CN116342986B - 模型训练方法、目标器官的分割方法及相关产品 - Google Patents
模型训练方法、目标器官的分割方法及相关产品 Download PDFInfo
- Publication number
- CN116342986B CN116342986B CN202310614584.0A CN202310614584A CN116342986B CN 116342986 B CN116342986 B CN 116342986B CN 202310614584 A CN202310614584 A CN 202310614584A CN 116342986 B CN116342986 B CN 116342986B
- Authority
- CN
- China
- Prior art keywords
- image
- target organ
- label
- tissue
- 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.)
- Active
Links
- 210000000056 organ Anatomy 0.000 title claims abstract description 238
- 238000012549 training Methods 0.000 title claims abstract description 151
- 230000011218 segmentation Effects 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000004927 fusion Effects 0.000 claims abstract description 113
- 238000012545 processing Methods 0.000 claims abstract description 45
- 230000002596 correlated effect Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 39
- 230000000717 retained effect Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 19
- 238000002591 computed tomography Methods 0.000 claims description 16
- 239000002872 contrast media Substances 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 16
- 210000001519 tissue Anatomy 0.000 description 160
- 210000003734 kidney Anatomy 0.000 description 66
- 208000000913 Kidney Calculi Diseases 0.000 description 40
- 206010029148 Nephrolithiasis Diseases 0.000 description 40
- 238000013136 deep learning model Methods 0.000 description 16
- 210000002254 renal artery Anatomy 0.000 description 14
- 230000001054 cortical effect Effects 0.000 description 11
- 230000008520 organization Effects 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 210000005084 renal tissue Anatomy 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000002372 labelling Methods 0.000 description 5
- 208000007522 Fused Kidney Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000029142 excretion Effects 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000003246 kidney medulla Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—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
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06V10/77—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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30084—Kidney; Renal
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种模型训练方法、目标器官的分割方法及相关产品。该模型训练方法包括:获取待训练模型;获取训练图像集,所述训练图像集包括第一CT图像和第二CT图像,所述训练图像集的融合标签通过将所述第一CT图像的第一标签和所述第二CT图像的第二标签进行融合得到,所述第一标签和所述第二标签均包括所述目标器官中的组织在CT图像中的位置;通过使用所述待训练模型对所述训练图像集中的所述目标器官的组织进行分割处理,得到所述目标器官的组织的第一三维分割结果;根据所述第一三维分割结果与融合标签的差异,得到所述待训练模型的损失,所述损失与所述差异呈正相关;根据所述损失更新所述待训练模型的参数得到目标模型。
Description
技术领域
本申请涉及医疗影像处理技术领域,尤其涉及一种模型训练方法、目标器官的分割方法及相关产品。
背景技术
随着深度学习技术的快速发展,深度学习技术的应用越来越广,其中就包括通过深度学习技术对电子计算机断层扫描(computed tomography,CT)图像中的目标器官的组织进行分割,以得到目标器官的组织的三维分割结果。
在目前的方法中,通常是先通过深度学习模型分别对不同时期的增强CT图像中的目标器官的组织进行分割处理,得到各增强CT图像的分割结果,其中,增强CT图像为在对目标器官注射造影剂的情况下采集的包括目标器官的CT图像,分割结果包括目标器官的组织在增强CT图像中的位置。然后对不同时期的增强CT图像的分割结果进行配准,并对配准后的分割结果进行三维重建,得到目标器官的组织的三维分割结果。
但在该方法中,由于一个深度学习模型只能对一个时期的增强CT图像进行分割处理,对不同时期的增强CT图像进行分割处理需要通过不同的深度学习模型实现,而且在基于深度学习模型得到增强CT图像的分割结果后,还需基于各增强CT图像的分割结果得到目标器官的组织的三维分割结果。因此,该方法的处理时间长、所消耗的计算资源多,而且所需维护的深度学习模型的数量多导致维护成本高。
发明内容
本申请提供一种模型训练方法、目标器官的分割方法及相关产品,以训练得到可直接对至少两张不同时期的增强CT图像进行分割处理,得到目标器官的组织的三维分割结果的深度学习模型。这样,使用基于本申请提供的模型训练方法训练得到的深度学习模型,对不同时期的增强CT图像进行分割处理,可直接得到目标器官的组织的三维分割结果,进而可减少处理时间、所消耗的计算资源,而且可降低模型维护成本。
第一方面,提供了一种模型训练方法,所述方法包括:
获取待训练模型;
获取训练图像集,所述训练图像集包括第一CT图像和第二CT图像,所述第一CT图像为在第一时期对目标器官注射造影剂的情况下对目标器官进行CT扫描得到的CT图像,所述第二CT图像为在第二时期对目标器官注射造影剂的情况下对目标器官进行CT扫描得到的CT图像,所述第一时期与所述第二时期不同;所述训练图像集的融合标签通过将所述第一CT图像的第一标签和所述第二CT图像的第二标签进行融合得到,所述第一标签和所述第二标签均包括所述目标器官中的组织在CT图像中的位置;
