CN115797638A - 一种医学图像分割方法、装置、电子设备及存储介质 - Google Patents

一种医学图像分割方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115797638A
CN115797638A CN202310054375.5A CN202310054375A CN115797638A CN 115797638 A CN115797638 A CN 115797638A CN 202310054375 A CN202310054375 A CN 202310054375A CN 115797638 A CN115797638 A CN 115797638A
Authority
CN
China
Prior art keywords
medical image
labeled
pseudo
semi
model
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
CN202310054375.5A
Other languages
English (en)
Inventor
高剑伟
梁大柱
刘燕波
许娟
史文钊
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.)
Digital Health China Technologies Co Ltd
Original Assignee
Digital Health China Technologies 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 Digital Health China Technologies Co Ltd filed Critical Digital Health China Technologies Co Ltd
Priority to CN202310054375.5A priority Critical patent/CN115797638A/zh
Publication of CN115797638A publication Critical patent/CN115797638A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本申请提出一种医学图像分割方法、装置、电子设备及存储介质，方法包括：用少量人工标注的图像训练全监督医学图像分割模型；采用该模型对未进行标注的医学图像进行预测，得到伪标注医学图像；从伪标注医学图像中选出高质量伪标注图像，使用少量人工标注的图像与高质量伪标注图像来对全监督医学图像分割模型进行微调，得到半监督模型；重复进行n轮生成n个半监督模型，用最终的半监督模型预测未进行人工标注的图像。装置包括：人工标注模块、全监督模型训练模块、伪标注图像生成模块、高质量伪标注图像选择模块、半监督模型训练模块、标注结果输出模块。本申请仅用少量人工标注，就能够得到准确的多器官分割模型，并实现所有医学图像的标注。

Description

一种医学图像分割方法、装置、电子设备及存储介质
技术领域
本申请属于医学图像处理领域，具体涉及一种医学图像分割方法、装置、电子设备及存储介质。
背景技术
在许多医学场景下，需要实现医学图像（如胸部CT，腹部CT等）的多器官分割。现有技术方案是，先对大量数据进行人工标注，再使用这些已人工标注的数据全监督地训练一个多器官分割模型，最后用该模型对其他未标注数据进行预测，得到所有已人工标注或模型标注的数据。
医学图像的人工标注必须由专业医生完成，且工作量较大，需要花费大量的时间与人力。为了训练出一个准确的多器官分割模型并实现所有医学图像的标注，需要首先对其中很大一部分的医学图像进行人工标注，而这种时间成本和人力成本往往难以接受。如果人工标注的数据量不够，又会导致训练出的多器官分割模型不准确，模型标注结果较差。
所以，希望能通过少量的人工标注，得到准确的多器官分割模型，实现对所有数据的人工标注或模型标注。
发明内容
基于以上技术问题，本申请提出一种医学图像分割方法、装置、电子设备及存储介质。
第一方面，本申请提出一种医学图像分割方法，包括：
步骤S1：对医学图像中的目标器官进行人工标注，所述医学图像的数量小于第一数量阈值，并且大于第二数量阈值；
步骤S2：使用人工标注的医学图像进行训练，得到全监督医学图像分割模型
Figure SMS_1
；
步骤S3：使用所述全监督医学图像分割模型
Figure SMS_2
对未进行标注的医学图像进行预测，得到伪标注医学图像；
步骤S4：选取所述伪标注医学图像中标注的所有器官的体积均在预定义范围内的伪标注医学图像，作为高质量的伪标注医学图像；
步骤S5：将当前选取的高质量伪标注医学图像与所述人工标注的医学图像合并在一起进行半监督训练，对上一次训练得到的模型
Figure SMS_3
进行微调，将得到的半监督模型记为
Figure SMS_4
，其中，i为半监督训练次数，采用半监督模型
Figure SMS_5
对未进行标注的医学图像进行预测，得到伪标注医学图像；
步骤S6：比较半监督训练次数i与半监督训练总次数n之间的大小；如果
Figure SMS_6
，则将半监督训练次数i增加1次，并返回步骤S4；如果
