各所述器官图像分割子模型输出的预测分割结果，得到各所述样本图像对应的调整后的预测分割图像；将所述调整后的预测分割图像作为所述预测分割图像，返回所述根据所述图像差异，调整各所述器官图像分割子模型对应的分割结果权重的步骤，直到所述图像差异满足预设的调整结束条件，得到各所述器官图像分割子模型对应的目标分割结果权重。
在其中一个实施例中，所述获取模块710，具体用于获取训练样本图像集、样本分割标注图像集以及初始分割模型树中的待训练的器官图像分割子模型；其中，所述样本分割标注图像集包括与所述训练样本图像集中的各训练样本图像对应的样本分割标注图像；所述样本分割标注图像为对待分割对象在所述训练样本图像中所在的实际区域进行标注得到的；根据所述训练样本图像集和所述样本分割标注图像集对所述初始分割模型树中的待训练的器官图像分割子模型进行训练，得到以所述树结构构建的目标分割模型树；所述目标分割模型树包括所述树结构中各所述叶子节点对应的训练好的器官图像分割子模型；将所述训练样本图像集分别输入至各所述叶子节点对应的训练好的器官图像分割子模型中，得到各所述器官图像分割子模型针对所述训练样本图像输出的样本预测分割结果；根据各所述器官图像分割子模型输出的所述样本预测分割结果，构建所述器官图像分割模型。
在其中一个实施例中，所述获取模块710，具体用于确定各所述样本预测分割结果中的样本预测概率图像；拼接各所述样本预测概率图像，得到拼接后的样本预测概率图像；在所述拼接后的样本预测概率图像上构建预设的集成模型，得到所述器官图像分割模型。
在其中一个实施例中，所述初始分割模型树包括所述树结构中的根节点对应的待训练的器官图像分割子模型；所述获取模块710，具体用于根据所述训练样本图像集和所述样本分割标注图像集对所述根节点对应的待训练的器官图像分割子模型进行训练，得到所述根节点对应的训练好的器官图像分割子模型；获取各残差图像对应的纹理特征图像；各所述残差图像为根据各所述训练样本图像对应的根节点预测概率图像与各所述训练样本图像对应的样本分割标注图像之间的差值得到的；所述根节点预测概率图像为所述根节点对应的训练好的器官图像分割子模型针对所述训练样本图像输出的样本预测分割结果中的样本预测概率图像；根据各所述纹理特征图像的聚类结果，得到所述目标分割模型树。
在其中一个实施例中，所述获取模块710，具体用于根据各所述纹理特征图像的聚类结果，将所述训练样本图像集划分为第一训练样本图像集和第二训练样本图像集，并从所述根节点中分裂出所述根节点的第一子节点和所述根节点的第二子节点；将所述第一子节点作为所述根节点，将所述第一训练样本图像集作为所述训练样本图像集；以及，将所述第二子节点作为所述根节点，将所述第二训练样本图像集作为所述训练样本图像集；执行所述根据所述训练样本图像集和所述样本分割标注图像集对所述根节点对应的待训练的器官图像分割子模型进行训练的步骤，直到所述第一训练样本图像集或第二训练样本图像集的数量小于预设数量，得到所述树结构中各节点对应的训练好的器官图像分割子模型；根据各所述节点对应的训练好的器官图像分割子模型，确定所述目标分割模型树。
上述一种医学图像处理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8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医学图像处理方法。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8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，还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上述各方法实施例中的步骤。
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，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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上述各方法实施例中的步骤。
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)