通过使用所述待训练模型对所述训练图像集中的所述目标器官的组织进行分割处理,得到所述目标器官的组织的第一三维分割结果;
根据所述第一三维分割结果与所述融合标签的差异,得到所述待训练模型的损失,所述损失与所述差异呈正相关;
根据所述损失更新所述待训练模型的参数得到目标模型。
结合本申请任一实施方式,所述获取训练图像集,包括:
获取所述第一CT图像和所述第二CT图像;
获取融合优先级,所述融合优先级表征在对所述目标器官中的不同组织进行融合的情况下,所述目标器官中的组织被保留的优先级;
根据所述融合优先级,对所述第一CT图像的所述第一标签和所述第二CT图像的第二标签进行融合,得到所述融合标签;
根据所述融合标签、第一CT图像和所述第二CT图像,得到所述训练图像集。
结合本申请任一实施方式,所述根据所述融合优先级,对所述第一CT图像的所述第一标签和所述第二CT图像的第二标签进行融合,得到所述融合标签,包括:
在所述第一标签指示所述第一CT图像中的第一位置为所述目标器官的第一组织,所述第二标签指示所述第二CT图像中的所述第一位置为所述目标器官的第二组织,且所述第一组织的融合优先级高于所述第二组织的融合优先级的情况下,确定所述融合标签中的所述第一位置为所述第一组织。
结合本申请任一实施方式,所述根据所述融合优先级,对所述第一CT图像的所述第一标签和所述第二CT图像的第二标签进行融合,得到所述融合标签,还包括:
在所述第一标签与所述第二标签中的一个指示第二位置存在所述目标器官的第三组织的情况下,确定所述融合标签中的所述第二位置为所述第三组织。
结合本申请任一实施方式,基于所述第一CT图像和所述第二CT图像确定的三维坐标系为第一目标坐标系,所述第一分割结果包括所述目标器官中的组织在所述第一目标坐标系中的三维位置。
结合本申请任一实施方式,在所述根据所述融合优先级,对所述第一CT图像的所述第一标签和所述第二CT图像的第二标签进行融合,得到所述融合标签之前,所述方法还包括:
对所述第一CT图像和所述第二CT图像进行配准,得到配准矩阵;
根据所述配准矩阵对所述第一标签和所述第二标签进行配准,得到配准后的第一标签和配准后的第二标签;
所述根据所述融合优先级,对所述第一CT图像的所述第一标签和所述第二CT图像的第二标签进行融合,得到所述融合标签,包括:
根据所述融合优先级,对所述配准后的第一标签和所述配准后的第二标签进行融合,得到所述融合标签。
结合本申请任一实施方式,所述目标器官为肾。
结合本申请任一实施方式,所述目标器官的组织包括以下中的至少一个:肾结石、肾集合系统、肾动脉、肾髓质、肾轮廓。
结合本申请任一实施方式,在所述目标器官的组织包括肾结石、肾集合系统、肾动脉、肾髓质和肾轮廓的情况下,所述融合优先级为:所述肾结石被保留的优先级高于所述肾集合系统被保留的优先级,所述肾集合系统被保留的优先级高于所述肾动脉被保留的优先级,所述肾动脉被保留的优先级高于所述肾髓质被保留的优先级,所述肾髓质被保留的优先级高于所述肾轮廓被保留的优先级。
第二方面,提供了一种目标器官的分割方法,所述分割方法包括:
获取第一待处理CT图像和第二待处理CT图像,所述第一待处理CT图像和所述第二待处理CT图像均包括目标器官,且所述第一待处理CT图像和所述第二待处理CT图像在不同时期采集得到;
获取基于第一方面及其任一实施方式获得的目标模型;
使用所述目标模型对所述第一待处理CT图像中的所述目标器官的组织和所述第二待处理CT图像中的所述目标器官的组织进行分割,得到所述目标器官中的组织的第二三维分割结果。
第三方面,提供了一种模型训练装置,所述训练装置包括:
获取单元,用于获取待训练模型;
所述获取单元,用于获取训练图像集,所述训练图像集包括第一CT图像和第二CT图像,所述第一CT图像为在第一时期对目标器官注射造影剂的情况下对目标器官进行CT扫描得到的CT图像,所述第二CT图像为在第二时期对目标器官注射造影剂的情况下对目标器官进行CT扫描得到的CT图像,所述第一时期与所述第二时期不同;所述训练图像集的融合标签通过将所述第一CT图像的第一标签和所述第二CT图像的第二标签进行融合得到,所述第一标签和所述第二标签均包括所述目标器官中的组织在CT图像中的位置;
分割单元,用于通过使用所述待训练模型对所述训练图像集中的所述目标器官的组织进行分割处理,得到所述目标器官的组织的第一三维分割结果;
处理单元,用于根据所述第一三维分割结果与所述融合标签的差异,得到所述待训练模型的损失,所述损失与所述差异呈正相关;
更新单元,用于根据所述损失更新所述待训练模型的参数得到目标模型。
结合本申请任一实施方式,所述获取单元,用于:
获取所述第一CT图像和所述第二CT图像;
获取融合优先级,所述融合优先级表征在对所述目标器官中的不同组织进行融合的情况下,所述目标器官中的组织被保留的优先级;
根据所述融合优先级,对所述第一CT图像的所述第一标签和所述第二CT图像的第二标签进行融合,得到所述融合标签;
根据所述融合标签、第一CT图像和所述第二CT图像,得到所述训练图像集。
结合本申请任一实施方式,所述获取单元,用于:
在所述第一标签指示所述第一CT图像中的第一位置为所述目标器官的第一组织,所述第二标签指示所述第二CT图像中的所述第一位置为所述目标器官的第二组织,且所述第一组织的融合优先级高于所述第二组织的融合优先级的情况下,确定所述融合标签中的所述第一位置为所述第一组织。
结合本申请任一实施方式,所述获取单元,还用于在所述第一标签与所述第二标签中的一个指示第二位置存在所述目标器官的第三组织的情况下,确定所述融合标签中的所述第二位置为所述第三组织。
结合本申请任一实施方式,基于所述第一CT图像和所述第二CT图像确定的三维坐标系为第一目标坐标系,所述第一分割结果包括所述目标器官中的组织在所述第一目标坐标系中的三维位置。
结合本申请任一实施方式,所述模型训练装置,还包括:配准单元,用于对所述第一CT图像和所述第二CT图像进行配准,得到配准矩阵;
所述配准单元,用于根据所述配准矩阵对所述第一标签和所述第二标签进行配准,得到配准后的第一标签和配准后的第二标签;
所述获取单元,用于根据所述融合优先级,对所述配准后的第一标签和所述配准后的第二标签进行融合,得到所述融合标签。
结合本申请任一实施方式,所述目标器官为肾。
结合本申请任一实施方式,所述目标器官的组织包括以下中的至少一个:肾结石、肾集合系统、肾动脉、肾髓质、肾轮廓。
结合本申请任一实施方式,在所述目标器官的组织包括肾结石、肾集合系统、肾动脉、肾髓质和肾轮廓的情况下,所述融合优先级为:所述肾结石被保留的优先级高于所述肾集合系统被保留的优先级,所述肾集合系统被保留的优先级高于所述肾动脉被保留的优先级,所述肾动脉被保留的优先级高于所述肾髓质被保留的优先级,所述肾髓质被保留的优先级高于所述肾轮廓被保留的优先级。
第四方面,提供了一种目标器官的分割装置,所述目标器官的分割装置包括:
获取单元,用于获取第一待处理CT图像和第二待处理CT图像,所述第一待处理CT图像和所述第二待处理CT图像均包括目标器官,且所述第一待处理CT图像和所述第二待处理CT图像在不同时期采集得到;
所述获取单元,用于获取基于第一方面及其任一实施方式获得的目标模型;
分割单元,用于使用所述目标模型对所述第一待处理CT图像中的所述目标器官的组织和所述第二待处理CT图像中的所述目标器官的组织进行分割,得到所述目标器官中的组织的第二三维分割结果。
第五方面,提供了一种电子设备,包括:处理器和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;
在所述处理器执行所述计算机指令的情况下,所述电子设备执行如上述第一方面及其任一实施方式;在所述处理器执行所述计算机指令的情况下,所述电子设备或者执行如上述第二方面及其任一实施方式。
第六方面,提供了另一种电子设备,包括:处理器、发送装置、输入装置、输出装置和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;
在所述处理器执行所述计算机指令的情况下,所述电子设备执行如上述第一方面及其任一实施方式;在所述处理器执行所述计算机指令的情况下,所述电子设备或者执行如上述第二方面及其任一实施方式。
第七方面,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中存储有计算机程序,所述计算机程序包括程序指令;