Figure SMS_7
，则将半监督模型
Figure SMS_8
作为最终的多器官分割模型，把半监督模型
Figure SMS_9
对未进行标注的医学图像进行预测得到的伪标注医学图像作为最终标注结果，以实现对医学图像中目标器官的分割。
所述选取所述伪标注医学图像中标注的所有器官的体积均在预定义范围内的伪标注医学图像，作为高质量伪标注医学图像，包括：设所有人工标注的医学图像中共标注m个目标器官
Figure SMS_10
，所述m个目标器官的体积最小值分别为
Figure SMS_11
，所述m个目标器官的体积最大值分别为
Figure SMS_12
；
当使用所述全监督医学图像分割模型
Figure SMS_13
对未进行标注的医学图像进行预测，得到伪标注医学图像时，若对任意的j=1,…,m，目标器官j的体积均在
Figure SMS_14
范围内，则所述伪标注医学图像被选出作为高质量的伪标注医学图像；
当使用所述半监督模型
Figure SMS_15
对未进行标注的医学图像进行预测，得到伪标注医学图像时，若对任意的j=1,…,m，器官j的体积均在
Figure SMS_16
范围内，则所述伪标注医学图像被选出作为高质量的伪标注医学图像，其中，β为(0,1)范围内的常数，并且
Figure SMS_17
。
所述对上一次训练得到的模型
Figure SMS_18
进行微调时，冻结模型
Figure SMS_19
的前面任意层的参数，仅更新未被冻结层的参数。
在所述半监督模型
Figure SMS_21
的第t个训练轮次中，设定
Figure SMS_24
为所述人工标注的医学图像的损失，
Figure SMS_26
为伪标注医学图像的损失，所述半监督模型
Figure SMS_22
的总损失函数L由
Figure SMS_25
与
Figure SMS_27
的线性组合构成，随着训练轮次t的增加和学习率的下降，逐渐增加
Figure SMS_28
在总损失函数中的权重，并且在所有训练轮次中
Figure SMS_20
在总损失函数中的权重不超过
Figure SMS_23
的权重。
所述半监督模型
Figure SMS_29
的总损失函数L的计算式为：
Figure SMS_30
其中，
Figure SMS_31
为所述人工标注的医学图像的损失，
Figure SMS_32
为伪标注医学图像的损失，i为训练的半监督模型的个数，t为训练轮次，
Figure SMS_33
是预设定的常数。
第二方面，本申请提出一种医学图像分割装置，包括：人工标注模块，用于对医学图像中的目标器官进行人工标注，所述医学图像的数量小于第一数量阈值，并且大于第二数量阈值；
全监督模型训练模块，用于使用人工标注的医学图像进行训练，得到全监督医学图像分割模型
Figure SMS_34
；
伪标注图像生成模块，用于使用所述全监督医学图像分割模型
Figure SMS_35
或半监督模型
Figure SMS_36
对未进行标注的医学图像进行预测，得到伪标注医学图像；
高质量伪标注图像选择模块，用于选取所述伪标注医学图像中标注的所有器官的体积均在预定义范围内的伪标注医学图像，作为高质量的伪标注医学图像；
半监督模型训练模块，用于将当前选取的高质量伪标注医学图像与所述人工标注的医学图像合并在一起进行半监督训练，对上一次训练得到的模型
Figure SMS_37
进行微调，将得到的半监督模型记为
Figure SMS_38
，其中，i为半监督训练次数；
标注结果输出模块，用于比较半监督训练次数i与半监督训练总次数n之间的大小；如果
Figure SMS_39
，则将半监督训练次数i增加1次，并返回所述高质量伪标注图像选择模块；如果
Figure SMS_40
，则将半监督模型
Figure SMS_41
作为最终的多器官分割模型，把半监督模型
Figure SMS_42
对未进行标注的医学图像进行预测得到的伪标注医学图像作为最终标注结果，以实现对医学图像中目标器官的分割。
所述高质量伪标注图像选择模块包括：设置子单元，用于设所有人工标注的医学图像中共标注m个目标器官
Figure SMS_43
，
Figure SMS_44
，所述m个目标器官的体积最小值分别为
Figure SMS_45
，所述m个目标器官的体积最大值分别为
Figure SMS_46
；
第一选择子单元，用于当使用所述全监督医学图像分割模型
Figure SMS_47
对未进行标注的医学图像进行预测，得到伪标注医学图像时，若对任意的j=1,…,m，目标器官j的体积均在
Figure SMS_48
范围内，则所述伪标注医学图像被选出作为高质量的伪标注医学图像；
第二选择子单元，当使用所述半监督模型
Figure SMS_49
对未进行标注的医学图像进行预测，得到伪标注医学图像时，若对任意的j=1,…,m，器官j的体积均在
Figure SMS_50
范围内，则所述伪标注医学图像被选出作为高质量的伪标注医学图像，其中，β为(0,1)范围内的常数，并且
Figure SMS_51
。
所述半监督模型训练模块还包括：损失函数子单元，用于在所述半监督模型
Figure SMS_53
的第t个训练轮次中，设定
Figure SMS_56
为所述人工标注的医学图像的损失，
Figure SMS_58
为伪标注医学图像的损失，所述半监督模型