1.一种医学图像处理方法，其特征在于，所述方法包括：
获取以树结构构建的器官图像分割模型；所述器官图像分割模型包括所述树结构中的各叶子节点对应的训练好的器官图像分割子模型；其中，各所述器官图像分割子模型对应的分割风格不同；
将样本图像集分别输入至各所述器官图像分割子模型，得到所述样本图像集中的各样本图像对应的预测分割图像；
根据各所述样本图像对应的分割标注图像与各所述样本图像对应的预测分割图像，对所述器官图像分割模型的当前集成策略进行调整，得到目标集成策略；
根据所述目标集成策略，组合各器官图像分割子模型针对待分割器官图像输出的预测分割结果，得到所述待分割器官图像对应的目标器官分割图像；所述目标器官分割图像对应的分割风格与所述分割标注图像对应的分割风格相匹配。
2.根据权利要求1所述的方法，其特征在于，所述当前集成策略包括各所述器官图像分割子模型对应的分割结果权重；所述根据各所述样本图像对应的分割标注图像与各所述样本图像对应的预测分割图像，对所述器官图像分割模型的当前集成策略进行调整，得到目标集成策略，包括：
确定各所述样本图像对应的分割标注图像与各所述样本图像对应的预测分割图像之间的图像差异；
根据所述图像差异调整各所述器官图像分割子模型对应的分割结果权重，得到各所述器官图像分割子模型对应的目标分割结果权重；
根据各所述器官图像分割子模型对应的目标分割结果权重，得到所述目标集成策略。
3.根据权利要求2所述的方法，其特征在于，所述根据所述图像差异调整各所述器官图像分割子模型对应的分割结果权重，得到各所述器官图像分割子模型对应的目标分割结果权重，包括：
根据所述图像差异，调整各所述器官图像分割子模型对应的分割结果权重，得到各所述器官图像分割子模型对应的调整后权重；
根据各所述器官图像分割子模型对应的调整后权重，组合各所述器官图像分割子模型输出的预测分割结果，得到各所述样本图像对应的调整后的预测分割图像；
将所述调整后的预测分割图像作为所述预测分割图像，返回所述根据所述图像差异，调整各所述器官图像分割子模型对应的分割结果权重的步骤，直到所述图像差异满足预设的调整结束条件，得到各所述器官图像分割子模型对应的目标分割结果权重。
4.根据权利要求1所述的方法，其特征在于，所述获取以树结构构建的器官图像分割模型，包括：
获取训练样本图像集、样本分割标注图像集以及初始分割模型树中的待训练的器官图像分割子模型；其中，所述样本分割标注图像集包括与所述训练样本图像集中的各训练样本图像对应的样本分割标注图像；所述样本分割标注图像为对待分割对象在所述训练样本图像中所在的实际区域进行标注得到的；
根据所述训练样本图像集和所述样本分割标注图像集，对所述初始分割模型树中的待训练的器官图像分割子模型进行训练，得到以所述树结构构建的目标分割模型树；所述目标分割模型树包括所述树结构中各所述叶子节点对应的训练好的器官图像分割子模型；
将所述训练样本图像集分别输入至各所述叶子节点对应的训练好的器官图像分割子模型中，得到各所述器官图像分割子模型针对所述训练样本图像输出的样本预测分割结果；
根据各所述器官图像分割子模型输出的所述样本预测分割结果，构建所述器官图像分割模型。
5.根据权利要求4所述的方法，其特征在于，所述根据各所述器官图像分割子模型输出的所述样本预测分割结果，构建所述器官图像分割模型，包括：
确定各所述样本预测分割结果中的样本预测概率图像；
拼接各所述样本预测概率图像，得到拼接后的样本预测概率图像；
在所述拼接后的样本预测概率图像上构建预设的集成模型，得到所述器官图像分割模型。
6.根据权利要求4所述的方法，其特征在于，所述初始分割模型树包括所述树结构中的根节点对应的待训练的器官图像分割子模型；所述根据所述训练样本图像集和所述样本分割标注图像集，对所述初始分割模型树中的待训练的器官图像分割子模型进行训练，得到以所述树结构构建的目标分割模型树，包括：
根据所述训练样本图像集和所述样本分割标注图像集对所述根节点对应的待训练的器官图像分割子模型进行训练，得到所述根节点对应的训练好的器官图像分割子模型；
获取各残差图像对应的纹理特征图像；各所述残差图像为根据各所述训练样本图像对应的根节点预测概率图像与各所述训练样本图像对应的样本分割标注图像之间的差值得到的；所述根节点预测概率图像为所述根节点对应的训练好的器官图像分割子模型针对所述训练样本图像输出的样本预测分割结果中的样本预测概率图像；
根据各所述纹理特征图像的聚类结果，得到所述目标分割模型树。
7.根据权利要求6所述的方法，其特征在于，所述根据各所述纹理特征图像的聚类结果，得到所述目标分割模型树，包括：
根据各所述纹理特征图像的聚类结果，将所述训练样本图像集划分为第一训练样本图像集和第二训练样本图像集，并从所述根节点中分裂出所述根节点的第一子节点和所述根节点的第二子节点；
将所述第一子节点作为所述根节点，将所述第一训练样本图像集作为所述训练样本图像集；
以及，将所述第二子节点作为所述根节点，将所述第二训练样本图像集作为所述训练样本图像集；
执行所述根据所述训练样本图像集和所述样本分割标注图像集对所述根节点对应的待训练的器官图像分割子模型进行训练的步骤，直到所述第一训练样本图像集或第二训练样本图像集的数量小于预设数量，得到所述树结构中各节点对应的训练好的器官图像分割子模型；
根据各所述节点对应的训练好的器官图像分割子模型，确定所述目标分割模型树。
8.一种医学图像处理装置，其特征在于，所述装置包括：
获取模块，用于获取以树结构构建的器官图像分割模型；所述器官图像分割模型包括所述树结构中的各叶子节点对应的训练好的器官图像分割子模型；其中，各所述器官图像分割子模型对应的分割风格不同；
输入模块，用于将样本图像集分别输入至各所述器官图像分割子模型，得到所述样本图像集中的各样本图像对应的预测分割图像；
调整模块，用于根据各所述样本图像对应的分割标注图像与各所述样本图像对应的预测分割图像，对所述器官图像分割模型的当前集成策略进行调整，得到目标集成策略；
组合模块，用于根据所述目标集成策略，组合各器官图像分割子模型针对待分割器官图像输出的预测分割结果，得到所述待分割器官图像对应的目标器官分割图像；所述目标器官分割图像对应的分割风格与所述分割标注图像对应的分割风格相匹配。
9.一种计算机设备，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。
10.一种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权利要求1至7中任一项所述的方法的步骤。
CN202211030855.XA 2022-08-26 2022-08-26 医学图像处理方法、装置、计算机设备和存储介质 Pending CN115393376A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211030855.XA CN115393376A (zh) 2022-08-26 2022-08-26 医学图像处理方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211030855.XA CN115393376A (zh) 2022-08-26 2022-08-26 医学图像处理方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN115393376A true CN115393376A (zh) 2022-11-25