在所述程序指令被处理器执行的情况下,使所述处理器执行如上述第一方面及其任一实施方式;在所述程序指令被处理器执行的情况下,或者使所述处理器或者执行如上述第二方面及其任一实施方式。
第八方面,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或指令;在所述计算机程序或指令在计算机上运行的情况下,使得所述计算机执行上述第一方面及其任一实施方式;在所述程序指令被处理器执行的情况下,或者使所述处理器执行如上述第二方面及其任一实施方式。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本申请。
本申请中,训练图像集包括不同时期的增强CT图像,而且训练图像集通过对不同时期的CT图像的标签进行融合得到,即训练图像集中的不同时期的增强CT图像具有相同的标签。这样,使用训练图像集训练待训练模型,可使待训练模型学习到通过对不同时期的增强CT图像中的目标器官的组织进行分割处理,得到目标器官的组织的三维分割结果。由此可使训练得到的目标模型既具备同时处理不同时期的增强CT图像的能力,又具备通过对不同时期的增强CT图像中的目标器官的组织进行分割处理,利用不同时期的增强CT图像所携带的信息确定目标器官的组织的三维分割结果的能力。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案,下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本申请的实施例,并与说明书一起用于说明本申请的技术方案。
图1为本申请实施例提供的一种模型训练方法的流程示意图;
图2为本申请实施例提供的另一种模型训练方法的流程示意图;
图3为本申请实施例提供的一种目标器官的分割方法的流程示意图;
图4所示为本申请实施例提供的另一种目标器官的分割方法的流程示意图;
图5为本申请实施例提供的一种模型训练装置的结构示意图;
图6为本申请实施例提供的一种目标器官的分割装置的结构示意图;
图7为本申请实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上,“至少两个(项)”是指两个或三个及三个以上,“和/或”,用于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:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”可表示前后关联对象是一种“或”的关系,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。字符“/”还可表示数学运算中的除号,例如,a/b=a除以b;6/3=2。“以下至少一项(个)”或其类似表达。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
随着深度学习技术的快速发展,深度学习技术的应用越来越广,其中就包括通过深度学习技术对CT图像中的目标器官的组织进行分割,以得到目标器官的组织的三维分割结果。
为了更好的突出CT图像中的目标器官的组织,通常会在对目标器官注射造影剂的情况下,采集包括目标器官的CT图像,而且在不同时期对目标器官注射造影剂,CT图像中所突出的目标器官的组织不同。为表述方便,下文将在对目标器官注射造影剂的情况下,采集的包括目标器官的CT图像称为增强CT图像,将在不同时期采集的增强CT图像称为不同时期的增强CT图像。由于不同时期的增强CT图像所突出的目标器官的组织不同,不同时期的增强CT图像所携带的信息不同。因此,基于不同时期的增强CT图像,确定目标器官的组织的位置,有利于提高该位置的准确度。
在目前的方法中,通常是先通过深度学习模型分别对不同时期的增强CT图像中的目标器官的组织进行分割处理,得到各增强CT图像的分割结果,其中,分割结果包括目标器官的组织在增强CT图像中的位置。然后对不同时期的增强CT图像的分割结果进行配准,并对配准后的分割结果进行三维重建,得到目标器官的组织的三维分割结果。
但在该方法中,由于一个深度学习模型只能对一个时期的增强CT图像进行分割处理,对不同时期的增强CT图像进行分割处理需要通过不同的深度学习模型实现,而且在基于深度学习模型得到增强CT图像的分割结果后,还需基于各增强CT图像的分割结果得到目标器官的组织的三维分割结果。因此,该方法的处理时间长、所消耗的计算资源多,而且所需维护的深度学习模型的数量多导致维护成本高。
基于此,本申请实施例提供了一种模型训练方法,以训练得到可直接对至少两张不同时期的增强CT图像进行分割处理,得到目标器官的组织的三维分割结果的深度学习模型。这样,使用基于本申请实施例提供的模型训练方法训练得到的深度学习模型,对不同时期的增强CT图像进行分割处理,可直接得到目标器官的组织的三维分割结果,进而可减少处理时间、所消耗的计算资源,而且可降低模型维护成本。
本申请实施例中的模型训练方法的执行主体为模型训练装置,其中,模型训练装置可以是任意一种可执行本申请方法实施例所公开的技术方案的电子设备。可选的,模型训练装置可以是以下中的一种:计算机、服务器。
应理解,本申请方法实施例还可以通过处理器执行计算机程序代码的方式实现。下面结合本申请实施例中的附图对本申请实施例进行描述。请参阅图1,图1是本申请实施例提供的一种模型训练方法的流程示意图。
101、获取待训练模型。
本申请实施例中,待训练模型是需要进行训练的深度学习模型,可选的,待训练模型为用于进行图像分割的深度学习模型。
在一种获取待训练模型的实现方式中,模型训练装置接收用户通过输入组件输入的待训练模型获取待训练模型。上述输入组件包括:键盘、鼠标、触控屏、触控板和音频输入器。
在另一种获取待训练模型的实现方式中,模型训练装置接收终端发送的待训练模型获取待训练模型。可选的,终端可以是以下任意一种:手机、计算机、平板电脑、服务器、可穿戴设备。
102、获取训练图像集。
本申请实施例中,训练图像集包括第一CT图像和第二CT图像,其中,第一CT图像为在第一时期对目标器官注射造影剂的情况下对目标器官进行CT扫描得到的CT图像,第二CT图像为在第二时期对目标器官注射造影剂的情况下对目标器官进行CT扫描得到的CT图像,换句话说,第一CT图像和第二CT图像均为增强CT图像,其中,目标器官可以是任意器官,例如,目标器官为肺,又例如,目标器官为肾。上述第一时期与上述第二时期不同,即第一CT图像和第二CT图像为不同时期的增强CT图像。例如,第一CT图像为在动脉期扫描得到的CT图像,第二CT图像为在平扫期扫描得到的CT图像,即第一CT图像为动脉期CT图像,第二CT图像为平扫期CT图像。
本申请实施例中,若将基于第一CT图像和第二CT图像确定的三维坐标系称为第一目标坐标系,具体的,第一目标系可以是第一CT图像的像素坐标系、第二CT图像的像素坐标系中的一个。训练图像集的融合标签表征目标器官的组织在第一目标坐标系下的三维位置,其中,目标器官的组织包括目标器官中的人体组组织。在一种可能实现的方式中,目标器官为肾,目标器官的组织包括:肾结石、肾集合系统、肾动脉、肾髓质、肾轮廓,其中,肾轮廓为肾的轮廓。
而且融合标签通过将第一CT图像的第一标签和第二CT图像的第二标签进行融合得到,其中,第一标签和第二标签均包括目标器官中的组织在CT图像中的位置,具体而言,第一标签包括目标器官中的组织在第一CT图像中的位置,第二标签包括目标器官中的组织在第二CT图像中的位置。由于第一标签与第二标签为不同时期的增强CT图像的标签,通过对第一标签和第二标签进行融合得到融合标签,相当于对不同时期的增强CT图像的标签进行了统一。
在一种获取训练图像集的实现方式中,模型训练装置接收用户通过输入组件输入的训练图像集获取训练图像集。
在另一种获取训练图像集的实现方式中,模型训练装置接收终端发送的训练图像集获取训练图像集。
103、通过使用上述待训练模型对上述训练图像集中的上述目标器官的组织进行分割处理,得到上述目标器官的组织的第一三维分割结果。
在待训练模型的训练过程中,模型训练装置使用待训练模型对训练图像集进行分割处理,可得到目标器官的组织的三维分割结果,即为第一三维分割结果。应理解,第一三维分割结果可以是目标器官的组织在第一目标坐标系中的三维分割结果,也就是说,基于第一三维分割结果可确定目标器官的组织在第一目标坐标系下的三维位置。