Figure SMS_54
的总损失函数L由
Figure SMS_57
与
Figure SMS_59
的线性组合构成，随着训练轮次t的增加和学习率的下降，逐渐增加
Figure SMS_60
在总损失函数中的权重，并且在所有训练轮次中
Figure SMS_52
在总损失函数中的权重不超过
Figure SMS_55
的权重。
第三方面，本申请提出一种电子设备，包括：一个或多个处理器，以及内部存储器、外部存储器，所述内部存储器存储指令，当所述指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行第一方面所述的医学图像分割方法。
第四方面，本申请提出一种计算机存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被一个或多个处理器执行时，实现如第一方面所述的医学图像分割方法。
有益效果：
本申请提出一种医学图像分割方法、装置、电子设备及存储介质，通过从伪标注医学图像筛选出高质量的医学图像，以及通过总损失函数适当控制伪标注医学图像的权重，仅仅使用少量的人工标注，就能够得到准确的多器官分割模型，实现所有数据的自动标注。
附图说明
图1为本申请实施例的医学图像分割方法流程图；
图2为本申请实施例的医学图像分割装置原理框图；
图3为现有技术的医学图像分割方法流程示意图；
图4为本申请实施例的医学图像分割方法流程示意图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
在许多医学场景下，需要实现医学图像（如胸部CT，腹部CT等）的多器官分割。现有技术方案是，先对大量数据进行人工标注，再使用这些已人工标注的数据全监督地训练一个多器官分割模型，最后用该模型对其他未标注数据进行预测，得到所有已人工标注或模型标注的数据，如图３所示。
医学图像的人工标注必须由专业医生完成，且工作量较大，需要花费大量的时间与人力。为了训练出一个准确的多器官分割模型并实现所有医学图像的标注，需要首先对其中很大一部分的医学图像进行人工标注，而这种时间成本和人力成本往往难以接受。如果人工标注的数据量不够，又会导致训练出的多器官分割模型不准确，模型标注结果较差。
所以，希望能通过少量的人工标注，得到准确的多器官分割模型，实现对所有数据的人工标注或模型标注。
本申请提出一种医学图像分割方法、装置、电子设备及存储介质，通过从伪标注医学图像筛选出高质量的医学图像，以及通过总损失函数适当控制伪标注医学图像的权重，仅仅使用少量的人工标注，就能够得到准确的多器官分割模型，实现所有数据的自动标注。
实施例１：
本实施例提出一种医学图像分割方法，如图１、４所示，包括：
步骤S1：对医学图像中的目标器官进行人工标注，所述医学图像的数量小于第一数量阈值，并且大于第二数量阈值；本实施例中需要预先指定训练半监督模型的总个数n。并预先设置医学图像的数量范围，例如第一数量阈值为不用本申请方法人工标注的医学图像数量的a%，第二数量阈值为不用本申请方法人工标注的医学图像数量的b%，如果人工标注的医学图像的数量低于b%，则训练出来的模型就会不准确，如果人工标注的医学图像的数量高于a%，则会增加人工成本。本实施例为了解决大量人工标注的医学图像会带来繁重的人工压力和人工成本问题，所以本申请仅需要少量的人工标注的医学图像，例如仅仅标注以前人工标注数量的30％，具体人工标注数量比较合适可以视具体问题而定。
步骤S2：使用人工标注的医学图像进行训练，得到全监督医学图像分割模型
Figure SMS_61
；
所述全监督医学图像分割模型包括但不限于：U-Net（U-Net，U型网络），V-Net（V-Net ，V型网络），resU-Net（residual U-Net，残差U型网络），nnU-Net（no new U-Net，无新U型网络）中的任一种。
本实施例中提出的方法具有较好的普适性，可以根据具体任务需要，应用各种神经网络分割模型，其中，本实施例中的全监督训练指的是：全部用人工标注数据进行训练，半监督训练指的是：使用人工标注的医学图像结合伪标注医学图像进行训练。
步骤S3：使用所述全监督医学图像分割模型
Figure SMS_62
对未进行标注的医学图像进行预测，得到伪标注医学图像；
步骤S4：选取所述伪标注医学图像中标注的所有器官的体积均在预定义范围内的伪标注医学图像，作为高质量的伪标注医学图像；
所述伪标注医学图像，还需要进行后处理，所述后处理包括但不限于：边缘平滑、孔洞填充、取最大连通域的一种或几种。通过后处理后的伪标注医学图像再与所述人工标注的医学图像合并在一起进行半监督训练，对上一次训练得到的模型
Figure SMS_63
进行微调，将会得到更加准确的半监督模型。
针对步骤S4中，选取所述伪标注医学图像中标注的所有器官的体积均在预定义范围内的伪标注医学图像，作为高质量的伪标注医学图像，具体包括：设所有人工标注的医学图像中共标注m个目标器官
Figure SMS_64
，所述m个目标器官的体积最小值分别为
Figure SMS_65
，所述m个目标器官的体积最大值分别为
Figure SMS_66
；
当使用所述全监督医学图像分割模型
Figure SMS_67
对未进行标注的医学图像进行预测，得到伪标注医学图像时，若对任意的j=1,…,m，目标器官j的体积均在