Family

ID=84122979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211030855.XA Pending CN115393376A (zh) 2022-08-26 2022-08-26 医学图像处理方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN115393376A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681717A (zh) * 2023-08-04 2023-09-01 经智信息科技(山东)有限公司 一种ct图像的分割处理方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681717A (zh) * 2023-08-04 2023-09-01 经智信息科技(山东)有限公司 一种ct图像的分割处理方法及装置
CN116681717B (zh) * 2023-08-04 2023-11-28 经智信息科技(山东)有限公司 一种ct图像的分割处理方法及装置

Similar Documents

Publication Publication Date Title
WO2022001623A1 (zh) 基于人工智能的图像处理方法、装置、设备及存储介质
CN111126574B (zh) 基于内镜图像对机器学习模型进行训练的方法、装置和存储介质
CN109493417B (zh) 三维物体重建方法、装置、设备和存储介质
WO2020248841A1 (zh) 图像的au检测方法、装置、电子设备及存储介质
CN111221981B (zh) 知识图谱嵌入模型的训练方法、装置和计算机存储介质
CN110472049B (zh) 疾病筛查文本分类方法、计算机设备和可读存储介质
CN114241478A (zh) 宫颈细胞图像中异常细胞图像识别方法、装置
CN113204659B (zh) 多媒体资源的标签分类方法、装置、电子设备及存储介质
CN111507285A (zh) 人脸属性识别方法、装置、计算机设备和存储介质
CN114359563A (zh) 模型训练方法、装置、计算机设备和存储介质
CN115393376A (zh) 医学图像处理方法、装置、计算机设备和存储介质
CN110807693A (zh) 专辑的推荐方法、装置、设备和存储介质
CN115908363B (zh) 肿瘤细胞统计方法、装置、设备和存储介质
CN116958693A (zh) 图像分析方法、装置、设备、存储介质和程序产品
Yang et al. Efficient knowledge management for heterogenous federated continual learning on resource-constrained edge devices
WO2023284670A1 (zh) 图形码提取模型构建方法、识别方法、装置、设备和介质
Matejek et al. Synapse-aware skeleton generation for neural circuits
CN116310308A (zh) 图像分割方法、装置、计算机设备和存储介质
CN116029273A (zh) 文本处理方法、装置、计算机设备和存储介质
CN115409111A (zh) 命名实体识别模型的训练方法和命名实体识别方法
CN114240949A (zh) 宫颈细胞分割网络训练方法、宫颈细胞分割方法、装置
CN116612474B (zh) 对象检测方法、装置、计算机设备及计算机可读存储介质
CN111862003B (zh) 医疗影像目标信息获取方法、装置、设备和存储介质
CN116503694B (zh) 模型训练方法、图像分割方法、装置和计算机设备
CN115455306B (zh) 推送模型训练、信息推送方法、装置和存储介质

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