104、根据上述第一三维分割结果与融合标签的差异,得到上述待训练模型的损失。
本申请实施例中,待训练模型的损失与上述差异呈正相关,换句话说,第一三维分割结果与融合标签的差异越大,待训练模型的损失越大,其中,第一三维分割结果与融合标签的差异表征待训练模型对训练图像集中的目标器官的组织的分割准确度,具体的,第一三维分割结果与融合标签的差异越大,说明分割准确度越低。因此,待训练模型的损失表征待训练模型对训练图像集中的目标器官的组织的分割准确度,即待训练模型的损失越大,分割准确度越低。在一种可能实现的方式中,模型训练装置将第一三维分割结果与融合标签的差异,作为待训练模型的损失。
105、根据上述损失更新上述待训练模型的参数得到目标模型。
模型训练装置根据待训练模型的损失,确定反向传播的梯度,并通过对该梯度进行反向传播,更新待训练模型的参数,直至待训练模型的损失收敛,完成待训练模型的训练得到目标模型。
本申请实施例中,训练图像集包括不同时期的增强CT图像,而且训练图像集通过对不同时期的CT图像的标签进行融合得到,即训练图像集中的不同时期的增强CT图像具有相同的标签。这样,使用训练图像集训练待训练模型,可使待训练模型学习到通过对不同时期的增强CT图像中的目标器官的组织进行分割处理,得到目标器官的组织的三维分割结果。由此可使训练得到的目标模型既具备同时处理不同时期的增强CT图像的能力,又具备通过对不同时期的增强CT图像中的目标器官的组织进行分割处理,利用不同时期的增强CT图像所携带的信息确定目标器官的组织的三维分割结果的能力。
应理解,本申请实施例中,第一CT图像、第二CT图像是为简洁描述技术方案的实现过程所确定的描述对象,不应理解为待训练模型仅可通过对第一CT图像、第二CT图像两个不同时期的增强CT图像进行处理确定目标器官的第一三维分割结果,在实际应用中,待训练模型可对两个或两个以上的不同时期的增强CT图像进行处理,以利用两个或两个以上的不同时期的增强CT图像所携带的信息确定目标器官的组织的第一三维分割结果。
例如,目标器官为肾,排泄期CT图像、平扫期CT图像、动脉期CT图像为不同时期的增强CT图像。待训练模型可通过对排泄期CT图像、平扫期CT图像、动脉期CT图像进行处理,利用排泄期CT图像所携带的信息、平扫期CT图像所携带的信息和动脉期CT图像所携带的信息,确定肾的组织的第一三维分割结果。
作为一种可选的实施方式,模型训练装置通过执行以下步骤获取训练图像集:
2001、获取上述第一CT图像和上述第二CT图像。
本申请实施例中,第一CT图像和第二CT图像均具有标签,具体的,第一CT图像的标签为第一标签,第二CT图像的标签为第二标签。
在一种获取第一CT图像的实现方式中,模型训练装置接收用户通过输入组件输入的第一CT图像获取第一CT图像。
在另一种获取第一CT图像的实现方式中,模型训练装置接收终端发送的第一CT图像获取第一CT图像。
在一种获取第二CT图像的实现方式中,模型训练装置接收用户通过输入组件输入的第二CT图像获取第二CT图像。
在另一种获取第二CT图像的实现方式中,模型训练装置接收终端发送的第二CT图像获取第二CT图像。
应理解,模型训练装置执行获取第一CT图像的步骤和执行获取第二CT图像的步骤,可以同时执行,也可以分开执行,本申请对此不做限定。具体的,模型训练装置可以同时获取第一CT图像和第二CT图像。模型训练装置还可以先获取第一CT图像,再获取第二CT图像。模型训练装置还可以先获取第二CT图像,再获取第一CT图像。
2002、获取融合优先级。
本申请实施例中,融合优先级表征在对目标器官中的不同组织进行融合的情况下,目标器官中的组织被保留的优先级。具体而言,对于同一位置,不同时期的增强CT图像的标签所指示的组织可能不同,而在对不同时期的增强CT图像的标签进行融合时,需要从同一位置的不同标签中选取一个进行保留,而融合优先级即为保留目标器官中的组织的保留优先级。
例如,目标器官为肾,目标器官的组织包括肾结石和肾集合系统,根据融合优先级确定,肾结石被保留的优先级高于肾集合系统被保留的优先级。若在第一标签中第一CT图像中的a位置为肾结石,在第二标签中第二CT图像中的a位置为肾集合系统,此时对于a位置,第一标签指示的是肾结石,第二标签指示的是肾集合系统,即第一标签和第二标签出现了矛盾。由于肾结石被保留的优先级高于肾集合系统被保留的优先级,优先保留a位置为肾结石的标签,即对于a位置保留第一标签。
2003、根据上述融合优先级,对上述第一CT图像的上述第一标签和上述第二CT图像的第二标签进行融合,得到上述融合标签。
模型训练装置可以融合优先级为依据,对第一标签和第二标签进行融合。在一种可能实现的方式中,模型训练装置在第一标签指示第一CT图像中的第一位置为目标器官的第一组织,第二标签指示第二CT图像中的第一位置为目标器官的第二组织,且根据融合优先级确定第一组织被保留的优先级高于第二组织被保留的优先级的情况下,确定融合标签中的第一位置为第一组织。
在该种实现方式中,第一组织与第二组织为不同的组织。也即对于同一位置,在第一标签所指示的组织与第二标签所指示的组织不同的情况下,根据融合优先级确定各个标签所指示的组织被保留的优先级高低,然后保留优先级高的组织为该位置的标签。
例如,目标器官为肾,目标器官的组织包括肾结石和肾集合系统,根据融合优先级确定,肾结石被保留的优先级高于肾集合系统被保留的优先级。若第一组织为肾结石,第二组织为肾集合系统,那么由于肾结石被保留的优先级高于肾集合系统被保留的优先级,优先保留第一位置为肾结石的标签,即在融合标签中第一位置为肾结石。
在另一种可能实现的方式中,模型训练装置在第一标签与第二标签中的一个指示第二位置存在目标器官的第三组织的情况下,确定融合标签中的第二位置为第三组织。换句话说,对于第二位置,第一标签和第二标签中有一个标签指示为第三组织,而另一个标签指示不存在目标器官的组织,那么确定第二位置的标签为第三组织。其中,第三组织与第一组织、第二组织可以相同,也可以不同,本申请对此不做限定。
例如,目标器官为肾,目标器官的组织包括肾结石,若在第一标签中第一CT图像中的第三位置为肾结石,在第二标签中第二CT图像中的第三位置不是肾的组织。此时,模型训练装置可确定第三位置的标签为肾结石,即在融合标签中第三位置为肾结石。
又例如,目标器官为肾,目标器官的组织包括肾结石,若在第一标签中第一CT图像中的第三位置不是肾的组织,在第二标签中第二CT图像中的第三位置是肾结石。此时,模型训练装置可确定第三位置的标签为肾结石,即在融合标签中第三位置为肾结石。
2004、根据上述融合标签、第一CT图像和上述第二CT图像,得到上述训练图像集。
在一种可能实现的方式中,模型训练装置通过将融合标签作为第一CT图像的标签,并将融合标签作为第二CT图像的标签,得到训练图像集。
在该种实施方式中,模型训练装置在获取第一CT图像、第二CT图像和融合优先级的情况下,根据融合优先级,可对第一CT图像的第一标签和第二CT图像的第二标签进行融合,得到融合标签,由此实现通过对表征目标器官中的组织在第一CT图像中的位置的第一标签和目标器官中的组织在第二CT图像中的位置的第二标签进行融合,得到融合标签。进而可根据融合标签、第一CT图像和第二CT图像,得到训练图像集。
作为一种可选的实施方式,模型训练装置在执行步骤2003之前,还执行以下步骤:
3001、对上述第一CT图像和上述第二CT图像进行配准,得到配准矩阵。
模型训练装置通过对第一CT图像和第二CT图像进行图像配准,可使第一CT图像中的目标器官与第二CT图像中的目标器官对齐。具体的,配准矩阵为第一CT图像的配准量,换句话说,根据配准矩阵移动第一CT图像中的目标器官,可使第一CT图像中的目标器官与第二CT图像中的目标器官对齐。配准矩阵或为第二CT图像的配准量,换句话说,根据配准矩阵移动第二CT图像中的目标器官,可使第一CT图像中的目标器官与第二CT图像中的目标器官对齐。可选的,配准矩阵包括位移矢量和旋转矩阵。
可选的,在配准矩阵为第一CT图像的配准量的情况下,上述第一目标坐标系为第二CT图像的像素坐标系。在配准矩阵为第二CT图像的配准量的情况下,上述第一目标坐标系为第一CT图像的像素坐标系。
3002、根据上述配准矩阵对上述第一标签和上述第二标签进行配准,得到配准后的第一标签和配准后的第二标签。