Figure SMS_68
范围内，则所述伪标注医学图像被选出作为高质量的伪标注医学图像；
当使用所述半监督模型
Figure SMS_69
对未进行标注的医学图像进行预测，得到伪标注医学图像时，若对任意的j=1,…,m，器官j的体积均在
Figure SMS_70
范围内，则所述伪标注医学图像被选出作为高质量的伪标注医学图像，其中，β为(0,1)范围内的常数，并且
Figure SMS_71
，其中n为半监督训练总次数。
由于人体器官体积大小相对固定，所以可以通过模型分割结果的各个器官体积来预估模型预测准确度，而那些人工标注医学图像恰好可以给我们提供器官合理体积的信息。
经过筛选，只保留高质量伪标注医学图像进行下一轮模型训练，排除掉一些模型预测不准确的图像和一些器官情况特殊的图像，避免这些图像干扰训练。随着半监督训练次数i的增加，我们适当放宽了筛选条件。这是因为随着半监督训练次数i的增加，模型更准确了，模型预测得到的伪标注更值得相信了，而且模型更稳定了，更不容易被干扰了。
步骤S5：将当前选取的高质量伪标注医学图像与所述人工标注的医学图像合并在一起进行半监督训练，对上一次训练得到的模型
Figure SMS_72
进行微调，将得到的半监督模型记为
Figure SMS_73
，其中，i为半监督训练次数，采用半监督模型
Figure SMS_74
对未进行标注的医学图像进行预测，得到伪标注医学图像；
在初始进入半监督训练时，记录半监督训练次数
Figure SMS_75
，以便在后续的训练中，半监督训练次数i逐渐增加到预设值的半监督训练总次数n。
所述对上一次训练得到的模型
Figure SMS_76
进行微调时，冻结模型
Figure SMS_77
的前面任意层的参数，仅更新未被冻结层的参数。载入上一次训练得到的模型
Figure SMS_78
，可以节约训练时间，避免重复劳动。微调时冻结前面一些层的参数只更新后面一些层的参数，可以保持模型相对稳定并不断提高准确性。该过程属于现有技术，本申请不再赘述。
步骤S6比较半监督训练次数i与半监督训练总次数n之间的大小；如果
Figure SMS_79
，则将半监督训练次数i增加1次，并返回步骤S4；如果
Figure SMS_80
，则将半监督模型
Figure SMS_81
作为最终的多器官分割模型，把半监督模型
Figure SMS_82
对未进行标注的医学图像进行预测得到的伪标注医学图像作为最终标注结果，从而实现对所有医学图像中目标器官的分割。
在所述半监督模型
Figure SMS_83
的第t个训练轮次中，本实施例中每个半监督模型
Figure SMS_88
需要多次训练得到，每个轮次的训练都需要修改总损失函数，以得到更加准确的半监督模型
Figure SMS_94
，设定
Figure SMS_85
为所述人工标注的医学图像的损失，
Figure SMS_90
为伪标注医学图像的损失，所述半监督模型
Figure SMS_93
的总损失函数L由
Figure SMS_96
与
Figure SMS_86
的线性组合构成，随着训练轮次t的增加和学习率的下降，逐渐增加
Figure SMS_89
在总损失函数中的权重，本实施例中
Figure SMS_91
在总损失函数中的权重即为
Figure SMS_95
参数的数值，并且在所有训练轮次中
Figure SMS_84
在总损失函数中的权重不超过
Figure SMS_87
的权重，本实施例中
Figure SMS_92
的权重为1。
所述半监督模型
Figure SMS_97
的总损失函数L的计算式为：
Figure SMS_98
其中，
Figure SMS_99
为所述人工标注的医学图像的损失，
Figure SMS_100
为伪标注医学图像的损失，i为训练的半监督模型的个数，t为训练轮次，α是预设定的常数。
在半监督模型
Figure SMS_103
的第t个训练轮次，本实施例采用
Figure SMS_104
的计算式，使
Figure SMS_107
的权重随i的增加而增大、随t的增加而增大，但不超过
Figure SMS_101
的权重。随t的增加而增大，是为了使得前面的训练轮次以人工标注部分的损失为主，后面的训练轮次随着学习率下降逐渐增加
Figure SMS_105
的权重，减少不准确的伪标注数据的干扰。随i增加而增大，是希望后面的半监督模型更快地增加
Figure SMS_106
的权重。和上面一段一样，随着i的增加，半监督模型更准确，半监督模型预测得到的伪标注更值得相信，而且模型更稳定，更不容易被干扰。让
Figure SMS_108
的权重始终不超过
Figure SMS_102
的权重，是因为毕竟人工标注是准确的，伪标注可能不准确，所以人工标注数据需要始终保持一定的权重，发挥一定的作用，使半监督模型更准确。
实施例２：
本实施例提出一种医学图像分割装置，如图２所示，包括：
人工标注模块，用于对医学图像中的目标器官进行人工标注，所述医学图像的数量小于第一数量阈值，并且大于第二数量阈值；
全监督模型训练模块，用于使用人工标注的医学图像进行训练，得到全监督医学图像分割模型
Figure SMS_109
；
伪标注图像生成模块，用于使用所述全监督医学图像分割模型
Figure SMS_110
或半监督模型
Figure SMS_111