由于目标器官的组织属于目标器官,故根据配准矩阵对第一标签和第二标签进行配准,可使第一标签中的目标器官的组织与第二标签中的目标器官的组织对齐。例如,目标器官为肾,目标器官的组织包括肾结石,配准矩阵为将第一CT图像朝横轴的正方向移动2个像素,第一标签中a位置为肾结石。若在第一CT图像中,从a位置朝横轴的正方向移动2个像素所到达的位置为b位置,那么根据配准矩阵对第一标签和第二标签进行配准后,在配准后的第一标签中b位置为肾结石。
应理解,在配准矩阵为对第一CT图像进行旋转和/或移动的情况下,模型训练装置根据配准矩阵对第一标签进行旋转和/或移动,以使第一标签和第二标签对齐。此时,配准后的第一标签为第一标签旋转和/或移动后的标签,配准后的第二标签即为第二标签。在配准矩阵为对第二CT图像进行旋转和/或移动的情况下,模型训练装置根据配准矩阵对第二标签进行旋转和/或移动,以使第一标签和第二标签对齐。此时,配准后的第一标签即为第一标签,配准后的第二标签为第二标签旋转和/或移动后的标签。在配准矩阵为对第一CT图像进行旋转和/或移动,以及对第二CT图像进行旋转和/或移动的情况下,模型训练装置根据配准矩阵对第一标签进行旋转和/或移动,以及对第一标签进行旋转和/或移动,以使第一标签和第二标签对齐。此时,配准后的第一标签为第一标签旋转和/或移动后的标签,配准后的第二标签为第二标签旋转和/或移动后的标签。
在得到配准后的第一标签和配准后的第二标签后,模型训练装置在执行步骤2003的过程中执行以下步骤:
3003、根据上述融合优先级,对上述配准后的第一标签和上述配准后的第二标签进行融合,得到上述融合标签。
模型训练装置以融合优先级为依据,对配准后的第一标签和配准后的第二标签进行融合。在一种可能实现的方式中,模型训练装置在配准后的第一标签指示第一CT图像中的第一位置为目标器官的第一组织,配准后的第二标签指示第二CT图像中的第一位置为目标器官的第二组织,且根据融合优先级确定第一组织被保留的优先级高于第二组织被保留的优先级的情况下,确定融合标签中的第一位置为第一组织。也即对于同一位置,在配准后的第一标签所指示的组织与配准后的第二标签所指示的组织不同的情况下,根据融合优先级确定各个标签所指示的组织被保留的优先级高低,然后保留优先级高的组织为该位置的标签。
在另一种可能实现的方式中,模型训练装置在配准后的第一标签与配准后的第二标签中的一个指示第二位置存在目标器官的第三组织的情况下,确定融合标签中的第二位置为第三组织。换句话说,对于第二位置,配准后的第一标签和配准后的第二标签中有一个标签指示为第三组织,而另一个标签指示不存在目标器官的组织,那么确定第二位置的标签为第三组织。
在该种实施方式中,模型训练装置首先通过对第一CT图像和第二CT图像进行配准得到配准矩阵,然后根据配准矩阵对第一标签和第二标签进行配准,以使第一标签所指示的目标器官与第二标签所指示的目标器官对齐,得到配准后的第一标签和配准后的第二标签。这样再根据融合优先级,对配准后的第一标签和配准后的第二标签进行融合得到融合标签,可提升通过融合的融合标签的准确度。
作为一种可选的实施方式,目标器官为肾。可选的,在目标器官为肾的情况下,目标器官的组织包括以下中的至少一个:肾结石、肾集合系统、肾动脉、肾髓质、肾轮廓。在该种实施方式中,通过前文所述的模型训练方法训练得到的目标模型,可用于对与训练图像集对应的时期的肾部CT图像进行处理,确定以下中的至少一个:肾结石的三维位置、肾集合系统的三维位置、肾动脉的三维位置、肾髓质的三维位置、肾轮廓的三维位置。
作为一种可选的实施方式,在目标器官的组织包括肾结石、肾集合系统、肾动脉、肾髓质和肾轮廓的情况下,上述融合优先级为:肾结石被保留的优先级高于肾集合系统被保留的优先级,肾集合系统被保留的优先级高于肾动脉被保留的优先级,肾动脉被保留的优先级高于肾髓质被保留的优先级,肾髓质被保留的优先级高于肾轮廓被保留的优先级。
在该种实施方式中,可在通过前文所述的模型训练方法训练得到的目标模型的情况下,使用目标模型对不同时期的肾部CT图像进行处理时,优先确定肾结石的三维位置,其次确定肾集合系统的三维位置,再者确定肾动脉的三维位置,再者确定肾髓质的三维位置,最后确定肾轮廓的三维位置。
应理解,融合优先级可依据实际需求确定,本申请对此不作限定。
请参阅图2,图2所示为另一种模型训练方法的流程示意图。如图2所示,该模型训练方法包括数据准备、数据融合、数据划分、模型训练、模型评估这几个阶段。通过数据准备阶段可准备用于训练待训练模型的训练图像集。具体的,首先获取肾的平扫期CT图像(即图2中的平扫期图像)、肾的皮质期CT图像(即图2中的皮质期图像)、肾的排泄期CT图像(即图2中的排泄期图像)。可选的,平扫期图像、皮质期图像、排泄期图像一共包括464个人的肾部增强CT图像。然后,如图2所示,通过对平扫期图像进行人工标注可得到平扫期标签,通过对皮质期图像进行人工标注可得到皮质期标签,通过对排泄期图像进行人工标注可得到排泄期标签。可选的,由三年及以上经验的泌尿外科临床医生进行人工标注,这样可提高标签的准确度。
在数据融合阶段,对不同时期的增强CT图像进行图像配准得到多通道图像和配准矩阵,其中,多通道图像包括配准后的平扫期图像、配准后的皮质期图像、配准后的排泄期图像。然后基于配准矩阵对平扫期标签、皮质期标签、排泄期标签进行标签融合得到融合标签(该过程的实现可参见步骤3001至步骤3003中,基于配准矩阵对第一标签和第二标签进行融合得到融合标签的实现过程)。最后根据融合标签、平扫期图像、皮质期图像和排泄期图像,可得到已标注图像集。
可选的,在对不同时期的增强CT图像进行图像配准之前,对各个增强CT图像进行裁剪,以将各个增强CT图像中的左肾和各个增强CT图像中的右肾区分开,得到不同时期的左肾图像和不同时期的右肾图像。然后对不同时期的左肾图像进行图像配准得到左肾多通道图像和左肾配准矩阵,对不同时期的右肾图像进行图像配准得到右肾多通道图像和右肾配准矩阵。最后基于左肾配准矩阵对不同时期的左肾图像的标签进行融合得到左肾融合标签,基于右肾配准矩阵对不同时期的右肾图像的标签进行融合得到右肾融合标签,此时,多通道图像包括左肾多通道图像和右肾多通道图像,配准矩阵包括左肾配准矩阵和右肾配准矩阵,融合标签包括左肾融合标签和右肾融合标签。
在数据划分阶段,按照8:2的比例将已标注图像集分为训练集(即为上述训练图像集)和测试集,其中,训练集包括训练集图像和训练集标签,测试集包括测试集图像和测试集标签。
在模型训练阶段,使用训练集对待训练模型(即图2中的多通道肾部组织分割模型)训练。如图2所示,在模型训练阶段,待训练模型通过对训练集图像中的肾的组织进行分割,得到肾的组织的三维分割结果(即为上述第一三维分割结果),即图2中的预测标签为肾的组织的三维分割结果。在待训练模型输出预测标签后,基于预测标签和训练集标签的差异计算待训练模型的损失,然后基于该损失对待训练模型进行反向传播,从而完成对待训练模型的训练。可选的,在对待训练模型进行训练的过程中,采用五折交叉验证方法和在线增强方法对待训练模型进行训练。
在模型评估阶段,可基于测试集评估经过训练后的待训练模型的性能,具体的,如图2所示,将测试集图像输入至待训练模型,以使待训练模型分割出肾的组织的三维分割结果,得到预测标签,然后基于该预测标签与测试集标签确定评估结果,其中,评估结果包括以下至少一个:相似度(dice)、特异性(specificity)、精准度(precision)。
可选的,待训练模型的评估结果如下表1所示:
表1
可选的,在评估结果达到预期的情况下,停止继续对待训练模型进行训练,将待训练模型作为目标模型。
请参阅图3,图3所示为本申请实施例提供的一种目标器官的分割方法的流程示意图,该分割方法的执行主体为目标器官的分割装置。可选的,目标器官的分割装置包括:电脑、服务器。
301、获取第一待处理CT图像和第二待处理CT图像。
本申请实施例中,第一待处理CT图像和第二待处理CT图像均包括目标器官。第一待处理CT图像和第二待处理CT图像在不同时期采集得到,即第一待处理CT图像和第二待处理CT图像为不同时期的增强CT图像。应理解,第一待处理CT图像与第一CT图像为相同时期的增强CT图像,第二待处理CT图像与第二CT图像为相同时期的增强CT图像。例如,第一CT图像为排泄期CT图像,第二CT图像为动脉期CT图像,那么第一待处理CT图像为排泄期CT图像,第二待处理CT图像为动脉期CT图像。
在一种获取第一待处理CT图像的实现方式中,目标器官的分割装置与CT扫描设备之间具有通信连接,目标器官的分割装置通过该通信连接获取CT扫描设备扫描的不同时期的增强CT图像,分别作为第一待处理图像CT图像和第二待处理CT图像。
302、获取根据模型训练方法得到的目标模型。
303、使用上述目标模型对上述第一待处理CT图像中的上述目标器官的组织和上述第二待处理CT图像中的上述目标器官的组织进行分割,得到上述目标器官中的组织的第二三维分割结果。
本申请实施例中,第二三维分割结果为第二目标坐标系下的三维分割结果,即根据第二三维分割结果可确定目标器官的组织在第二目标坐标系下的三维位置。在第一目标坐标系为第一CT图像的像素坐标系的情况系,第二目标坐标系为第一待处理CT图像的像素坐标系,在第一目标坐标系为第二CT图像的像素坐标系的情况系,第二目标坐标系为第二待处理CT图像的像素坐标系。
本申请实施例中,目标模型具备同时处理不同时期的增强CT图像的能力,又具备通过对不同时期的增强CT图像中的目标器官的组织进行分割处理,利用不同时期的增强CT图像所携带的信息确定目标器官的组织的三维分割结果的能力。因此,目标器官的分割装置使用目标模型对第一待处理CT图像中的目标器官的组织和第二待处理CT图像中的目标器官的组织进行分割,可利用第一待处理CT图像所携带的信息和第二待处理CT图像所携带的信息确定目标器官的组织在第二目标坐标系下的三维分割结果,由此可减少获得目标器官的组织在第二目标坐标系下的三维分割结果的处理时间和所消耗的计算资源。
请参阅图4,图4所示为本申请实施例提供的另一种目标器官的分割方法的流程示意图。如图4所示,在完成对平扫期图像(即图4中的平扫期)、皮质期图像(即图4中的皮质期)、排泄期图像(即图4中的排泄期)的人工标注后,对平扫期图像、皮质期图像、排泄期图像进行裁剪、配准得到输入数据(即上述训练图像集)。然后将输入数据输入至多通道肾部组织分割模型(即上述目标模型),可得到肾的三维分割结果(即为上述第二三维分割结果)。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
若本申请技术方案涉及个人信息,应用本申请技术方案的产品在处理个人信息前,已明确告知个人信息处理规则,并取得个人自主同意。若本申请技术方案涉及敏感个人信息,应用本申请技术方案的产品在处理敏感个人信息前,已取得个人单独同意,并且同时满足“明示同意”的要求。例如,在摄像头等个人信息采集装置处,设置明确显著的标识告知已进入个人信息采集范围,将会对个人信息进行采集,若个人自愿进入采集范围即视为同意对其个人信息进行采集;或者在个人信息处理的装置上,利用明显的标识/信息告知个人信息处理规则的情况下,通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权;其中,个人信息处理可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
上述详细阐述了本申请实施例的方法,下面提供了本申请实施例的装置。
请参阅图5,图5为本申请实施例提供的一种模型训练装置的结构示意图,该模型训练装置1包括:获取单元11、分割单元12、处理单元13、更新单元14,可选的,模型训练装置1还包括:配准单元15,具体的:
获取单元11,用于获取待训练模型;
所述获取单元11,用于获取训练图像集,所述训练图像集包括第一CT图像和第二CT图像,所述第一CT图像为在第一时期对目标器官注射造影剂的情况下对目标器官进行CT扫描得到的CT图像,所述第二CT图像为在第二时期对目标器官注射造影剂的情况下对目标器官进行CT扫描得到的CT图像,所述第一时期与所述第二时期不同;所述训练图像集的融合标签通过将所述第一CT图像的第一标签和所述第二CT图像的第二标签进行融合得到,所述第一标签和所述第二标签均包括所述目标器官中的组织在CT图像中的位置;
分割单元12,用于通过使用所述待训练模型对所述训练图像集中的所述目标器官的组织进行分割处理,得到所述目标器官的组织的第一三维分割结果;
处理单元13,用于根据所述第一三维分割结果与所述融合标签的差异,得到所述待训练模型的损失,所述损失与所述差异呈正相关;
更新单元14,用于根据所述损失更新所述待训练模型的参数得到目标模型。
结合本申请任一实施方式,所述获取单元11,用于:
获取所述第一CT图像和所述第二CT图像;
获取融合优先级,所述融合优先级表征在对所述目标器官中的不同组织进行融合的情况下,所述目标器官中的组织被保留的优先级;
根据所述融合优先级,对所述第一CT图像的所述第一标签和所述第二CT图像的第二标签进行融合,得到所述融合标签;
根据所述融合标签、第一CT图像和所述第二CT图像,得到所述训练图像集。
结合本申请任一实施方式,所述获取单元11,用于:
在所述第一标签指示所述第一CT图像中的第一位置为所述目标器官的第一组织,所述第二标签指示所述第二CT图像中的所述第一位置为所述目标器官的第二组织,且所述第一组织的融合优先级高于所述第二组织的融合优先级的情况下,确定所述融合标签中的所述第一位置为所述第一组织。
结合本申请任一实施方式,所述获取单元11,还用于在所述第一标签与所述第二标签中的一个指示第二位置存在所述目标器官的第三组织的情况下,确定所述融合标签中的所述第二位置为所述第三组织。
结合本申请任一实施方式,基于所述第一CT图像和所述第二CT图像确定的三维坐标系为第一目标坐标系,所述第一分割结果包括所述目标器官中的组织在所述第一目标坐标系中的三维位置。
结合本申请任一实施方式,所述模型训练装置1,还包括:配准单元15,用于对所述第一CT图像和所述第二CT图像进行配准,得到配准矩阵;
所述配准单元15,用于根据所述配准矩阵对所述第一标签和所述第二标签进行配准,得到配准后的第一标签和配准后的第二标签;
所述获取单元11,用于根据所述融合优先级,对所述配准后的第一标签和所述配准后的第二标签进行融合,得到所述融合标签。
结合本申请任一实施方式,所述目标器官为肾。
结合本申请任一实施方式,所述目标器官的组织包括以下中的至少一个:肾结石、肾集合系统、肾动脉、肾髓质、肾轮廓。
结合本申请任一实施方式,在所述目标器官的组织包括肾结石、肾集合系统、肾动脉、肾髓质和肾轮廓的情况下,所述融合优先级为:所述肾结石被保留的优先级高于所述肾集合系统被保留的优先级,所述肾集合系统被保留的优先级高于所述肾动脉被保留的优先级,所述肾动脉被保留的优先级高于所述肾髓质被保留的优先级,所述肾髓质被保留的优先级高于所述肾轮廓被保留的优先级。
本申请实施例中,训练图像集包括不同时期的增强CT图像,而且训练图像集通过对不同时期的CT图像的标签进行融合得到,即训练图像集中的不同时期的增强CT图像具有相同的标签。这样,使用训练图像集训练待训练模型,可使待训练模型学习到通过对不同时期的增强CT图像中的目标器官的组织进行分割处理,得到目标器官的组织的三维分割结果。由此可使训练得到的目标模型既具备同时处理不同时期的增强CT图像的能力,又具备通过对不同时期的增强CT图像中的目标器官的组织进行分割处理,利用不同时期的增强CT图像所携带的信息确定目标器官的组织的三维分割结果的能力。
请参阅图6,图6为本申请实施例提供的一种目标器官的分割装置的结构示意图,该目标器官的分割装置2包括:获取单元21、分割单元22,具体的:
获取单元21,用于获取第一待处理CT图像和第二待处理CT图像,所述第一待处理CT图像和所述第二待处理CT图像均包括所述目标器官,且所述第一待处理CT图像和所述第二待处理CT图像在不同时期采集得到;
所述获取单元21,用于获取基于第一方面及其任一实施方式获得的目标模型;
分割单元22,用于使用所述目标模型对所述第一待处理CT图像中的所述目标器官的组织和所述第二待处理CT图像中的所述目标器官的组织进行分割,得到所述目标器官中的组织的第二三维分割结果。
本申请实施例中,目标模型具备同时处理不同时期的增强CT图像的能力,又具备通过对不同时期的增强CT图像中的目标器官的组织进行分割处理,利用不同时期的增强CT图像所携带的信息确定目标器官的组织的三维分割结果的能力。因此,目标器官的分割装置使用目标模型对第一待处理CT图像中的目标器官的组织和第二待处理CT图像中的目标器官的组织进行分割,可利用第一待处理CT图像所携带的信息和第二待处理CT图像所携带的信息确定目标器官的组织在第二目标坐标系下的三维分割结果,由此可减少获得目标器官的组织在第二目标坐标系下的三维分割结果的处理时间和所消耗的计算资源。
在一些实施例中,本申请实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