对未进行标注的医学图像进行预测，得到伪标注医学图像；
高质量伪标注图像选择模块，用于选取所述伪标注医学图像中标注的所有器官的体积均在预定义范围内的伪标注医学图像，作为高质量的伪标注医学图像；
半监督模型训练模块，用于将当前选取的高质量伪标注医学图像与所述人工标注的医学图像合并在一起进行半监督训练，对上一次训练得到的模型
Figure SMS_112
进行微调，将得到的半监督模型记为
Figure SMS_113
，其中，i为半监督训练次数；
标注结果输出模块，用于比较半监督训练次数i与半监督训练总次数n之间的大小；如果
Figure SMS_114
，则将半监督训练次数i增加1次，并返回所述高质量伪标注图像选择模块；如果
Figure SMS_115
，则将半监督模型
Figure SMS_116
作为最终的多器官分割模型，把半监督模型
Figure SMS_117
对未进行标注的医学图像进行预测得到的伪标注医学图像作为最终标注结果，从而实现对所有医学图像中目标器官的分割。
所述人工标注模块与全监督模型训练模块相连接，所述全监督模型训练模块与所述伪标注图像生成模块相连接，所述伪标注图像生成模块分别与高质量伪标注图像选择模块以及标注结果输出模块相连接，所述高质量伪标注图像选择模块与所述半监督模型训练模块相连接，所述半监督模型训练模块与所述标注结果输出模块相连接；
所述高质量伪标注图像选择模块包括：设置子单元，用于设所有人工标注的医学图像中共标注m个目标器官
Figure SMS_118
，所述m个目标器官的体积最小值分别为
Figure SMS_119
，所述m个目标器官的体积最大值分别为
Figure SMS_120
；
第一选择子单元，用于当使用所述全监督医学图像分割模型
Figure SMS_121
对未进行标注的医学图像进行预测，得到伪标注医学图像时，若对任意的j=1,…,m，目标器官j的体积均在
Figure SMS_122
范围内，则所述伪标注医学图像被选出作为高质量的伪标注医学图像；
第二选择子单元，当使用所述半监督模型
Figure SMS_123
对未进行标注的医学图像进行预测，得到伪标注医学图像时，若对任意的j=1,…,m，器官j的体积均在
Figure SMS_124
范围内，则所述伪标注医学图像被选出作为高质量的伪标注医学图像，其中，β为(0,1)范围内的常数，并且
Figure SMS_125
。
所述设置子单元、第一选择子单元以及第二选择子单元依次顺序相连接；
所述半监督模型训练模块还包括：损失函数子单元，用于在所述半监督模型
Figure SMS_127
的第t个训练轮次中，设定
Figure SMS_131
为所述人工标注的医学图像的损失，
Figure SMS_132
为伪标注医学图像的损失，所述半监督模型
Figure SMS_128
的总损失函数L由
Figure SMS_130
与
Figure SMS_133
的线性组合构成，随着训练轮次t的增加和学习率的下降，逐渐增加
Figure SMS_134
在总损失函数中的权重，并且在所有训练轮次中
Figure SMS_126
在总损失函数中的权重不超过
Figure SMS_129
的权重。
本申请提出一种医学图像分割装置，采用人工标注模块，先获取少量的人工标注医学图像，采用全监督模型训练模块，训练出全监督医学图像分割模型，再利用伪标注图像生成模块，得到全监督医学图像分割模型预测出的伪标注医学图像；通过高质量伪标注图像选择模块从伪标注医学图像中选取高质量伪标注医学图像；利用半监督模型训练模块，将当前选取的高质量伪标注医学图像与所述人工标注的医学图像合并进行半监督训练，得到的半监督模型；重复进行n轮生成n个半监督模型，用最终得到的半监督模型对未标注的医学图像进行预测，把得到的伪标注医学图像作为最终标注结果，从而实现所有医学图像的目标器官分割。本实施例的装置，能够实现仅仅使用少量的人工标注，得到准确的多器官分割模型，实现所有数据的自动标注。
实施例３：
本实施例提出一种电子设备，包括：一个或多个处理器，以及内部存储器、外部存储器，所述内部存储器存储指令，当所述指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行实施例１所述的医学图像分割方法。
其中，处理器用于执行如上述实施例中的所述的医学图像分割方法中的全部或部分步骤。存储器用于存储各种类型的数据，这些数据例如可以包括电子设备中的任何应用程序或方法的指令，以及应用程序相关的数据。
所述处理器可以是专用集成电路（Application Specific Integrated Cricuit，简称ASIC）、数字信号处理器（Digital Signal Processor，简称DSP）、可编程逻辑器件（Programmable Logic Device，简称PLD）、现场可编程门阵列（Field Programmable GateArray，简称FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例中所述的医学图像分割方法。
实施例４：
本实施例提出一种计算机存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被一个或多个处理器执行时，实现如实施例１所述的医学图像分割方法。
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。所述功能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)执行本申请各个实施例所述的医学图像分割方法的全部或部分步骤。
而前述的存储介质包括：闪存、硬盘、多媒体卡、卡型存储器（例如，SD（SecureDigital Memory Card安全数字存储卡）或DX（为Memory Data Register，MDR的缩写，内存资料寄存器）存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘、服务器、APP（Application，应用软件的缩写）应用商城等等各种可以存储程序校验码的介质，其上存储有计算机程序，所述计算机程序被处理器执行时可以实现所述的医学图像分割方法的各个步骤。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (10)

1.一种医学图像分割方法，其特征在于，包括：
步骤S1：对医学图像中的目标器官进行人工标注，所述医学图像的数量小于第一数量阈值，并且大于第二数量阈值；
步骤S2：使用人工标注的医学图像进行训练，得到全监督医学图像分割模型
Figure QLYQS_1
；
步骤S3：使用所述全监督医学图像分割模型
Figure QLYQS_2
对未进行标注的医学图像进行预测，得到伪标注医学图像；
步骤S4：选取所述伪标注医学图像中标注的所有器官的体积均在预定义范围内的伪标注医学图像，作为高质量的伪标注医学图像；
步骤S5：将当前选取的高质量伪标注医学图像与所述人工标注的医学图像合并在一起进行半监督训练，对上一次训练得到的模型
Figure QLYQS_3
进行微调，将得到的半监督模型记为
Figure QLYQS_4
，其中，i为半监督训练次数，采用半监督模型
Figure QLYQS_5
对未进行标注的医学图像进行预测，得到伪标注医学图像；
步骤S6：比较半监督训练次数i与半监督训练总次数n之间的大小；如果
Figure QLYQS_6
，则将半监督训练次数i增加1次，并返回步骤S4；如果
Figure QLYQS_7
，则将半监督模型
Figure QLYQS_8
作为最终的多器官分割模型，把半监督模型
Figure QLYQS_9
对未进行标注的医学图像进行预测得到的伪标注医学图像作为最终标注结果，以实现对医学图像中目标器官的分割。
2.如权利要求1所述的医学图像分割方法，其特征在于，所述选取所述伪标注医学图像中标注的所有器官的体积均在预定义范围内的伪标注医学图像，作为高质量伪标注医学图像，包括：
设所有人工标注的医学图像中共标注m个目标器官
Figure QLYQS_10
，所述m个目标器官的体积最小值分别为
Figure QLYQS_11
，所述m个目标器官的体积最大值分别为
Figure QLYQS_12
；
当使用所述全监督医学图像分割模型
Figure QLYQS_13
对未进行标注的医学图像进行预测，得到伪标注医学图像时，若对任意的j=1,…,m，目标器官j的体积均在
Figure QLYQS_14
范围内，则所述伪标注医学图像被选出作为高质量的伪标注医学图像；
当使用所述半监督模型
Figure QLYQS_15
对未进行标注的医学图像进行预测，得到伪标注医学图像时，若对任意的j=1,…,m，器官j的体积均在
Figure QLYQS_16
范围内，则所述伪标注医学图像被选出作为高质量的伪标注医学图像，其中，
Figure QLYQS_17
为(0,1)范围内的常数，并且
Figure QLYQS_18
。
3.如权利要求1所述的医学图像分割方法，其特征在于，所述对上一次训练得到的模型
Figure QLYQS_19
进行微调时，冻结模型
Figure QLYQS_20
的前面任意层的参数，仅更新未被冻结层的参数。
4.如权利要求1所述的医学图像分割方法，其特征在于，在所述半监督模型
Figure QLYQS_22
的第t个训练轮次中，设定
Figure QLYQS_24
为所述人工标注的医学图像的损失，
Figure QLYQS_27
为伪标注医学图像的损失，所述半监督模型
Figure QLYQS_23
的总损失函数L由
Figure QLYQS_26
与
Figure QLYQS_28
的线性组合构成，随着训练轮次t的增加和学习率的下降，逐渐增加
Figure QLYQS_29
在总损失函数中的权重，并且在所有训练轮次中
Figure QLYQS_21
在总损失函数中的权重不超过
Figure QLYQS_25
的权重。
5.如权利要求4所述的医学图像分割方法，其特征在于，所述半监督模型
Figure QLYQS_30
的总损失函数L的计算式为：
Figure QLYQS_31
其中，
Figure QLYQS_32
为所述人工标注的医学图像的损失，
Figure QLYQS_33
为伪标注医学图像的损失，i为训练的半监督模型的个数，t为训练轮次，
Figure QLYQS_34
是预设定的常数。
6.一种医学图像分割装置，其特征在于，包括：
人工标注模块，用于对医学图像中的目标器官进行人工标注，所述医学图像的数量小于第一数量阈值，并且大于第二数量阈值；
全监督模型训练模块，用于使用人工标注的医学图像进行训练，得到全监督医学图像分割模型
Figure QLYQS_35
；
伪标注图像生成模块，用于使用所述全监督医学图像分割模型
Figure QLYQS_36
或半监督模型
Figure QLYQS_37
对未进行标注的医学图像进行预测，得到伪标注医学图像；
高质量伪标注图像选择模块，用于选取所述伪标注医学图像中标注的所有器官的体积均在预定义范围内的伪标注医学图像，作为高质量的伪标注医学图像；
半监督模型训练模块，用于将当前选取的高质量伪标注医学图像与所述人工标注的医学图像合并在一起进行半监督训练，对上一次训练得到的模型
Figure QLYQS_38
进行微调，将得到的半监督模型记为
Figure QLYQS_39
，其中，i为半监督训练次数；
标注结果输出模块，用于比较半监督训练次数i与半监督训练总次数n之间的大小；如果
Figure QLYQS_40
，则将半监督训练次数i增加1次，并返回所述高质量伪标注图像选择模块；如果
Figure QLYQS_41
，则将半监督模型
Figure QLYQS_42
作为最终的多器官分割模型，把半监督模型
Figure QLYQS_43
对未进行标注的医学图像进行预测得到的伪标注医学图像作为最终标注结果，以实现对医学图像中目标器官的分割。
7.如权利要求6所述的医学图像分割装置，其特征在于，所述高质量伪标注图像选择模块包括：
设置子单元，用于设所有人工标注的医学图像中共标注m个目标器官
Figure QLYQS_44
，
Figure QLYQS_45
，所述m个目标器官的体积最小值分别为
Figure QLYQS_46
，所述m个目标器官的体积最大值分别为
Figure QLYQS_47
；
第一选择子单元，用于当使用所述全监督医学图像分割模型
Figure QLYQS_48
对未进行标注的医学图像进行预测，得到伪标注医学图像时，若对任意的j=1,…,m，目标器官j的体积均在
Figure QLYQS_49
范围内，则所述伪标注医学图像被选出作为高质量的伪标注医学图像；
第二选择子单元，当使用所述半监督模型
Figure QLYQS_50
对未进行标注的医学图像进行预测，得到伪标注医学图像时，若对任意的j=1,…,m，器官j的体积均在
Figure QLYQS_51
范围内，则所述伪标注医学图像被选出作为高质量的伪标注医学图像，其中，β为(0,1)范围内的常数，并且
Figure QLYQS_52
。
8.如权利要求6所述的医学图像分割装置，其特征在于，所述半监督模型训练模块还包括：
损失函数子单元，用于在所述半监督模型
Figure QLYQS_55
的第t个训练轮次中，设定
Figure QLYQS_58
为所述人工标注的医学图像的损失，
Figure QLYQS_59
为伪标注医学图像的损失，所述半监督模型
Figure QLYQS_56
的总损失函数L由
Figure QLYQS_57
与
Figure QLYQS_60
的线性组合构成，随着训练轮次t的增加和学习率的下降，逐渐增加
Figure QLYQS_61
在总损失函数中的权重，并且在所有训练轮次中
Figure QLYQS_53
在总损失函数中的权重不超过
Figure QLYQS_54
的权重。
9.一种电子设备，包括：一个或多个处理器，以及内部存储器、外部存储器，所述内部存储器存储指令，当所述指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行权利要求1～5任一项所述的医学图像分割方法。
10.一种计算机存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被一个或多个处理器执行时，实现如权利要求1～5任一项所述的医学图像分割方法。
CN202310054375.5A 2023-02-03 2023-02-03 一种医学图像分割方法、装置、电子设备及存储介质 Pending CN115797638A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310054375.5A CN115797638A (zh) 2023-02-03 2023-02-03 一种医学图像分割方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310054375.5A CN115797638A (zh) 2023-02-03 2023-02-03 一种医学图像分割方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115797638A true CN115797638A (zh) 2023-03-14

Family

ID=85429658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310054375.5A Pending CN115797638A (zh) 2023-02-03 2023-02-03 一种医学图像分割方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115797638A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758100A (zh) * 2023-08-17 2023-09-15 神州医疗科技股份有限公司 一种3d医学图像分割系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111898613A (zh) * 2020-09-30 2020-11-06 支付宝(杭州)信息技术有限公司 半监督语义分割模型训练方法、识别方法和装置
CN111898696A (zh) * 2020-08-10 2020-11-06 腾讯云计算(长沙)有限责任公司 伪标签及标签预测模型的生成方法、装置、介质及设备
CN113643302A (zh) * 2021-07-21 2021-11-12 上海交通大学 基于主动轮廓模型的无监督医学图像分割方法和系统
CN115294336A (zh) * 2022-08-12 2022-11-04 零束科技有限公司 一种数据标注方法、装置及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111898696A (zh) * 2020-08-10 2020-11-06 腾讯云计算(长沙)有限责任公司 伪标签及标签预测模型的生成方法、装置、介质及设备
CN111898613A (zh) * 2020-09-30 2020-11-06 支付宝(杭州)信息技术有限公司 半监督语义分割模型训练方法、识别方法和装置
CN113643302A (zh) * 2021-07-21 2021-11-12 上海交通大学 基于主动轮廓模型的无监督医学图像分割方法和系统
CN115294336A (zh) * 2022-08-12 2022-11-04 零束科技有限公司 一种数据标注方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张二四: "基于弱监督和半监督学习的脑梗图像分割方法研究" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758100A (zh) * 2023-08-17 2023-09-15 神州医疗科技股份有限公司 一种3d医学图像分割系统及方法

Similar Documents

Publication Publication Date Title
CN111738098B (zh) 一种车辆识别方法、装置、设备及存储介质
US11423297B2 (en) Processing apparatus, processing method, and nonvolatile recording medium
US20150120624A1 (en) Apparatus and method for information processing
CN112686234B (zh) 人脸图像质量评估方法、电子设备和存储介质
CN115797638A (zh) 一种医学图像分割方法、装置、电子设备及存储介质
CN114419672A (zh) 基于一致性学习的跨场景持续学习的行人再识别方法及装置
CN106780645A (zh) 动态mri图像重建方法及装置
CN113221983B (zh) 迁移学习模型的训练方法及装置、图像处理方法及装置
CN113011532B (zh) 分类模型训练方法、装置、计算设备及存储介质
CN106874922B (zh) 一种确定业务参数的方法及装置
CN113902944A (zh) 模型的训练及场景识别方法、装置、设备及介质
CN111695624A (zh) 数据增强策略的更新方法、装置、设备及存储介质
Li et al. On the implicit assumptions of gans
CN113827979A (zh) 基于LightGBM的游戏流失用户预测方法和系统
CN118248350A (zh) 改进随机森林预测结果的方法、装置、设备及介质
CN117421657A (zh) 一种基于过采样策略的带噪标签样本筛选学习方法及系统
CN113344792B (zh) 一种图像生成方法、装置及电子设备
WO2023226284A1 (zh) 一种深度学习模型的训练方法、装置、设备及存储介质
US11875554B2 (en) Method for generating image label, and device
CN112669270B (zh) 视频质量的预测方法、装置及服务器
CN113159202B (zh) 图像分类方法、装置、电子设备及存储介质
US11182288B2 (en) Decoding of high-density memory cells in a solid-state drive
CN112418480A (zh) 气象图像预测方法、装置、计算机设备和存储介质
CN111160429B (zh) 图像检测模型的训练方法、图像检测方法、装置及设备
CN118410192B (zh) 内镜图像去重方法、装置、计算机设备、可读存储介质和程序产品

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230314