图7为本申请实施例提供的一种电子设备的硬件结构示意图。该电子设备3包括处理器31,存储器32。可选的,该电子设备3还包括输入装置33,输出装置34。该处理器31、存储器32、输入装置33和输出装置34通过连接器相耦合,该连接器包括各类接口、传输线或总线等等,本申请实施例对此不作限定。应当理解,本申请的各个实施例中,耦合是指通过特定方式的相互联系,包括直接相连或者通过其他设备间接相连,例如可以通过各类接口、传输线、总线等相连。
处理器31可以是一个或多个图形处理器(graphics processing unit, GPU),在处理器31是一个GPU的情况下,该GPU可以是单核GPU,也可以是多核GPU。可选的,处理器31可以是多个GPU构成的处理器组,多个处理器之间通过一个或多个总线彼此耦合。可选的,该处理器还可以为其他类型的处理器等等,本申请实施例不作限定。
存储器32可用于存储计算机程序指令,以及用于执行本申请方案的程序代码在内的各类计算机程序代码。可选地,存储器包括但不限于是随机存储记忆体(random accessmemory,RAM)、只读存储器(read-only memory,ROM)、可擦除可编程只读存储器(erasableprogrammable read only memory,EPROM)、或便携式只读存储器(compact disc read-only memory,CD-ROM),该存储器用于相关指令及数据。
输入装置33用于输入数据和/或信号,以及输出装置34用于输出数据和/或信号。输入装置33和输出装置34可以是独立的器件,也可以是一个整体的器件。
可理解,本申请实施例中,存储器32不仅可用于存储相关指令,还可用于存储相关数据,本申请实施例对于该存储器中具体所存储的数据不作限定。
可以理解的是,图7仅仅示出了一种电子设备的简化设计。在实际应用中,电子设备还可以分别包含必要的其他元件,包含但不限于任意数量的输入/输出装置、处理器、存储器等,而所有可以实现本申请实施例的电子设备都在本申请的保护范围之内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。所属领域的技术人员还可以清楚地了解到,本申请各个实施例描述各有侧重,为描述的方便和简洁,相同或类似的部分在不同实施例中可能没有赘述,因此,在某一实施例未描述或未详细描述的部分可以参见其他实施例的记载。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriberline,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,数字通用光盘(digital versatiledisc,DVD))、或者半导体介质(例如固态硬盘(solid state disk ,SSD))等。
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,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:只读存储器(read-only memory,ROM)或随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可存储程序代码的介质。
Claims (10)
1.一种模型训练方法,其特征在于,所述方法包括:
获取待训练模型;
获取训练图像集,所述训练图像集包括第一CT图像和第二CT图像,所述第一CT图像为在第一时期对目标器官注射造影剂的情况下对所述目标器官进行CT扫描得到的CT图像,所述第二CT图像为在第二时期对所述目标器官注射造影剂的情况下对所述目标器官进行CT扫描得到的CT图像,所述第一时期与所述第二时期不同;所述训练图像集的融合标签通过将所述第一CT图像的第一标签和所述第二CT图像的第二标签进行融合得到,所述第一标签和所述第二标签均包括所述目标器官中的组织在CT图像中的位置,所述融合标签指示第一目标坐标系下的三维位置,所述第一目标坐标系为基于所述第一CT图像的像素坐标系确定的三维坐标系,所述第一目标坐标系或为基于所述第二CT图像的像素坐标系确定的三维坐标系;
通过使用所述待训练模型对所述第一CT图像中的所述目标器官的组织和所述第二CT图像中的所述目标器官组织进行分割处理,得到所述目标器官的组织的第一三维分割结果;
根据所述第一三维分割结果与所述融合标签的差异,得到所述待训练模型的损失,所述损失与所述差异呈正相关;
根据所述损失更新所述待训练模型的参数得到目标模型。
2.根据权利要求1所述的方法,其特征在于,所述获取训练图像集,包括:
获取所述第一CT图像和所述第二CT图像;
获取融合优先级,所述融合优先级表征在对所述目标器官中的不同组织进行融合的情况下,所述目标器官中的组织被保留的优先级;
根据所述融合优先级,对所述第一CT图像的所述第一标签和所述第二CT图像的所述第二标签进行融合,得到所述融合标签;
根据所述融合标签、所述第一CT图像和所述第二CT图像,得到所述训练图像集。
3.根据权利要求2所述的方法,其特征在于,所述根据所述融合优先级,对所述第一CT图像的所述第一标签和所述第二CT图像的所述第二标签进行融合,得到所述融合标签,包括:
在所述第一标签指示所述第一CT图像中的第一位置为所述目标器官的第一组织,所述第二标签指示所述第二CT图像中的所述第一位置为所述目标器官的第二组织,且根据所述融合优先级确定所述第一组织被保留的优先级高于所述第二组织被保留的优先级的情况下,确定所述融合标签中的所述第一位置为所述第一组织。
4.根据权利要求3所述的方法,其特征在于,所述根据所述融合优先级,对所述第一CT图像的所述第一标签和所述第二CT图像的所述第二标签进行融合,得到所述融合标签,还包括:
在所述第一标签与所述第二标签中的一个指示第二位置存在所述目标器官的第三组织的情况下,确定所述融合标签中的所述第二位置为所述第三组织。
5.根据权利要求2所述的方法,其特征在于,在所述根据所述融合优先级,对所述第一CT图像的所述第一标签和所述第二CT图像的所述第二标签进行融合,得到所述融合标签之前,所述方法还包括:
对所述第一CT图像和所述第二CT图像进行配准,得到配准矩阵;
根据所述配准矩阵对所述第一标签和所述第二标签进行配准,得到配准后的第一标签和配准后的第二标签;
所述根据所述融合优先级,对所述第一CT图像的所述第一标签和所述第二CT图像的所述第二标签进行融合,得到所述融合标签,包括:
根据所述融合优先级,对所述配准后的第一标签和所述配准后的第二标签进行融合,得到所述融合标签。
6.一种目标器官的分割方法,其特征在于,所述分割方法包括:
获取第一待处理CT图像和第二待处理CT图像,所述第一待处理CT图像和所述第二待处理CT图像均包括目标器官,且所述第一待处理CT图像和所述第二待处理CT图像在不同时期采集得到;
获取根据权利要求1至5中任意一项所述的方法得到的目标模型;
使用所述目标模型对所述第一待处理CT图像中的所述目标器官的组织和所述第二待处理CT图像中的所述目标器官的组织进行分割,得到所述目标器官中的组织的第二三维分割结果。
7.一种模型训练装置,其特征在于,所述训练装置包括:
获取单元,用于获取待训练模型;
所述获取单元,用于获取训练图像集,所述训练图像集包括第一CT图像和第二CT图像,所述第一CT图像为在第一时期对目标器官注射造影剂的情况下对所述目标器官进行CT扫描得到的CT图像,所述第二CT图像为在第二时期对所述目标器官注射造影剂的情况下对所述目标器官进行CT扫描得到的CT图像,所述第一时期与所述第二时期不同;所述训练图像集的融合标签通过将所述第一CT图像的第一标签和所述第二CT图像的第二标签进行融合得到,所述第一标签和所述第二标签均包括所述目标器官中的组织在CT图像中的位置,所述融合标签指示第一目标坐标系下的三维位置,所述第一目标坐标系为基于所述第一CT图像的像素坐标系确定的三维坐标系,所述第一目标坐标系或为基于所述第二CT图像的像素坐标系确定的三维坐标系;
分割单元,用于通过使用所述待训练模型对所述第一CT图像中的所述目标器官的组织和所述第二CT图像中的所述目标器官组织进行分割处理,得到所述目标器官的组织的第一三维分割结果;
处理单元,用于根据所述第一三维分割结果与所述融合标签的差异,得到所述待训练模型的损失,所述损失与所述差异呈正相关;
更新单元,用于根据所述损失更新所述待训练模型的参数得到目标模型。
8.一种目标器官的分割装置,其特征在于,所述目标器官的分割装置包括:
获取单元,用于获取第一待处理CT图像和第二待处理CT图像,所述第一待处理CT图像和所述第二待处理CT图像均包括目标器官,且所述第一待处理CT图像和所述第二待处理CT图像在不同时期采集得到;
所述获取单元,用于获取根据权利要求1至5中任意一项所述的方法得到的目标模型;
分割单元,用于使用所述目标模型对所述第一待处理CT图像中的所述目标器官的组织和所述第二待处理CT图像中的所述目标器官的组织进行分割,得到所述目标器官中的组织的第二三维分割结果。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;在所述处理器执行所述计算机指令的情况下,所述电子设备执行如权利要求1至5中任意一项所述的方法;
在所述处理器执行所述计算机指令的情况下,所述电子设备或者执行如权利要求6所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序包括程序指令;
在所述程序指令被处理器执行的情况下,使所述处理器执行权利要求1至5中任意一项所述的方法;
在所述程序指令被处理器执行的情况下,或者使所述处理器执行如权利要求6所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310614584.0A CN116342986B (zh) | 2023-05-29 | 2023-05-29 | 模型训练方法、目标器官的分割方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310614584.0A CN116342986B (zh) | 2023-05-29 | 2023-05-29 | 模型训练方法、目标器官的分割方法及相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116342986A CN116342986A (zh) | 2023-06-27 |
CN116342986B true CN116342986B (zh) | 2023-08-11 |
Family
ID=86884489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310614584.0A Active CN116342986B (zh) | 2023-05-29 | 2023-05-29 | 模型训练方法、目标器官的分割方法及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116342986B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117357249B (zh) * | 2023-12-05 | 2024-02-20 | 深圳惟德精准医疗科技有限公司 | 针对目标器官的穿刺路径规划方法及相关产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232349A (zh) * | 2020-09-23 | 2021-01-15 | 成都佳华物链云科技有限公司 | 模型训练方法、图像分割方法及装置 |
CN112991363A (zh) * | 2021-03-17 | 2021-06-18 | 泰康保险集团股份有限公司 | 脑肿瘤图像分割方法、装置、电子设备及存储介质 |
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 |
CN115272357A (zh) * | 2022-07-26 | 2022-11-01 | 中国人民解放军空军军医大学 | 基于多时相融合与双注意力机制的肝肿瘤分割方法 |
-
2023
- 2023-05-29 CN CN202310614584.0A patent/CN116342986B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232349A (zh) * | 2020-09-23 | 2021-01-15 | 成都佳华物链云科技有限公司 | 模型训练方法、图像分割方法及装置 |
CN112991363A (zh) * | 2021-03-17 | 2021-06-18 | 泰康保险集团股份有限公司 | 脑肿瘤图像分割方法、装置、电子设备及存储介质 |
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 |
CN115272357A (zh) * | 2022-07-26 | 2022-11-01 | 中国人民解放军空军军医大学 | 基于多时相融合与双注意力机制的肝肿瘤分割方法 |
Non-Patent Citations (1)
Title |
---|
毕秀丽 等.基于双解码U型卷积神经网络的胰腺分割.软件学报.2022,第33卷(第5期),第1947-1958页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116342986A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161275B (zh) | 医学图像中目标对象的分割方法、装置和电子设备 | |
CN110414631B (zh) | 基于医学图像的病灶检测方法、模型训练的方法及装置 | |
US20230104173A1 (en) | Method and system for determining blood vessel information in an image | |
CN110298844B (zh) | X光造影图像血管分割与识别方法及装置 | |
WO2022032823A1 (zh) | 图像分割方法、装置、设备及存储介质 | |
CN116342986B (zh) | 模型训练方法、目标器官的分割方法及相关产品 | |
US20220383661A1 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
CN111667459B (zh) | 一种基于3d可变卷积和时序特征融合的医学征象检测方法、系统、终端及存储介质 | |
CN112419326B (zh) | 图像分割数据处理方法、装置、设备及存储介质 | |
CN112927363A (zh) | 体素地图构建方法及装置、计算机可读介质和电子设备 | |
CN112614144A (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN110910441A (zh) | 一种中心线提取的方法及装置 | |
CN113888566B (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
CN115546231A (zh) | 一种基于半监督深度学习的自适应脑胶质瘤分割方法 | |
CN110992310A (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
CN113850796A (zh) | 基于ct数据的肺部疾病识别方法及装置、介质和电子设备 | |
CN113256622A (zh) | 基于三维图像的目标检测方法、装置及电子设备 | |
CN112801940A (zh) | 模型评测方法、装置、设备及介质 | |
CN116521915A (zh) | 一种相似医学图像的检索方法、系统、设备及介质 | |
CN113362350B (zh) | 癌症病历图像的分割方法、装置、终端设备和存储介质 | |
CN113792740B (zh) | 眼底彩照的动静脉分割方法、系统、设备及介质 | |
CN114241198A (zh) | 获取局部影像组学特征的方法、装置、设备以及存储介质 | |
CN113177953B (zh) | 肝脏区域分割方法、装置、电子设备及存储介质 | |
CN109345632A (zh) | 一种获取图像的方法、相关装置及可读存储介质 | |
CN117556077B (zh) | 文本图像模型的训练方法、相关方法及相关产品 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |