JP2022538137A - 画像検出方法及び関連モデルの訓練方法並びに関連装置、機器 - Google Patents

Abstract

本願は、画像検出方法及び関連モデルの訓練方法並びに関連装置、機器を提供する。ここで、画像検出モデルの訓練方法は、サンプル医用画像を取得することであって、サンプル医用画像において、少なくとも１つのラベル付けされていない器官の実際領域が仮ラベル付けされている、ことと、オリジナル検出モデルを利用して、サンプル医用画像に対して検出を行い、第１検出結果を得ることと、画像検出モデルを利用して、サンプル医用画像に対して検出を行い、第２検出結果を得ることであって、画像検出モデルのネットワークパラメータは、オリジナル検出モデルのネットワークパラメータに基づいて決定されたものである、ことと、第１予測領域と実際領域との差異、及び第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルのネットワークパラメータを調整することと、を含む。

Description

（関連出願の相互参照）
本願は、２０２０年０４月３０日に提出された、出願番号が２０２０１０３６２７６６．Ｘである中国特許出願に基づく優先権を主張し、該中国特許出願の全内容が参照として本願に組み込まれる。

本願は、人工知能技術分野に関し、特に、画像検出方法及び関連モデルの訓練方法並びに関連装置、機器に関する。

ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ：コンピュータ断層撮影）及びＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ：磁気共鳴撮影）などの医用画像は、臨床にとって非常に重要である。ここで、ＣＴ、ＭＲＩなどの医用画像は、多器官検出を行い、医用画像における各器官に対応する領域を決定し、臨床的実践に広く適用されている。例えば、コンピュータ支援診断、放射線治療計画の策定などに適用される。従って、多器官検出に適用可能である画像検出モデルを訓練することは、高い有用性を有する。

現在、モデル訓練は、ラベル付けされた大量のデータ集合に依存する。しかしながら、医用映像分野において、大量の高品質な多器官ラベル付けを取得するために多大の手間がかかり、且つ、経験豊富な放射線科医のみは、データをラベル付けする能力を有する。これに限定されるため、従来の画像検出モデルが多器官検出を行う場合、正確性が低いという問題が発生することが多い。これに鑑み、多器官検出の場合、検出の正確性を如何に向上させるかは、早急に解決しなければならない課題である。

本願は、画像検出方法及び関連モデルの訓練方法並びに関連装置、機器を提供する。

第１態様によれば、本願の実施例は、画像検出モデルの訓練方法を提供する。前記方法は、サンプル医用画像を取得することであって、サンプル医用画像において、少なくとも１つのラベル付けされていない器官の実際領域が仮ラベル付けされている、ことと、オリジナル検出モデルを利用して、サンプル医用画像に対して検出を行い、第１検出結果を得ることであって、第１検出結果は、ラベル付けされていない器官の第１予測領域を含む、ことと、画像検出モデルを利用して、サンプル医用画像に対して検出を行い、第２検出結果を得ることであって、第２検出結果は、ラベル付けされていない器官の第２予測領域を含み、画像検出モデルのネットワークパラメータは、オリジナル検出モデルのネットワークパラメータに基づいて決定されたものである、ことと、第１予測領域と実際領域との差異、及び第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルのネットワークパラメータを調整することと、を含む。

従って、少なくとも１つのラベル付けされていない器官の実際領域が仮ラベル付けされているサンプル医用画像を取得することによって、サンプル医用画像において、多器官に対して真のラベル付けを行う必要がない。これにより、オリジナル検出モデルを利用して、サンプル医用画像に対して検出を行うことで、ラベル付けされていない器官の第１予測領域を含む第１検出結果を得て、画像検出モデルを利用して、サンプル医用画像に対して検出を行うことで、ラベル付けされていない器官の第２予測領域を含む第２検出結果を得て、更に、第１予測領域と実際領域との差異、及び第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルのネットワークパラメータを調整する。また、画像検出モデルのネットワークパラメータは、オリジナル検出モデルのネットワークパラメータに基づいて決定されたものである。従って、画像検出モデルにより、オリジナル検出モデルの訓練を指導し、複数回の訓練プロセスで仮ラベル付けした真実の領域によるネットワークパラメータの累積誤差を制約し、画像検出モデルの正確性を向上させることができる。これにより、画像検出モデルは、オリジナル検出モデルの訓練を正確に指導することができ、それによって、オリジナル検出モデルは、訓練プロセスにおいてそのネットワークパラメータを正確に調整することができる。従って、多器官検出プロセスにおいて、画像検出モデルによる検出の正確性を向上させることができる。

ここで、オリジナル検出モデルは、第１オリジナル検出モデルと、第２オリジナル検出モデルと、を含み、画像検出モデルは、第１オリジナル検出モデルに対応する第１画像検出モデルと、第２オリジナル検出モデルに対応する第２画像検出モデルと、を含み、オリジナル検出モデルを利用してサンプル医用画像に対して検出を行い、第１検出結果を得ることは、第１オリジナル検出モデル及び第２オリジナル検出モデルをそれぞれ利用して、サンプル医用画像に対して検出を行って第１検出結果を得るステップを実行することを含み、画像検出モデルを利用して、サンプル医用画像に対して検出を行い、第２検出結果を得ることは、第１画像検出モデル及び第２画像検出モデルをそれぞれ利用して、サンプル医用画像に対して検出を行って第２検出結果を得るステップを実行することを含み、第１予測領域と実際領域との差異、及び第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルのネットワークパラメータを調整することは、第１オリジナル検出モデルの第１予測領域と実際領域との差異、及び第１オリジナル検出モデルの第１予測領域と第２画像検出モデルの第２予測領域との差異を利用して、第１オリジナル検出モデルのネットワークパラメータを調整することと、第２オリジナル検出モデルの第１予測領域と実際領域との差異、及び第２オリジナル検出モデルの第１予測領域と第１画像検出モデルの第２予測領域との差異を利用して、第２オリジナル検出モデルのネットワークパラメータを調整することと、を含む。

従って、オリジナル検出モデルを、第１オリジナル検出モデル及び第２オリジナル検出モデルを含むように設定し、画像検出モデルを、第１オリジナル検出モデルに対応する第１画像検出モデル及び第２オリジナル検出モデルに対応する第２画像検出モデルを含むように設定し、第１オリジナル検出モデル及び第２オリジナル検出モデルをそれぞれ利用して、サンプル医用画像に対して検出を行って第１検出結果を得るステップを実行し、第１画像検出モデル及び第２画像検出モデルをそれぞれ利用して、サンプル医用画像に対して検出を行って第２検出結果を得るステップを実行し、第１オリジナル検出モデルの第１予測領域と実際領域との差異、及び第１オリジナル検出モデルの第１予測領域と第２画像検出モデルの第２予測領域との差異を利用して、第１オリジナル検出モデルのネットワークパラメータを調整し、第２オリジナル検出モデルの第１予測領域と実際領域との差異、及び第２オリジナル検出モデルの第１予測領域と第１画像検出モデルの第２予測領域との差異を利用して、第２オリジナル検出モデルのネットワークパラメータを調整する。従って、第１オリジナル検出モデルに対応する第１画像検出モデルを利用して、第２オリジナル検出モデルの訓練を指導し、第２オリジナル検出モデルに対応する第２画像検出モデルを利用し、第１オリジナル検出モデルの訓練を指導する。複数回の訓練プロセスで仮ラベル付けした真実の領域によるネットワークパラメータの累積誤差を制約し、画像検出モデルの正確性を向上させることができる。

ここで、第１予測領域と実際領域との差異、及び第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルのネットワークパラメータを調整することは、第１予測領域と実際領域との差異を利用して、オリジナル検出モデルの第１損失値を決定することと、第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルの第２損失値を決定することと、第１損失値及び第２損失値を利用して、オリジナル検出モデルのネットワークパラメータを調整することと、を含む。

従って、第１予測領域と実際領域との差異を利用して、オリジナル検出モデルの第１損失値を決定し、第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルの第２損失値を決定し、第１損失値及び第２損失値を利用して、オリジナル検出モデルのネットワークパラメータを調整することで、オリジナル検出モデルから予測された第１予測領域と仮ラベル付けされた実際領域との差異、及び第１予測領域と対応する画像検出モデルから予測された第２予測領域との差異という２つの次元で、オリジナル検出モデルの損失を評価する。損失演算の正確性の向上に寄与し、オリジナル検出モデルのネットワークパラメータの正確性の向上に寄与し、更に、画像検出モデルの正確性の向上に寄与する。

ここで、第１予測領域と実際領域との差異を利用して、オリジナル検出モデルの第１損失値を決定することは、焦点損失関数を利用して第１予測領域及び実際領域に対して処理を行い、焦点の第１損失値を得ることと、集合類似度損失関数を利用して第１予測領域及び実際領域に対して処理を行い、集合類似度の第１損失値を得ることと、のうちの少なくとも１つを含む。

ここで、第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルの第２損失値を決定することは、一致性損失関数を利用して第１予測領域及び第２予測領域に対して処理を行い、第２損失値を得ることを含む。

ここで、第１損失値及び第２損失値を利用してオリジナル検出モデルのネットワークパラメータを調整することは、第１損失値及び第２損失値に対して重み付け処理を行い、重み付け損失値を得ることと、重み付け損失値を利用して、オリジナル検出モデルのネットワークパラメータを調整することと、を含む。

従って、焦点損失関数を利用して、第１予測領域及び実際領域に対して処理して焦点の第１損失値を得ることで、難しいサンプルに対するモデルの注目度を向上させることができ、画像検出モデルの正確性の向上に寄与する。集合類似度損失関数を利用して、第１予測領域及び実際領域に対して処理を行い、集合類似度の第１損失値を得ることで、モデルが、仮ラベル付けされた実際領域をフィッティングすることができるようになり、画像検出モデルの正確性の向上に寄与する。一致性損失関数を利用して第１予測領域及び第２予測領域に対して処理を行い、第２損失値を得ることで、オリジナルモデルによる予測と画像検出モデルによる予測との一致性を向上させ、更に、画像検出モデルの正確性の向上に寄与する。第１損失値及び第２損失値に対して重み付け処理を行い、重み付け損失値を得て、重み付け損失値を利用して、オリジナル検出モデルのネットワークパラメータを調整することで、訓練プロセスにおける各損失値の重要度のバランスを取ることができ、ネットワークパラメータの正確性を向上させ、更に、画像検出モデルの正確性の向上に寄与する。

ここで、サンプル医用画像に、ラベル付け済み器官の実際領域が更に含み、第１検出結果は、ラベル付け済み器官の第１予測領域を更に含み、第２検出結果は、ラベル付け済み器官の第２予測領域を更に含み、第１予測領域と実際領域との差異を利用して、オリジナル検出モデルの第１損失値を決定することは、ラベル付けされていない器官とラベル付け済み器官の第１予測領域と実際領域の差異を利用して、オリジナル検出モデルの第１損失値を決定することを含み、第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルの第２損失値を決定することは、ラベル付けされていない器官の第１予測領域と対応する第２予測領域との差異を利用して、オリジナル検出モデルの第２損失値を決定することを含む。

従って、サンプル医用画像に、ラベル付け済み器官の実際領域を設定し、また、第１検出結果に、ラベル付け済み器官の第１予測領域が更に含まれ、第２検出結果に、ラベル付け済み器官の第２予測領域が更に含まれ、オリジナル検出モデルの第１損失値を決定する過程において、第１予測領域と実際領域との差異を総合的に考慮し、オリジナル検出モデルの第２損失値を決定する過程において、ラベル付けされていない器官の第１予測領域と対応する第２予測領域との差異のみを考慮することで、オリジナル検出モデルと画像検出モデルとの一貫性制約のロバスト性を向上させることができ、更に、画像検出モデルの正確性を向上させることができる。

ここで、第１予測領域と実際領域との差異、及び第１予測領域と第２予測領域との差異をそれぞれ利用して、オリジナル検出モデルのネットワークパラメータを調整した後、今回の訓練及びこの前の複数回の訓練時に調整したネットワークパラメータを利用して、画像検出モデルのネットワークパラメータを更新することを更に含む。

従って、今回の訓練及びこの前の複数回の訓練時に調整した、オリジナル検出モデルのネットワークパラメータを利用して、画像検出モデルのネットワークパラメータを更新することで、複数回の訓練プロセスで仮ラベル付けした真実の領域によるネットワークパラメータの累積誤差を更に制約し、画像検出モデルの正確性を向上させることができる。

ここで、今回の訓練及びこの前の複数回の訓練時に調整したネットワークパラメータを利用して、画像検出モデルのネットワークパラメータを更新することは、今回の訓練及びこの前の複数回の訓練時に調整した、オリジナル検出モデルのネットワークパラメータの平均値を統計することと、画像検出モデルのネットワークパラメータを対応するオリジナル検出モデルのネットワークパラメータの平均値に更新することと、を含む。

従って、今回の訓練及びこの前の複数回の訓練時に調整した、オリジナル検出モデルのネットワークパラメータの平均値を統計し、画像検出モデルのネットワークパラメータを対応するオリジナル検出モデルのネットワークパラメータの平均値に更新することで、複数回の訓練プロセスで生じる累積誤差を迅速に制約することに寄与し、画像検出モデルの正確性を向上させることができる。

ここで、サンプル医用画像を取得することは、仮ラベル付け対象医用画像を取得することであって、仮ラベル付け対象医用画像に、少なくとも１つのラベル付けされていない器官が存在する、ことと、各ラベル付けされていない器官に対応する単一器官検出モデルをそれぞれ利用して、仮ラベル付け対象医用画像に対して検出を行い、各ラベル付けされていない器官の器官予測領域を得ることと、ラベル付けされていない器官の器官予測領域を、ラベル付けされていない器官の実際領域として仮ラベル付けし、仮ラベル付けした仮ラベル付け対象医用画像をサンプル医用画像とすることと、を含む。

従って、少なくとも１つのラベル付けされていない器官が存在する仮ラベル付け対象医用画像を取得し、各ラベル付けされていない器官に対応する単一器官検出モデルをそれぞれ利用して、仮ラベル付け対象医用画像に対して検出を行い、各ラベル付けされていない器官の器官予測領域を得て、ラベル付けされていない器官の器官予測領域を、ラベル付けされていない器官の実際領域として仮ラベル付けし、仮ラベル付けした仮ラベル付け対象医用画像をサンプル医用画像とすることで、単一器官検出モデルを利用して、多器官に対する手動ラベル付け作業を無くすことができ、多器官検出のための画像検出モデルの訓練の人件費の低減に寄与し、訓練効率を向上させることができる。

ここで、仮ラベル付け対象医用画像は、少なくとも１つのラベル付け済み器官を含み、各ラベル付けされていない器官に対応する単一器官検出モデルをそれぞれ利用して、仮ラベル付け対象医用画像に対して検出を行う前に、方法は、仮ラベル付け対象医用画像を利用して、仮ラベル付け対象医用画像におけるラベル付け済み器官に対応する単一器官検出モデルに対して訓練を行うことを更に含む。

従って、仮ラベル付け対象医用画像に、少なくとも１つのラベル付け済み器官が含まれ、仮ラベル付け対象医用画像を利用して、仮ラベル付け対象医用画像におけるラベル付け済み器官に対応する単一器官検出モデルに対して訓練を行うことで、単一器官検出モデルの正確性を向上させ、後続の仮ラベル付けの正確性の向上に寄与し、更に、後続の画像検出モデルの訓練の正確性の向上に寄与する。

ここで、仮ラベル付け対象医用画像を取得することは、三次元医用画像を取得し、三次元医用画像に対して前処理を行うことと、前処理後の三次元画像に対してトリミング処理を行い、少なくとも１つの二次元の仮ラベル付け対象医用画像を得ることと、を含む。

従って、三次元医用画像を取得し、三次元医用画像に対して前処理を行い、前処理後の三次元画像に対してトリミング処理を行い、少なくとも１つの二次元の仮ラベル付け対象医用画像を得ることで、モデル訓練を満たす医用画像を得ることに寄与し、後続の画像検出モデルの訓練の正確性の向上に寄与する。

ここで、三次元医用画像に対して前処理を行うことは、三次元医用画像のボクセル解像度を所定の解像度に調整することと、所定ウインドウ値を利用して、三次元医用画像のボクセル値を所定の範囲内に正規化することと、三次元医用画像の少なくとも一部のボクセルにガウス雑音を加えることと、のうちの少なくとも１つを含む。

従って、三次元医用画像のボクセル解像度を所定の解像度に調整することで、後続のモデル予測処理に寄与する。所定ウインドウ値を利用して、三次元医用画像のボクセル値を所定の範囲内に正規化することで、モデルによる正確な特徴の抽出に寄与する。三次元医用画像の少なくとも一部のボクセルにガウス雑音を加えることで、データ拡張の実現に寄与し、データの多様性を向上させ、後続のモデル訓練の正確性を向上させることができる。

第２態様によれば、本願の実施例は、画像検出方法を提供する。前記方法は、検出対象医用画像を取得することであって、検出対象医用画像に複数の器官が含まれる、ことと、画像検出モデルを利用して、検出対象医用画像に対して検出を行い、複数の器官の予測領域を得ることと、を含み、画像検出モデルは、上記第１態様における画像検出モデルの訓練方法で訓練を行うことで得られたものである。

従って、上記第１態様における訓練を行うことで得られた画像検出モデルを利用して、検出対象医用画像に対して検出を行い、複数の器官の予測領域を得ることで、多器官検出の過程において、検出の正確性を向上させることができる。

第３態様によれば、本願の実施例は、画像検出モデルの訓練装置を提供する。前記装置は、画像取得モジュールと、第１検出モジュールと、第２検出モジュールと、パラメータ調整モジュールと、を備え、画像取得モジュールは、サンプル医用画像を取得するように構成され、サンプル医用画像に、少なくとも１つのラベル付けされていない器官の実際領域が仮ラベル付けされており、第１検出モジュールは、オリジナル検出モデルを利用して、サンプル医用画像に対して検出を行い、第１検出結果を得るように構成され、第１検出結果は、ラベル付けされていない器官の第１予測領域を含み、第２検出モジュールは、画像検出モデルを利用して、サンプル医用画像に対して検出を行い、第２検出結果を得るように構成され、画像検出モデルのネットワークパラメータは、オリジナル検出モデルのネットワークパラメータに基づいて決定されたものであり、第２検出結果は、ラベル付けされていない器官の第２予測領域を含み、パラメータ調整モジュールは、第１予測領域と実際領域との差異、及び第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルのネットワークパラメータを調整するように構成される。

第４態様によれば、本願の実施例は、画像検出装置を提供する。前記装置は、画像取得モジュールと、画像検出モジュールと、を備え、画像取得モジュールは、検出対象医用画像を取得するように構成され、検出対象医用画像に複数の器官が含まれ、画像検出モジュールは、画像検出モデルを利用して、検出対象医用画像に対して検出を行い、複数の器官の予測領域を得るように構成され、画像検出モデルは、上記第２態様における画像検出モデルの訓練装置により訓練を行うことで得られたものである。

第５態様によれば、本願の実施例は、電子機器を提供する。前記電子機器は、互いに接続されるメモリ及びプロセッサを備え、プロセッサは、メモリに記憶されているプログラム命令を実行し、上記第１態様における画像検出モデルの訓練方法を実現し、又は、上記第２態様における画像検出方法を実現するように構成される。

第６態様によれば、本願の実施例は、コンピュータ可読記憶媒体を提供する。前記コンピュータ可読記憶媒体にプログラム命令が記憶されており、プログラム命令がプロセッサにより実行される時、上記第１態様における画像検出モデルの訓練方法を実現し、又は、上記第２態様における画像検出方法を実現する。

第７態様によれば、本願の実施例は、コンピュータプログラムを更に提供する。前記コンピュータプログラムは、コンピュータ可読コードを含み、前記コンピュータ可読コードが電子機器で実行される時、前記電子機器におけるプロセッサは、上記第１態様における画像検出モデルの訓練方法を実行し、又は、上記第２態様における画像検出方法を実行する。

上記技術的解決手段において、少なくとも１つのラベル付けされていない器官の実際領域が仮ラベル付けされているサンプル医用画像を取得することによって、サンプル医用画像において、多器官に対して真のラベル付けを行う必要がない。これにより、オリジナル検出モデルを利用して、サンプル医用画像に対して検出を行うことで、ラベル付けされていない器官の第１予測領域を含む第１検出結果を得て、画像検出モデルを利用して、サンプル医用画像に対して検出を行うことで、ラベル付けされていない器官の第２予測領域を含む第２検出結果を得て、更に、第１予測領域と実際領域との差異、及び第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルのネットワークパラメータを調整する。また、画像検出モデルのネットワークパラメータは、オリジナル検出モデルのネットワークパラメータに基づいて決定されたものである。従って、画像検出モデルにより、オリジナル検出モデルの訓練を指導し、複数回の訓練プロセスで仮ラベル付けした真実の領域によるネットワークパラメータの累積誤差を制約し、画像検出モデルの正確性を向上させることができる。これにより、画像検出モデルは、オリジナル検出モデルの訓練を正確に指導することができ、それによって、オリジナル検出モデルは、訓練プロセスにおいてそのネットワークパラメータを正確に調整することができる。従って、多器官検出プロセスにおいて、画像検出モデルによる検出の正確性を向上させることができる。

本願の実施例による画像検出モデルの訓練方法の一実施例を示すフローチャートである。 図１におけるステップＳ１１の一実施例を示すフローチャートである。 本願の実施例による画像検出モデルの訓練方法のもう１つの実施例を示すフローチャートである。 本願の実施例による画像検出モデルの訓練プロセスの一実施例を示す概略図である。 本願の実施例による画像検出方法の一実施例を示すフローチャートである。 本願の実施例による画像検出モデルの訓練装置の一実施例のフレームワークを示す概略図である。 本願の実施例による画像検出装置の一実施例のフレームワークを示す概略図である。 本願の実施例による電子機器の一実施例のフレームワークを示す概略図である。 本願の実施例によるコンピュータ可読記憶媒体の一実施例のフレームワークを示す概略図である。

以下、明細書の図面を参照しながら、本願の実施例の技術的解決手段を詳しく説明する。

下記説明において、本願の実施例を深く理解するために、特定システム構造、インタフェース、技術等の具体的な細部を提出し、これは、本願を解釈するためのものに過ぎず、本願を限定するためのものではない。

本明細書において、「システム」と「ネットワーク」は相互交換可能に用いられる。本明細書において、用語「及び／又は」は、関連対象の関連関係を説明するためのものであり、３通りの関係が存在することを表す。例えば、Ａ及び／又はＢは、Ａのみが存在すること、ＡとＢが同時に存在すること、Ｂのみが存在するという３つの場合を表す。また、本明細書において、文字「／」は一般的には、前後関連対象が「又は」という関係であることを示す。また、本明細書における「複数」は、２つ又は２つより多いことを表す。

図１を参照すると、図１は、本願の実施例による画像検出モデルの訓練方法の一実施例を示すフローチャートである。ここで、下記ステップを含んでもよい。

ステップＳ１１において、サンプル医用画像を取得し、サンプル医用画像において、少なくとも１つのラベル付けされていない器官の実際領域が仮ラベル付けされている。

サンプル医用画像は、ＣＴ画像、ＭＲ画像を含んでもよく、ここで、これを限定しない。可能な実施シーンにおいて、サンプル医用画像は、腹部、胸部、脳などの部位を走査することで得られたものであってもよく、実際の適用状況に応じて設定されてもよく、ここで、限定しない。例えば、腹部を走査する場合、サンプル医用画像における器官は、腎臓、脾臓、肝臓、膵臓などを含んでもよい。又は、胸部を走査する場合、サンプル医用画像における器官は、心臓、肺葉、甲状腺などを含んでもよい。又は、脳を走査する場合、サンプル医用画像における器官は、脳幹、小脳、間脳、終脳などを含んでもよい。

可能な実施シーンにおいて、ラベル付けされていない器官の実際領域は、ラベル付けされていない器官に対応する単一器官検出モデルにより検出を行うことで得られたものであってもよい。例えば、サンプル医用画像は、腹部走査により得られたものであると、ラベル付けされていない器官は、腎臓、脾臓、肝臓、膵臓のうちの少なくとも１つを含んでもよい。従って、腎臓に対応する単一器官検出モデルを利用してサンプル医用画像に対して検出を行い、腎臓に対応する器官予測領域を得ることができる。脾臓に対応する単一器官検出モデルを利用してサンプル医用画像に対して検出を行い、脾臓に対応する器官予測領域を得ることができる。肝臓に対応する単一器官検出モデルを利用してサンプル医用画像に対して検出を行い、肝臓に対応する器官予測領域を得ることができる。膵臓に対応する単一器官検出モデルを利用してサンプル医用画像に対して検出を行い、膵臓に対応する器官予測領域を得ることができる。サンプル医用画像に、腎臓、脾臓、肝臓、膵臓にそれぞれ対応する器官予測領域に対して仮ラベル付けを行うことで、ラベル付けされていない腎臓、脾臓、肝臓及び膵臓の、仮ラベル付けされた実際領域を得る。本願の実施例において、仮ラベル付けは、単一器官検出モデルにより検出されたラベル付けされていない器官の器官予測領域を実際領域とするプロセスである。ラベル付けされていない器官が他の器官である場合、このように類推してもよく、ここで、一々列挙しない。可能な実施シーンにおいて、ラベル付けされていない器官の単一器官検出モデルは、ラベル付けされていない器官の実際領域をラベル付けした単一器官データ集合を利用して訓練を行うことで得られたものである。例えば、腎臓に対応する単一器官検出モデルは、腎臓の実際領域をラベル付けした腎臓データ集合を利用して訓練を行うことで得られたものである。脾臓に対応する単一器官検出モデルは、脾臓の実際領域をラベル付けした脾臓データ集合を利用して訓練を行うことで得られたものである。このように類推する。ここで、一々列挙しない。

ステップＳ１２において、オリジナル検出モデルを利用して、サンプル医用画像に対して検出を行い、第１検出結果を得て、第１検出結果は、ラベル付けされていない器官の第１予測領域を含む。

オリジナル検出モデルは、Ｍａｓｋ Ｒ－ＣＮＮ（Ｍａｓｋ Ｒｅｇｉｏｎ ｗｉｔｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＦＣＮ（Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ：完全畳み込みネットワーク）、ＰＳＰ－ｎｅｔ（Ｐｙｒａｍｉｄ Ｓｃｅｎｅ Ｐａｒｓｉｎｇ Ｎｅｔｗｏｒｋ：ピラミッドシーン分析ネットワーク）のうちのいずれか１つを含んでもよい。また、オリジナル検出モデルは、ｓｅｔ－ｎｅｔ、Ｕ－ｎｅｔ等であってもよく、実際の状況に応じて設定してもよく、ここで、これを限定しない。

オリジナル検出モデルを利用して、サンプル医用画像に対して検出を行い、ラベル付けされていない器官の第１予測領域を含む第１検出結果を得ることができる。例えば、サンプル医用画像は、腹部走査により得られた画像であり、ラベル付けされていない器官は、腎臓、脾臓、膵臓を含むため、オリジナル検出モデルを利用してサンプル医用画像に対して検出を行うことで、腎臓の第１予測領域、脾臓の第１予測領域、膵臓の第１予測領域を得ることができる。他のシーンは、このように類推してもよく、ここで、一々列挙しない。

ステップＳ１３において、画像検出モデルを利用してサンプル医用画像に対して検出を行い、第２検出結果を得て、第２検出結果は、ラベル付けされていない器官の第２予測領域を含む。

オリジナル検出モデルのネットワーク構造は、オリジナル検出モデルに対応する画像検出モデルのネットワーク構造と同じであってもよい。例えば、オリジナル検出モデルは、Ｍａｓｋ Ｒ－ＣＮＮである場合、対応する画像検出モデルは、Ｍａｓｋ Ｒ－ＣＮＮであってもよい。又は、オリジナル検出モデルは、ＦＣＮである場合、対応する画像検出モデルは、ＦＣＮであってもよい。又は、オリジナル検出モデルは、ＰＳＰ－ｎｅｔである場合、対応する画像検出モデルは、ＰＳＰ－ｎｅｔであってもよい。オリジナル検出モデルは、他のネットワークである場合、このように類推してもよく、ここで、一々列挙しない。

画像検出モデルのネットワークパラメータは、オリジナル検出モデルのネットワークパラメータに基づいて決定されたものであってもよい。例えば、オリジナル検出モデルの複数回の訓練プロセスで調整したネットワークパラメータに基づいて得られたものであってもよい。例えば、ｋ回目の訓練プロセスにおいて、画像検出モデルのネットワークパラメータは、オリジナル検出モデルのｋ－ｎ回目からｋ－１回目の訓練プロセスで調整したネットワークパラメータに基づいて得られたものであってもよい。又は、ｋ＋１回目の訓練プロセスにおいて、画像検出モデルのネットワークパラメータは、オリジナル検出モデルのｋ＋１－ｎ回目からｋ回目の訓練プロセスで調整したネットワークに基づいて得られたものであってもよい。このように類推する。ここで、一々列挙しない。ここで、上記複数訓練の回数（即ち、ｎ）は、実際の状況に応じて設定されてもよい。例えば、５、１０、１５などとしてもよく、ここで、これを限定しない。

画像検出モデルを利用して、サンプル医用画像に対して検出を行い、ラベル付けされていない器官の第２予測領域を含む第２検出結果を得ることができる。依然として、サンプル医用画像が腹部走査により得られた画像であることを例として、ラベル付けされていない器官は、腎臓、脾臓、膵臓を含むため、画像検出モデルを利用してサンプル医用画像に対して検出を行うことで、腎臓の第２予測領域、脾臓の第２予測領域、膵臓の第２予測領域を得ることができる。他のシーンは、このように類推してもよく、ここで、一々列挙しない。

可能な実施シーンにおいて、上記ステップＳ１２及びステップＳ１３は、優先順位に応じて実行されてもよい。例えば、ステップＳ１２を実行した後に、ステップＳ１３を実行する。又は、ステップＳ１３を実行した後に、ステップＳ１２を実行する。もう１つの可能な実施シーンにおいて、上記ステップＳ１２とステップＳ１３を同時に実行してもよい。実際の適用に応じて設定されてもよく、ここで、これを限定しない。

ステップＳ１４において、第１予測領域と実際領域との差異、及び第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルのネットワークパラメータを調整する。

ここで、第１予測領域と実際領域との差異を利用して、オリジナル検出モデルの第１損失値を決定することができる。例えば、難しいサンプルに対するモデルの注目度を向上させるために、焦点損失（ｆｏｃａｌ ｌｏｓｓ）関数を利用して第１予測領域及び実際領域に対して処理を行い、焦点の第１損失値を得ることができる。又は、モデルが仮ラベル付けされた実際領域をフィッティングすることができるようにするために、集合類似度損失（ｄｉｃｅ ｌｏｓｓ）関数を利用して、第１予測領域及び実際領域に対して処理を行い、集合類似度の第１損失値を得ることもできる。

ここで、第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルの第２損失値を決定することもできる。例えば、オリジナル検出モデルによる予測と画像検出モデルによる予測との一致性を向上させるために、一致性損失関数を利用して、第１予測領域及び第２予測領域に対して処理を行い、第２損失値を得ることができる。可能な実施シーンにおいて、一致性損失関数は、クロスエントロピー損失関数であってもよい。これは、実際の適用に応じて設定されてもよく、ここで、これを限定しない。

ここで、上記第１損失値及び第２損失値を利用して、オリジナル検出モデルのネットワークパラメータを調整することもできる。例えば、訓練プロセスにおける各損失値の重要度のバランスを取るために、第１損失値及び第２損失値に対して重み付け処理を行い、重み付け損失値を得ることができる。これにより、重み付け損失値を利用して、オリジナル検出モデルのネットワークパラメータを調整する。第１損失値及び第２損失値に対応する重み値は、実際の状況に応じて設定されてもよい。例えば、いずれも０．５としてもよい。又は、第１損失値に対応する重み値を０．６とし、第２損失値に対応する重み値を０．４とする。ここで、これを限定しない。また、第１損失値は、焦点の第１損失値及び集合類似度の第１損失値を含む場合、焦点の第１損失値、集合類似度の第１損失値、第２損失値に対して重み付け処理を行い、重み付け損失値を得て、重み付け損失値を利用して、オリジナル検出モデルのネットワークパラメータを調整することができる。可能な実施シーンにおいて、確率的勾配降下（Ｓｔｏｃｈａｓｔｉｃ Ｇｒａｄｉｅｎｔ Ｄｅｓｃｅｎｔ：ＳＧＤ）、バッチ勾配降下（Ｂａｔｃｈ Ｇｒａｄｉｅｎｔ Ｄｅｓｃｅｎｔ：ＢＧＤ）、ミニバッチ勾配降下（Ｍｉｎｉ－Ｂａｔｃｈ Ｇｒａｄｉｅｎｔ Ｄｅｓｃｅｎｔ：ＭＢＧＤ）などの方式で、重み付け損失値を利用して、オリジナル検出モデルのネットワークパラメータを調整することができる。ここで、バッチ勾配降下は、各反復プロセスにおいて、全てのサンプルを用いてパラメータ更新を行うことである。確率的勾配降下は、各反復プロセスにおいて、１つのサンプルを用いてパラメータ更新を行うことである。ミニバッチ勾配降下は、各反復プロセスにおいて、１群のサンプルを用いてパラメータ更新を行うことである。ここで、詳細な説明を省略する。

１つの実施シーンにおいて、サンプル医用画像に、ラベル付け済み器官の実際領域が更に含まれてもよく、第１検出結果は、ラベル付け済み器官の第１予測領域を更に含んでもよく、第２検出結果は、ラベル付け済み器官の第２予測領域を更に含んでもよい。依然として、サンプル医用画像が腹部走査により得られた画像であることを例として、ラベル付けされていない器官は、腎臓、脾臓、膵臓を含み、ラベル付け済み器官は、肝臓を含むため、オリジナル検出モデルを利用してサンプル医用画像に対して検出を行い、ラベル付けされていない器官である腎臓に対応する第１予測領域、ラベル付けされていない器官である脾臓に対応する第１予測領域、ラベル付けされていない器官である膵臓に対応する第１予測領域及びラベル付け済み器官である肝臓に対応する第１予測領域を得ることができる。オリジナル検出モデルに対応する画像検出モデルを利用してサンプル医用画像に対して検出を行い、ラベル付けされていない器官である腎臓に対応する第２予測領域、ラベル付けされていない器官である脾臓に対応する第２予測領域、ラベル付けされていない器官である膵臓に対応する第２予測領域及びラベル付け済み器官である肝臓に対応する第２予測領域を得ることができる。従って、ラベル付けされていない器官とラベル付け済み器官の第１予測領域と実際領域の差異を利用して、オリジナル検出モデルの第１損失値を決定し、ラベル付けされていない器官の第１予測領域と対応する第２予測領域との差異を利用して、オリジナル検出モデルの第２損失値を決定することができる。依然として、サンプル医用画像が腹部走査により得られた画像であることを例として、ラベル付けされていない器官は、腎臓、脾臓、膵臓を含み、ラベル付け済み器官は、肝臓を含むため、ラベル付けされていない器官である腎臓に対応する第１予測領域と仮ラベル付けされた実際領域との差異、ラベル付けされていない器官である脾臓に対応する第１予測領域と仮ラベル付けされた実際領域との差異、ラベル付けされていない器官である膵臓に対応する第１予測領域と仮ラベル付けされた実際領域との差異及びラベル付け済み器官である肝臓に対応する第１予測領域と真のラベル付けされた実際領域との差異を利用して、オリジナル検出モデルの第１損失値を決定することができる。第１損失値は、焦点の第１損失値、集合類似度の第１損失値のうちの少なくとも１つを含んでもよく、上記ステップを参照することができ、ここで、詳細な説明を省略する。また、ラベル付けされていない器官である腎臓に対応する第１予測領域と第２予測領域との差異、ラベル付けされていない器官である脾臓に対応する第１予測領域と第２予測領域との差異、ラベル付けされていない器官である膵臓に対応する第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルの第２損失値を決定することもできる。第２損失値は、クロスエントロピー損失関数により算出されてもよく、上記ステップを参照することができ、ここで、詳細な説明を省略する。従って、オリジナル検出モデルの第１損失値を決定する過程において、第１予測領域と実際領域との差異を総合的に考慮し、オリジナル検出モデルの第２損失値を決定する過程において、ラベル付けされていない器官の第１予測領域と対応する第２予測領域との差異のみを考慮することで、オリジナル検出モデルと画像検出モデルとの一貫性制約のロバスト性を向上させることができ、更に、画像検出モデルの正確性を向上させることができる。

もう１つの実施シーンにおいて、オリジナル検出モデルのネットワークパラメータを調整した後、今回の訓練及びこの前の複数回の訓練時に調整したネットワークパラメータを利用して、画像検出モデルのネットワークパラメータを更新することで、複数回の訓練プロセスで仮ラベル付けした真実の領域によるネットワークパラメータの累積誤差を更に制約し、画像検出モデルの正確性を向上させることができる。また、オリジナル検出モデルのネットワークを調整した後、必要に応じて、画像検出モデルのネットワークパラメータを更新しなくてもよく、所定の回数（例えば、２回、３回など）の訓練を行った後、今回の訓練及びこの前の複数回の訓練時に調整したネットワークパラメータを利用して、画像検出モデルのネットワークパラメータを更新することもできる。ここで、これを限定しない。例えば、ｋ回目の訓練プロセスにおいて、画像検出モデルのネットワークパラメータを更新しなくてもよく、ｋ＋ｉ回目の訓練プロセスにおいて、オリジナル検出モデルのｋ＋ｉ－ｎ回目からｋ＋ｉ回目の訓練で調整したネットワークパラメータを利用して、画像検出モデルのネットワークパラメータを更新する。ここで、ｉは、実際の状況に応じて１以上の整数としてもよく、例えば、１、２、３などとしてもよく、ここで、これを限定しない。

可能な実施シーンにおいて、画像検出モデルのネットワークパラメータを更新するプロセスにおいて、今回の訓練及びこの前の複数回の訓練時に調整した、オリジナル検出モデルのネットワークパラメータの平均値を統計し、画像検出モデルのネットワークパラメータを対応するオリジナル検出モデルのネットワークの平均値に更新することができる。本願の実施例において、ネットワークパラメータの平均値は、同一のネットワークパラメータに対応する平均値であり、ここで、同一のニューロンに対応する、１つの重み（又はオフセット）を複数回の訓練プロセスで調整した数値の平均値であってもよい。従って、各ニューロンの各重み（又はオフセット）の複数回の訓練プロセスで調整した数値の平均値を統計により得ることができる。該平均値を利用して、画像検出モデルにおける対応するニューロンの対応する重み（又はオフセット）を更新する。例えば、今回の訓練は、ｋ回目の訓練であり、オリジナル検出モデルの今回の訓練及びこの前のｎ－１回の訓練で調整したネットワークの平均値を統計することができる。ここで、ｎの数値は、実際の適用状況に応じて設定されてもよい。例えば、５、１０、１５などとしてもよく、ここで、これを限定しない。従って、ｋ＋１回目の訓練プロセスにおいて、画像検出モデルのネットワークパラメータは、ｋ－ｎ＋１回目からｋ回目の訓練プロセスで調整したネットワークパラメータの平均値を利用して更新を行うことで得られたものである。これにより、複数回の訓練プロセスで生じる累積誤差を迅速に制約することに寄与し、画像検出モデルの正確性を向上させることができる。

また１つの実施シーンにおいて、所定の訓練終了条件を設定してもよい。所定の訓練終了条件を満たしない場合、上記ステップＳ１２及び後続のステップを再実行し、オリジナル検出モデルのネットワークパラメータを引き続き調整することができる。可能な実施シーンにおいて、所定の訓練終了条件は、現在の訓練回数が所定の回数閾値（例えば、５００回、１０００回など）に達することと、オリジナル検出モデルの損失値が所定の損失閾値未満であることと、のうちのいずれか１つを含んでもよく、ここで、これを限定しない。もう１つの可能な実施シーンにおいて、訓練を終了した後、画像検出モデルを利用して、検出対象医用画像に対して検出を行い、検出対象医用画像における複数の器官に対応する領域を直接的に得ることができ、更に、複数の単一器官を利用して検出対象医用画像に対してそれぞれ検出を行う操作を無くすことができる。従って、検出の演算量を低減させることができる。

上記技術的解決手段において、少なくとも１つのラベル付けされていない器官の実際領域が仮ラベル付けされているサンプル医用画像を取得することによって、サンプル医用画像において、多器官に対して真のラベル付けを行う必要がない。これにより、オリジナル検出モデルを利用して、サンプル医用画像に対して検出を行うことで、ラベル付けされていない器官の第１予測領域を含む第１検出結果を得て、画像検出モデルを利用して、サンプル医用画像に対して検出を行うことで、ラベル付けされていない器官の第２予測領域を含む第２検出結果を得て、更に、第１予測領域と実際領域との差異、及び第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルのネットワークパラメータを調整する。また、画像検出モデルのネットワークパラメータは、オリジナル検出モデルのネットワークパラメータに基づいて決定されたものである。従って、画像検出モデルにより、オリジナル検出モデルの訓練を指導し、複数回の訓練プロセスで仮ラベル付けした真実の領域によるネットワークパラメータの累積誤差を制約し、画像検出モデルの正確性を向上させることができる。これにより、画像検出モデルは、オリジナル検出モデルの訓練を正確に指導することができ、それによって、オリジナル検出モデルは、訓練プロセスにおいてそのネットワークパラメータを正確に調整することができる。従って、多器官検出プロセスにおいて、画像検出モデルによる検出の正確性を向上させることができる。

図２を参照すると、図２は、図１におけるステップＳ１１の一実施例を示すフローチャートである。ここで、図２は、サンプル医用画像の取得の一実施例を示すフローチャートである。これは、下記ステップを含む。

Ｓ１１１において、仮ラベル付け対象医用画像を取得し、仮ラベル付け対象医用画像に、少なくとも１つのラベル付けされていない器官が存在する。

仮ラベル付け対象医用画像は、腹部走査により得られたものであってもよい。仮ラベル付け対象医用画像におけるラベル付けされていない器官は、腎臓、脾臓、膵臓などを含んでもよい。仮ラベル付け対象医用画像は、例えば、胸部、脳などのような他の部位を走査することで得られたものであってもよい。前記実施例における関連ステップを参照することができ、ここで、これを限定しない。

１つの実施シーンにおいて、収集されたオリジナル医用画像は、三次元医用画像であってもよい。例えば、三次元ＣＴ画像、三次元ＭＲ画像であってもよく、ここで、これを限定しない。従って、三次元医用画像に対して前処理を行い、前処理後の三次元医用画像に対してトリミング処理を行い、少なくとも１つの仮ラベル付け対象医用画像を得ることができる。トリミング処理は、前処理後の三次元医用画像に対して中心トリミングを行うことであってもよく、ここで、これを限定しない。例えば、三次元医用画像に平行する１つの平面に沿って、該平面に垂直する次元でトリミングを行い、二次元の仮ラベル付け対象医用画像を得ることができる。仮ラベル付け対象医用画像のサイズは、実際の状況に応じて設定されてもよく、例えば、３５２＊３５２であってもよく、ここで、これを限定しない。

１つの可能な実施シーンにおいて、前処理は、三次元医用画像のボクセル解像度を所定の解像度に調整することを含んでもよい。三次元医用画像のボクセルは、三次元空間で三次元医用画像を分割するための最小単位であり、所定の解像度は、１＊１＊３ｍｍであってもよい。所定の解像度は、実際の状況に応じて他の解像度としてもよく、例えば、１＊１＊４ｍｍ、２＊２＊３ｍｍなどとしてもよい。ここで、これを限定しない。三次元医用画像のボクセル解像度を所定の解像度に調整することで、後続のモデル予測処理に寄与する。

もう１つの可能な実施シーンにおいて、前処理は、所定ウインドウ値を利用して、三次元医用画像のボクセル値を所定の範囲内に正規化することを更に含んでもよい。ボクセル値は、三次元移動画像によって、異なる数値であってもよい。例えば、三次元ＣＴ画像について言えば、ボクセル値は、Ｈｕ（ｈｏｕｎｓ ｆｉｅｌｄ ｕｎｉｔ：ハンスフィールドユニット）値であってもよい。所定ウインドウ値は、三次元医用画像に対応する部位に応じて設定されてもよい。依然として三次元ＣＴ画像を例とする。腹部ＣＴについて言えば、所定ウインドウ値は、－１２５から２７５としてもよい。他の部位は、実際の状況に応じて設定されてもよい。ここで、一々列挙しない。所定の範囲は、実際の適用に応じて設定されてもよい。例えば、所定の範囲は、０から１としてもよい。依然として三次元ＣＴ画像を例とする。腹部ＣＴについて言えば、所定ウインドウ値は、－１２５から２７５としてもよいため、所定の範囲が０から１である場合、ボクセル値が－１２５以下であるボクセルを、ボクセル値が０であるものに統一的にリセットしてもよく、ボクセル値が２７５以上であるボクセルを、ボクセル値が１であるものに統一的にリセットしてもよく、ボクセル値が－１２５から２７５であるボクセルを、ボクセル値が０から１であるものにリセットしてもよい。これにより、画像内の異なる器官間のコントラストの補強に寄与し、更に、モデルにより抽出される特徴の正確性を向上させることができる。

また１つの実施シーンにおいて、前処理は、三次元医用画像の少なくとも一部のボクセルにガウス雑音を加えることを更に含んでもよい。少なくとも一部のボクセルは、実際の適用に応じて設定されてもよい。例えば、三次元医用画像の１／３のボクセル、三次元医用画像の１／２のボクセル又は三次元医用画像の全てのボクセルであってもよく、ここで、これを限定しない。三次元医用画像の少なくとも一部のボクセルにガウス雑音を加えることで、後続で、三次元医用画像及びガウス雑音を加えていない三次元医用画像を基に、トリミング処理を行って二次元の仮ラベル付け対象医用画像を得ることができる。従って、データ拡張の実現に寄与し、データの多様性を向上させ、後続のモデル訓練の正確性を向上させることができる。

ステップＳ１１２において、各ラベル付けされていない器官に対応する単一器官検出モデルをそれぞれ利用して、仮ラベル付け対象医用画像に対して検出を行い、各ラベル付けされていない器官の器官予測領域を得る。

１つの実施シーンにおいて、各ラベル付けされていない器官に対応する単一器官検出モデルは、ラベル付けされていない器官をラベル付けした単一器官データ集合を利用して訓練を行うことで得られたものである。例えば、腎臓に対応する単一器官検出モデルは、腎臓をラベル付けした単一器官データ集合を利用して訓練を行うことで得られたものであってもよい。脾臓に対応する単一器官検出モデルは、脾臓をラベル付けした単一器官データ集合を利用して訓練を行うことで得られたものであってもよい。この器官は、このように類推してもよく、ここで、一々列挙しない。

もう１つの実施シーンにおいて、仮ラベル付け対象医用画像に、少なくとも１つのラベル付け済み器官が含まれてもよい。従って、ラベル付け済み器官を含む仮ラベル付け対象医用画像を利用して、仮ラベル付け対象医用画像におけるラベル付け済み器官に対応する単一器官検出モデルに対して訓練を行い、対応する単一器官検出モデルを得ることができる。例えば、仮ラベル付け対象医用画像に、ラベル付け済みの肝臓が含まれ、その場合、ラベル付け済み肝臓を含む仮ラベル付け対象医用画像を利用して、肝臓に対応する単一器官検出モデルに対して訓練を行い、肝臓に対応する単一器官検出モデルを得ることができる。他の器官は、このように類推してもよく、ここで、一々列挙しない。

また、単一器官検出モデルは、Ｍａｓｋ Ｒ－ＣＮＮ（Ｍａｓｋ Ｒｅｇｉｏｎ ｗｉｔｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＦＣＮ（Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ：完全畳み込みネットワーク）、ＰＳＰ－ｎｅｔ（Ｐｙｒａｍｉｄ Ｓｃｅｎｅ Ｐａｒｓｉｎｇ Ｎｅｔｗｏｒｋ：ピラミッドシーン分析ネットワーク）のうちのいずれか１つを含んでもよい。又は、単一器官検出モデルは、ｓｅｔ－ｎｅｔ、Ｕ－ｎｅｔ等であってもよく、実際の状況に応じて設定してもよく、ここで、これを限定しない。

各ラベル付けされていない器官に対応する単一器官検出モデルを利用して、仮ラベル付け対象医用画像に対して検出を行うことで、各ラベル付けされていない器官の器官予測領域を得ることができる。仮ラベル付け対象医用画像が腹部走査により得られた画像であることを例として、ラベル付けされていない器官は、腎臓、脾臓、膵臓を含み、腎臓に対応する単一器官検出モデルを利用して、仮ラベル付け対象医用画像に対して検出を行い、腎臓の器官予測領域を得ることができる。脾臓に対応する単一器官検出モデルを利用して、仮ラベル付け対象医用画像に対して検出を行い、脾臓の器官予測領域を得ることができる。膵臓に対応する単一器官検出モデルを利用して、仮ラベル付け対象医用画像に対して検出を行い、膵臓の器官予測領域を得ることができる。各ラベル付けされていない器官に対応する単一器官検出モデルを利用して、仮ラベル付け対象医用画像に対して検出を行う上記ステップは同時に実行されてもよい。最終的に、各ラベル付けされていない器官の器官予測領域に対して、仮ラベル付け対象医用画像において仮ラベル付けを行えばよい。これにより、仮ラベル付けの効率を向上させることができる。例えば、腎臓に対応する単一器官検出モデルを利用して仮ラベル付け対象医用画像に対して検出を行うステップ、脾臓に対応する単一器官検出モデルを利用して仮ラベル付け対象医用画像に対して検出を行うステップ、及び膵臓に対応する単一器官検出モデルを利用して仮ラベル付け対象医用画像に対して検出を行うステップを同時に実行し、最終的に、仮ラベル付け対象医用画像において、腎臓、脾臓及び膵臓の予測領域に対して仮ラベル付けを行えばよい。又は、各ラベル付けされていない器官に対応する単一器官検出モデルを利用して、仮ラベル付け対象医用画像に対して検出を行うステップは、順次実行されてもよい。これにより、各ラベル付けされていない器官の器官予測領域を仮ラベル付け対象医用画像において仮ラベル付けする必要がない。例えば、腎臓に対応する単一器官検出モデルを利用して仮ラベル付け対象医用画像に対して検出を行うステップ、脾臓に対応する単一器官検出モデルを利用して仮ラベル付け対象医用画像に対して検出を行うステップ、及び膵臓に対応する単一器官検出モデルを利用して仮ラベル付け対象医用画像に対して検出を行うステップを順次実行してもよい。最終的に得られた仮ラベル付け対象医用画像に、腎臓、脾臓及び膵臓の単一器官予測領域が含まれる。実際の状況に応じて設定されてもよい。ここで、これを限定しない。

ステップＳ１１３において、ラベル付けされていない器官の器官予測領域を、ラベル付けされていない器官の実際領域として仮ラベル付けし、仮ラベル付けした仮ラベル付け対象医用画像をサンプル医用画像とする。

各ラベル付けされていない器官の器官予測領域を得た後、ラベル付けされていない器官の実際領域として仮ラベル付けし、仮ラベル付けした仮ラベル付け対象医用画像をサンプル医用画像とすることができる。

前記実施例と異なっており、少なくとも１つのラベル付けされていない器官が存在する仮ラベル付け対象医用画像を取得し、各ラベル付けされていない器官に対応する単一器官検出モデルを利用して、仮ラベル付け対象医用画像に対して検出を行い、各ラベル付けされていない器官の器官予測領域を得て、ラベル付けされていない器官の器官予測領域を、ラベル付けされていない器官の実際領域として仮ラベル付けし、仮ラベル付けした仮ラベル付け対象医用画像をサンプル医用画像とすることで、単一器官検出モデルを利用して、多器官に対する手動ラベル付け作業を無くすことができ、多器官検出のための画像検出モデルの訓練の人件費の低減に寄与し、訓練効率を向上させることができる。

図３を参照すると、図３は、本願の実施例による画像検出モデルの訓練方法のもう１つの実施例を示すフローチャートである。ここで、下記ステップを含んでもよい。

ステップＳ３１において、サンプル医用画像を取得し、サンプル医用画像において、少なくとも１つのラベル付けされていない器官の実際領域が仮ラベル付けされている。

ここで、ステップＳ３１は、前記実施例における関連ステップを参照することができる。

ステップＳ３２において、第１オリジナル検出モデル及び第２オリジナル検出モデルをそれぞれ利用して、サンプル医用画像に対して検出を行って第１検出結果を得るステップを実行する。

オリジナル検出モデルは、第１オリジナル検出モデルと、第２オリジナル検出モデルと、を含んでもよい。第１オリジナル検出モデルは、Ｍａｓｋ Ｒ－ＣＮＮ（Ｍａｓｋ Ｒｅｇｉｏｎ ｗｉｔｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＦＣＮ（Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ：完全畳み込みネットワーク）、ＰＳＰ－ｎｅｔ（Ｐｙｒａｍｉｄ Ｓｃｅｎｅ Ｐａｒｓｉｎｇ Ｎｅｔｗｏｒｋ：ピラミッドシーン分析ネットワーク）のうちのいずれか１つを含んでもよい。また、第１オリジナル検出モデルは、ｓｅｔ－ｎｅｔ、Ｕ－ｎｅｔなどであってもよく、実際の状況に応じて設定されてもよく、ここで、これを限定しない。第２オリジナル検出モデルは、Ｍａｓｋ Ｒ－ＣＮＮ（Ｍａｓｋ Ｒｅｇｉｏｎ ｗｉｔｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＦＣＮ（Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ：完全畳み込みネットワーク）、ＰＳＰ－ｎｅｔ（Ｐｙｒａｍｉｄ Ｓｃｅｎｅ Ｐａｒｓｉｎｇ Ｎｅｔｗｏｒｋ：ピラミッドシーン分析ネットワーク）のうちのいずれか１つを含んでもよい。また、第２オリジナル検出モデルは、ｓｅｔ－ｎｅｔ、Ｕ－ｎｅｔなどであってもよく、実際の状況に応じて設定されてもよく、ここで、これを限定しない。

第１オリジナル検出モデル及び第２オリジナル検出モデルを利用して、サンプル医用画像に対して検出を行って第１検出結果を得るステップは、前記実施例における関連ステップを参照することができ、ここで、詳細な説明を省略する。１つの実施シーンにおいて、第１オリジナル検出モデルにより検出を行うことで得られた第１検出結果は、ラベル付けされていない器官の第１予測領域を含んでもよく、又は、第１オリジナル検出モデルにより検出を行うことで得られた第１検出結果は、ラベル付けされていない器官の第１予測領域及びラベル付け済み器官の第１予測領域を更に含んでもよい。もう１つの実施シーンにおいて、第２オリジナル検出モデルにより検出を行うことで得られた第１検出結果は、ラベル付けされていない器官の第１予測領域を含んでもよく、又は、第２オリジナル検出モデルにより検出を行うことで得られた第１検出結果は、ラベル付けされていない器官の第１予測領域及びラベル付け済み器官の第１予測領域を更に含んでもよい。

図４を参照すると、図４は、画像検出モデルの訓練プロセスの一実施例を示す概略図である。図４に示すように、説明しやすくするために、第１オリジナル検出モデルは、ｎｅｔ１で表され、第２オリジナル検出モデルは、ｎｅｔ２で表される。図４に示すように、第１オリジナル検出モデルｎｅｔ１は、サンプル医用画像に対して検出を行い、第１オリジナル検出モデルｎｅｔ１に対応する第１検出結果を得て、第２オリジナル検出モデルｎｅｔ２は、サンプル医用画像に対して検出を行い、第２オリジナル検出モデルｎｅｔ２に対応する第１検出結果を得る。

ステップＳ３３において、第１画像検出モデル及び第２画像検出モデルをそれぞれ利用して、サンプル医用画像に対して検出を行って第２検出結果を得るステップを実行する。

画像検出モデルは、第１オリジナル検出モデルに対応する第１画像検出モデル及び第２オリジナル検出モデルに対応する第２画像検出モデルを含んでもよい。第１画像検出モデル及び第２画像検出モデルのネットワーク構造、ネットワークパラメータは、前記実施例における関連ステップを参照することができ、ここで、詳細な説明を省略する。

第１画像検出モデル及び第２画像検出モデルを利用して、サンプル医用画像に対して検出を行って第２検出結果を得るステップは、前記実施例における関連ステップを参照することができ、ここで、詳細な説明を省略する。１つの実施シーンにおいて、第１画像検出モデルにより検出を行うことで得られた第２検出結果は、ラベル付けされていない器官の第２予測領域を含んでもよく、又は、第１画像検出モデルにより検出を行うことで得られた第２検出結果は、ラベル付けされていない器官の第２予測領域及びラベル付け済み器官の第２予測領域を更に含んでもよい。もう１つの実施シーンにおいて、第２画像検出モデルにより検出を行うことで得られた第２検出結果は、ラベル付けされていない器官の第２予測領域を含んでもよく、又は、第２画像検出モデルにより検出を行うことで得られた第２検出結果は、ラベル付けされていない器官の第２予測領域及びラベル付け済み器官の第２予測領域を更に含んでもよい。

図４を参照すると、説明しやすくするために、第１オリジナル検出モデルｎｅｔ１に対応する第１画像検出モデルは、ＥＭＡ ｎｅｔ１で表され、第２オリジナル検出モデルｎｅｔ２に対応する第２画像検出モデルは、ＥＭＡ ｎｅｔ２で表される。図４に示すように、第１画像検出モデルはＥＭＡ ｎｅｔ１は、サンプル医用画像に対して検出を行い、第１画像検出モデルＥＭＡ ｎｅｔ１に対応する第２検出結果を得て、第２画像検出モデルＥＭＡ ｎｅｔ２は、サンプル医用画像に対して検出を行い、第２画像検出モデルＥＭＡ ｎｅｔ２に対応する第２検出結果を得る。

１つの実施シーンにおいて、上記ステップＳ３２及びステップＳ３３は、優先順位に応じて実行されてもよい。例えば、ステップＳ３２を実行した後に、ステップＳ３３を実行する。又は、ステップＳ３３を実行した後に、ステップＳ３２を実行する。もう１つの実施シーンにおいて、上記ステップＳ３２とステップＳ３３を同時に実行してもよい。実際の適用に応じて設定されてもよく、ここで、これを限定しない。

ステップＳ３４において、第１オリジナル検出モデルの第１予測領域と実際領域との差異、及び第１オリジナル検出モデルの第１予測領域と第２画像検出モデルの第２予測領域との差異を利用して、第１オリジナル検出モデルのネットワークパラメータを調整する。

ここで、第１オリジナル検出モデルの第１予測領域と仮ラベル付けされた実際領域との差異を利用して、第１オリジナル検出モデルの第１損失値を決定し、第１オリジナル検出モデルの第１予測領域と第２画像検出モデルの第２予測領域との差異を利用して、第１オリジナル検出モデルの第２損失値を決定し、第１損失値及び第２損失値を利用して、第１オリジナル検出モデルのネットワークパラメータを調整することができる。第１損失値及び第２損失値の算出方式は、前記実施例における関連ステップを参照することができ、ここで、詳細な説明を省略する。可能な実施シーンにおいて、第２損失値を算出するプロセスにおいて、ラベル付けされていない器官の第１予測領域と第２予測領域との差異のみを考慮することで、第１オリジナル検出モデルと第２画像検出モデルとの一貫性制約のロバスト性を向上させることができ、更に、画像検出モデルの正確性を向上させることができる。

ステップＳ３５において、第２オリジナル検出モデルの第１予測領域と実際領域との差異、及び第２オリジナル検出モデルの第１予測領域と第１画像検出モデルの第２予測領域との差異を利用して、第２オリジナル検出モデルのネットワークパラメータを調整する。

ここで、第２オリジナル検出モデルの第１予測領域と仮ラベル付けされた実際領域との差異を利用して、第２オリジナル検出モデルの第１損失値を決定し、第２オリジナル検出モデルの第１予測領域と第１画像検出モデルの第２予測領域との差異を利用して、第２オリジナル検出モデルの第２損失値を決定することで、第１損失値及び第２損失値を利用して、第２オリジナル検出モデルのネットワークパラメータを調整することができる。第１損失値及び第２損失値の算出方式は、前記実施例における関連ステップを参照することができ、ここで、詳細な説明を省略する。可能な実施シーンにおいて、第２損失値を算出するプロセスにおいて、ラベル付けされていない器官の第１予測領域と第２予測領域との差異のみを考慮することで、第２オリジナル検出モデルと第１画像検出モデルとの一貫性制約のロバスト性を向上させることができ、更に、画像検出モデルの正確性を向上させることができる。

１つの実施シーンにおいて、上記ステップＳ３４及びステップＳ３５は、優先順位に応じて実行されてもよい。例えば、ステップＳ３４を実行した後に、ステップＳ３５を実行する。又は、ステップＳ３５を実行した後に、ステップＳ３４を実行する。もう１つの実施シーンにおいて、上記ステップＳ３４とステップＳ３５を同時に実行してもよい。実際の適用に応じて設定されてもよく、ここで、これを限定しない。

ステップＳ３６において、第１オリジナル検出モデルの今回の訓練及びこの前の複数回の訓練時に調整したネットワークパラメータを利用して、第１画像検出モデルのネットワークパラメータを更新する。

ここで、今回の訓練及びこの前の複数回の訓練時に調整した、第１オリジナル検出モデルのネットワークパラメータの平均値を統計し、第１画像検出モデルのネットワークパラメータを対応する第１オリジナル検出モデルのネットワークパラメータの平均値に更新することができる。前記実施例における関連ステップを参照することができ、ここで、詳細な説明を省略する。

図４に示すように、第１オリジナル検出モデルｎｅｔ１の今回の訓練及びこの前の複数回の訓練時に調整したネットワークパラメータの平均値を統計し、第１画像検出モデルＥＭＡ ｎｅｔ１ のネットワークパラメータを第１オリジナル検出モデルｎｅｔ１のネットワークパラメータの平均値に更新することができる。

ステップＳ３７において、第２オリジナル検出モデルの今回の訓練及びこの前の複数回の訓練時に調整したネットワークパラメータを利用して、第２画像検出モデルのネットワークパラメータを更新する。

ここで、今回の訓練及びこの前の複数回の訓練時に調整した、第２オリジナル検出モデルのネットワークパラメータの平均値を統計し、第２画像検出モデルのネットワークパラメータを対応する第２オリジナル検出モデルのネットワークパラメータの平均値に更新することができる。前記実施例における関連ステップを参照することができ、ここで、詳細な説明を省略する。

図４に示すように、第２オリジナル検出モデルｎｅｔ２の今回の訓練及びこの前の複数回の訓練時に調整したネットワークパラメータの平均値を統計し、第２画像検出モデルＥＭＡ ｎｅｔ２のネットワークパラメータを第２オリジナル検出モデルｎｅｔ２のネットワークパラメータの平均値に更新することができる。

１つの実施シーンにおいて、上記ステップＳ３６及びステップＳ３７は、優先順位に応じて実行されてもよい。例えば、ステップＳ３６を実行した後に、ステップＳ３７を実行する。又は、ステップＳ３７を実行した後に、ステップＳ３６を実行する。もう１つの実施シーンにおいて、上記ステップＳ３６とステップＳ３７を同時に実行してもよい。実際の適用に応じて設定されてもよく、ここで、これを限定しない。

１つの実施シーンにおいて、第１画像検出モデル及び第２画像検出モデルのネットワークパラメータを更新した後、所定の訓練終了条件を満たしない場合、上記ステップＳ３２及び後続のステップを繰り返して実行し、第１オリジナル検出モデル及び第２オリジナル検出モデルのネットワークパラメータを引き続き調整し、第１オリジナル検出モデルに対応する第１画像検出モデルのネットワークパラメータ及び第２オリジナル検出モデルに対応する第２画像検出モデルのネットワークパラメータを更新することができる。可能な実施シーンにおいて、所定の訓練終了条件は、現在の訓練回数が所定の回数閾値（例えば、５００回、１０００回など）に達することと、第１オリジナル検出モデル及び第２オリジナル検出モデルの損失値が所定の損失閾値未満であることと、のうちのいずれか１つを含んでもよく、ここで、これを限定しない。もう１つの可能なシーンにおいて、訓練を終了した後、第１画像検出モデル、第２画像検出モデルのうちのいずれか１つを後続の画像検出ネットワークモデルとすることで、検出対象医用画像における複数の器官に対応する領域を直接的に得ることができ、更に、複数の単一器官を利用して検出対象医用画像に対してそれぞれ検出を行う操作を無くすことができる。従って、検出の演算量を低減させることができる。

前記実施例と異なっており、オリジナル検出モデルを、第１オリジナル検出モデル及び第２オリジナル検出モデルを含むように設定し、画像検出モデルを、第１オリジナル検出モデルに対応する第１画像検出モデル及び第２オリジナル検出モデルに対応する第２画像検出モデルを含むように設定し、第１オリジナル検出モデル及び第２オリジナル検出モデルをそれぞれ利用して、サンプル医用画像に対して検出を行って第１検出結果を得るステップを実行し、第１画像検出モデル及び第２画像検出モデルをそれぞれ利用して、サンプル医用画像に対して検出を行って第２検出結果を得るステップを実行し、第１オリジナル検出モデルの第１予測領域と実際領域との差異、及び第１オリジナル検出モデルの第１予測領域と第２画像検出モデルの第２予測領域との差異を利用して、第１オリジナル検出モデルのネットワークパラメータを調整し、第２オリジナル検出モデルの第１予測領域と実際領域との差異、及び第２オリジナル検出モデルの第１予測領域と第１画像検出モデルの第２予測領域との差異を利用して、第２オリジナル検出モデルのネットワークパラメータを調整する。従って、第１オリジナル検出モデルに対応する第１画像検出モデルを利用して、第２オリジナル検出モデルの訓練を指導し、第２オリジナル検出モデルに対応する第２画像検出モデルを利用し、第１オリジナル検出モデルの訓練を指導する。複数回の訓練プロセスで仮ラベル付けした真実の領域によるネットワークパラメータの累積誤差を制約し、画像検出モデルの正確性を向上させることができる。

図５を参照すると、図５は、本願の実施例による画像検出方法の一実施例を示すフローチャートである。ここで、下記ステップを含んでもよい。

ステップＳ５１において、検出対象医用画像を取得し、検出対象医用画像に複数の器官が含まれる。

検出対象医用画像は、ＣＴ画像、ＭＲ画像を含んでもよく、ここで、これを限定しない。可能な実施シーンにおいて、検出対象医用画像は、腹部、胸部、脳などの部位を走査することで得られたものであってもよく、実際の適用状況に応じて設定されてもよく、ここで、限定しない。例えば、腹部を走査する場合、検出対象医用画像における器官は、腎臓、脾臓、肝臓、膵臓などを含んでもよい。又は、胸部を走査する場合、検出対象医用画像における器官は、心臓、肺葉、甲状腺などを含んでもよい。又は、脳を走査する場合、検出対象医用画像における器官は、脳幹、小脳、間脳、終脳などを含んでもよい。

ステップＳ５２において、画像検出モデルを利用して、検出対象医用画像に対して検出を行い、複数の器官の予測領域を得る。

画像検出モデルは、上記いずれか１つの画像検出モデルの訓練方法の実施例におけるステップで訓練を行うことで得られたものである。前記実施例における関連ステップを参照することができ、ここで、詳細な説明を省略する。画像検出モデルを利用して、検出対象医用画像に対して検出を行い、複数の器官の予測領域を直接的に得ることができ、更に、複数単一器官検出モデルを利用して検出対象医用画像に対してそれぞれ検出を行う操作を無くすことができる。従って、検出の演算量を低減させることができる。

上記技術的解決手段において、上記いずれか１つの画像検出モデルの訓練方法の実施例におけるステップで訓練を行うことで得られた画像検出モデルを利用して、検出対象医用画像に対して検出を行い、複数の器官の予測領域を得ることで、多器官検出の過程において、検出の正確性を向上させることができる。

図６を参照すると、図６は、本願の実施例による画像検出モデルの訓練装置の一実施例のフレームワークを示す概略図である。画像検出モデルの訓練装置６０は、画像取得モジュール６１と、第１検出モジュール６２と、第２検出モジュール６３と、パラメータ調整モジュール６４と、を備え、画像取得モジュール６１は、サンプル医用画像を取得するように構成され、サンプル医用画像に、少なくとも１つのラベル付けされていない器官の実際領域が仮ラベル付けされており、第１検出モジュール６２は、オリジナル検出モデルを利用して、サンプル医用画像に対して検出を行い、第１検出結果を得るように構成され、第１検出結果は、ラベル付けされていない器官の第１予測領域を含み、第２検出モジュール６３は、画像検出モデルを利用して、サンプル医用画像に対して検出を行い、第２検出結果を得るように構成され、第２検出結果は、ラベル付けされていない器官の第２予測領域を含み、画像検出モデルのネットワークパラメータは、オリジナル検出モデルのネットワークパラメータに基づいて決定されたものであり、パラメータ調整モジュール６４は、第１予測領域と実際領域との差異、及び第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルのネットワークパラメータを調整するように構成される。

上記技術的解決手段において、少なくとも１つのラベル付けされていない器官の実際領域が仮ラベル付けされているサンプル医用画像を取得することによって、サンプル医用画像において、多器官に対して真のラベル付けを行う必要がない。これにより、オリジナル検出モデルを利用して、サンプル医用画像に対して検出を行うことで、ラベル付けされていない器官の第１予測領域を含む第１検出結果を得て、画像検出モデルを利用して、サンプル医用画像に対して検出を行うことで、ラベル付けされていない器官の第２予測領域を含む第２検出結果を得て、更に、第１予測領域と実際領域との差異、及び第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルのネットワークパラメータを調整する。また、画像検出モデルのネットワークパラメータは、オリジナル検出モデルのネットワークパラメータに基づいて決定されたものである。従って、画像検出モデルにより、オリジナル検出モデルの訓練を指導し、複数回の訓練プロセスで仮ラベル付けした真実の領域によるネットワークパラメータの累積誤差を制約し、画像検出モデルの正確性を向上させることができる。これにより、画像検出モデルは、オリジナル検出モデルの訓練を正確に指導することができ、それによって、オリジナル検出モデルは、訓練プロセスにおいてそのネットワークパラメータを正確に調整することができる。従って、多器官検出プロセスにおいて、画像検出モデルによる検出の正確性を向上させることができる。

幾つかの実施例において、オリジナル検出モデルは、第１オリジナル検出モデルと、第２オリジナル検出モデルと、を含み、画像検出モデルは、第１オリジナル検出モデルに対応する第１画像検出モデルと、第２オリジナル検出モデルに対応する第２画像検出モデルと、を含み、第１検出モジュール６２は更に、第１オリジナル検出モデル及び第２オリジナル検出モデルをそれぞれ利用して、サンプル医用画像に対して検出を行って第１検出結果を得るステップを実行するように構成され、第２検出モジュール６３は更に、第１画像検出モデル及び第２画像検出モデルをそれぞれ利用して、サンプル医用画像に対して検出を行って第２検出結果を得るステップを実行するように構成され、パラメータ調整モジュール６４は更に、第１オリジナル検出モデルの第１予測領域と実際領域との差異、及び第１オリジナル検出モデルの第１予測領域と第２画像検出モデルの第２予測領域との差異を利用して、第１オリジナル検出モデルのネットワークパラメータを調整するように構成され、パラメータ調整モジュール６４は更に、第２オリジナル検出モデルの第１予測領域と実際領域との差異、及び第２オリジナル検出モデルの第１予測領域と第１画像検出モデルの第２予測領域との差異を利用して、第２オリジナル検出モデルのネットワークパラメータを調整するように構成される。

前記実施例と異なっており、オリジナル検出モデルを、第１オリジナル検出モデル及び第２オリジナル検出モデルを含むように設定し、画像検出モデルを、第１オリジナル検出モデルに対応する第１画像検出モデル及び第２オリジナル検出モデルに対応する第２画像検出モデルを含むように設定し、第１オリジナル検出モデル及び第２オリジナル検出モデルをそれぞれ利用して、サンプル医用画像に対して検出を行って第１検出結果を得るステップを実行し、第１画像検出モデル及び第２画像検出モデルをそれぞれ利用して、サンプル医用画像に対して検出を行って第２検出結果を得るステップを実行し、第１オリジナル検出モデルの第１予測領域と実際領域との差異、及び第１オリジナル検出モデルの第１予測領域と第２画像検出モデルの第２予測領域との差異を利用して、第１オリジナル検出モデルのネットワークパラメータを調整し、第２オリジナル検出モデルの第１予測領域と実際領域との差異、及び第２オリジナル検出モデルの第１予測領域と第１画像検出モデルの第２予測領域との差異を利用して、第２オリジナル検出モデルのネットワークパラメータを調整する。従って、第１オリジナル検出モデルに対応する第１画像検出モデルを利用して、第２オリジナル検出モデルの訓練を指導し、第２オリジナル検出モデルに対応する第２画像検出モデルを利用し、第１オリジナル検出モデルの訓練を指導する。複数回の訓練プロセスで仮ラベル付けした真実の領域によるネットワークパラメータの累積誤差を制約し、画像検出モデルの正確性を向上させることができる。

幾つかの実施例において、パラメータ調整モジュール６４は、第１予測領域と実際領域との差異を利用して、オリジナル検出モデルの第１損失値を決定するように構成される第１損失決定サブモジュールを備え、パラメータ調整モジュール６４は、第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルの第２損失値を決定するように構成される第２損失決定サブモジュールを備え、パラメータ調整モジュール６４は、第１損失値及び第２損失値を利用して、オリジナル検出モデルのネットワークパラメータを調整するように構成されるパラメータ調整サブモジュールを備える。

前記実施例と異なっており、第１予測領域と実際領域との差異を利用して、オリジナル検出モデルの第１損失値を決定し、第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルの第２損失値を決定し、第１損失値及び第２損失値を利用して、オリジナル検出モデルのネットワークパラメータを調整することで、オリジナル検出モデルから予測された第１予測領域と仮ラベル付けされた実際領域との差異、及び第１予測領域と対応する画像検出モデルから予測された第２予測領域との差異という２つの次元で、オリジナル検出モデルの損失を評価する。損失演算の正確性の向上に寄与し、オリジナル検出モデルのネットワークパラメータの正確性の向上に寄与し、更に、画像検出モデルの正確性の向上に寄与する。

幾つかの実施例において、第１損失決定サブモジュールは、焦点損失関数を利用して第１予測領域及び実際領域に対して処理を行い、焦点の第１損失値を得るように構成される焦点損失決定ユニットを備え、第１損失決定サブモジュールは、集合類似度損失関数を利用して第１予測領域及び実際領域に対して処理を行い、集合類似度の第１損失値を得るように構成される集合類似度損失決定ユニットを備え、第２損失決定サブモジュールは更に、一致性損失関数を利用して第１予測領域及び第２予測領域に対して処理を行い、第２損失値を得るように構成され、パラメータ調整サブモジュールは、第１損失値及び第２損失値に対して重み付け処理を行い、重み付け損失値を得るように構成される重み付け処理ユニットを備え、パラメータ調整サブモジュールは、重み付け損失値を利用して、オリジナル検出モデルのネットワークパラメータを調整するように構成されるパラメータ調整ユニットを備える。

前記実施例と異なっており、焦点損失関数を利用して、第１予測領域及び実際領域に対して処理して焦点の第１損失値を得ることで、難しいサンプルに対するモデルの注目度を向上させることができ、画像検出モデルの正確性の向上に寄与する。集合類似度損失関数を利用して、第１予測領域及び実際領域に対して処理を行い、集合類似度の第１損失値を得ることで、モデルが、仮ラベル付けされた実際領域をフィッティングすることができるようになり、画像検出モデルの正確性の向上に寄与する。一致性損失関数を利用して第１予測領域及び第２予測領域に対して処理を行い、第２損失値を得ることで、オリジナルモデルによる予測と画像検出モデルによる予測との一致性を向上させ、更に、画像検出モデルの正確性の向上に寄与する。第１損失値及び第２損失値に対して重み付け処理を行い、重み付け損失値を得て、重み付け損失値を利用して、オリジナル検出モデルのネットワークパラメータを調整することで、訓練プロセスにおける各損失値の重要度のバランスを取ることができ、ネットワークパラメータの正確性を向上させ、更に、画像検出モデルの正確性の向上に寄与する。

幾つかの実施例において、サンプル医用画像に、ラベル付け済み器官の実際領域が更に含み、第１検出結果は、ラベル付け済み器官の第１予測領域を更に含み、第２検出結果は、ラベル付け済み器官の第２予測領域を更に含む。第１損失決定サブモジュールは更に、ラベル付けされていない器官とラベル付け済み器官の第１予測領域と実際領域の差異を利用して、オリジナル検出モデルの第１損失値を決定するように構成され、第２損失決定サブモジュールは更に、ラベル付けされていない器官の第１予測領域と対応する第２予測領域との差異を利用して、オリジナル検出モデルの第２損失値を決定するように構成される。

前記実施例と異なっており、サンプル医用画像に、ラベル付け済み器官の実際領域を設定し、また、第１検出結果に、ラベル付け済み器官の第１予測領域が更に含まれ、第２検出結果に、ラベル付け済み器官の第２予測領域が更に含まれ、オリジナル検出モデルの第１損失値を決定する過程において、第１予測領域と実際領域との差異を総合的に考慮し、オリジナル検出モデルの第２損失値を決定する過程において、ラベル付けされていない器官の第１予測領域と対応する第２予測領域との差異のみを考慮することで、オリジナル検出モデルと画像検出モデルとの一貫性制約のロバスト性を向上させることができ、更に、画像検出モデルの正確性を向上させることができる。

幾つかの実施例において、画像検出モデルの訓練装置６０は、今回の訓練及びこの前の複数回の訓練時に調整したネットワークパラメータを利用して、画像検出モデルのネットワークパラメータを更新するように構成されるパラメータ更新モジュールを更に備える。

前記実施例と異なっており、今回の訓練及びこの前の複数回の訓練時に調整した、オリジナル検出モデルのネットワークパラメータを利用して、画像検出モデルのネットワークパラメータを更新することで、複数回の訓練プロセスで仮ラベル付けした真実の領域によるネットワークパラメータの累積誤差を更に制約し、画像検出モデルの正確性を向上させることができる。

幾つかの実施例において、今回の訓練及びこの前の複数回の訓練時に調整した、オリジナル検出モデルのネットワークパラメータの平均値を統計するように構成される統計サブモジュールを備え、パラメータ更新モジュールは、画像検出モデルのネットワークパラメータを対応するオリジナル検出モデルのネットワークパラメータの平均値に更新するように構成される更新サブモジュールを備える。

前記実施例と異なっており、今回の訓練及びこの前の複数回の訓練時に調整した、オリジナル検出モデルのネットワークパラメータの平均値を統計し、画像検出モデルのネットワークパラメータを対応するオリジナル検出モデルのネットワークパラメータの平均値に更新することで、複数回の訓練プロセスで生じる累積誤差を迅速に制約することに寄与し、画像検出モデルの正確性を向上させることができる。

幾つかの実施例において、画像取得モジュール６１は、仮ラベル付け対象医用画像を取得するように構成される画像取得サブモジュールを備え、仮ラベル付け対象医用画像に、少なくとも１つのラベル付けされていない器官が存在し、画像取得モジュール６１は、各ラベル付けされていない器官に対応する単一器官検出モデルをそれぞれ利用して、仮ラベル付け対象医用画像に対して検出を行い、各ラベル付けされていない器官の器官予測領域を得るように構成される単一器官検出サブモジュールを備え、画像取得モジュール６１は、ラベル付けされていない器官の器官予測領域を、ラベル付けされていない器官の実際領域として仮ラベル付けし、仮ラベル付けした仮ラベル付け対象医用画像をサンプル医用画像とするように構成される仮ラベル付けサブモジュールを備える。

前記実施例と異なっており、少なくとも１つのラベル付けされていない器官が存在する仮ラベル付け対象医用画像を取得し、各ラベル付けされていない器官に対応する単一器官検出モデルをそれぞれ利用して、仮ラベル付け対象医用画像に対して検出を行い、各ラベル付けされていない器官の器官予測領域を得て、ラベル付けされていない器官の器官予測領域を、ラベル付けされていない器官の実際領域として仮ラベル付けし、仮ラベル付けした仮ラベル付け対象医用画像をサンプル医用画像とすることで、単一器官検出モデルを利用して、多器官に対する手動ラベル付け作業を無くすことができ、多器官検出のための画像検出モデルの訓練の人件費の低減に寄与し、訓練効率を向上させることができる。

幾つかの実施例において、仮ラベル付け対象医用画像は、少なくとも１つのラベル付け済み器官を含み、画像取得モジュール６１は、仮ラベル付け対象医用画像を利用して、仮ラベル付け対象医用画像におけるラベル付け済み器官に対応する単一器官検出モデルに対して訓練を行うように構成される単一器官訓練サブモジュールを更に備える。

前記実施例と異なっており、仮ラベル付け対象医用画像に、少なくとも１つのラベル付け済み器官が含まれ、仮ラベル付け対象医用画像を利用して、仮ラベル付け対象医用画像におけるラベル付け済み器官に対応する単一器官検出モデルに対して訓練を行うことで、単一器官検出モデルの正確性を向上させ、後続の仮ラベル付けの正確性の向上に寄与し、更に、後続の画像検出モデルの訓練の正確性の向上に寄与する。

幾つかの実施例において、画像取得サブモジュールは、三次元医用画像を取得するように構成される三次元画像取得ユニットを備え、画像取得サブモジュールは、三次元医用画像に対して前処理を行うように構成される前処理ユニットを備え、画像取得サブモジュールは、前処理後の三次元画像に対してトリミング処理を行い、少なくとも１つの二次元の仮ラベル付け対象医用画像を得るように構成される画像トリミングユニットを備える。

前記実施例と異なっており、三次元医用画像を取得し、三次元医用画像に対して前処理を行い、前処理後の三次元画像に対してトリミング処理を行い、少なくとも１つの二次元の仮ラベル付け対象医用画像を得ることで、モデル訓練を満たす医用画像を得ることに寄与し、後続の画像検出モデルの訓練の正確性の向上に寄与する。

幾つかの実施例において、前処理ユニットは更に、三次元医用画像のボクセル解像度を所定の解像度に調整することと、所定ウインドウ値を利用して、三次元医用画像のボクセル値を所定の範囲内に正規化することと、三次元医用画像の少なくとも一部のボクセルにガウス雑音を加えることと、のうちの少なくとも１つを実行するように構成される。

前記実施例と異なっており、三次元医用画像のボクセル解像度を所定の解像度に調整することで、後続のモデル予測処理に寄与する。所定ウインドウ値を利用して、三次元医用画像のボクセル値を所定の範囲内に正規化することで、モデルによる正確な特徴の抽出に寄与する。三次元医用画像の少なくとも一部のボクセルにガウス雑音を加えることで、データ拡張の実現に寄与し、データの多様性を向上させ、後続のモデル訓練の正確性を向上させることができる。

図７を参照すると、図７は、本願の実施例による画像検出装置の一実施例のフレームワークを示す概略図である。画像検出装置７０は、画像取得モジュール７１と、画像検出モジュール７２と、を備え、画像取得モジュール７１は、検出対象医用画像を取得するように構成され、検出対象医用画像に複数の器官が含まれ、画像検出モジュール７２は、画像検出モデルを利用して、検出対象医用画像に対して検出を行い、複数の器官の予測領域を得るように構成され、画像検出モデルは、上記いずれか１つの画像検出モデルの訓練装置の実施例における画像検出モデルの訓練装置により訓練を行うことで得られたものである。

上記技術的解決手段において、いずれか１つの画像検出モデルの訓練装置の実施例における画像検出モデルの訓練装置により訓練を行うことで得られた画像検出モデルを利用して、検出対象医用画像に対して検出を行い、複数の器官の予測領域を得ることで、多器官検出の過程において、検出の正確性を向上させることができる。

図８を参照すると、図８は、本願の実施例による電子機器の一実施例のフレームワークを示す概略図である。電子機器８０は、互いに結合されたメモリ８１及びプロセッサ８２を備え、プロセッサ８２は、メモリ８１に記憶されたプログラム命令を実行し、上記いずれか１つの画像検出モデルの訓練方法の実施例のステップ又は上記いずれか１つの画像検出方法の実施例のステップを実現するように構成される。可能な実施シーンにおいて、電子機器８０は、マイクロコンピュータ、サーバを含んでもよいが、これらに限定されない。また、電子機器８０は、ノートパソコン、タブレットなどの携帯機器を含んでもよく、ここで、これを限定しない。

ここで、プロセッサ８２は、その自体及びメモリ８１を制御して、上記いずれか１つの画像検出モデルの訓練方法の実施例のステップ又は上記いずれか１つの画像検出方法の実施例のステップを実現するように構成される。プロセッサ８２は、中央演算装置（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ：ＣＰＵ）と呼ばれてもよい。プロセッサ８２は、信号処理能力を有する集積回路チップであってもよい。プロセッサ８２は、汎用プロセッサ、デジタル信号プロセッサ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ：ＤＳＰ）、特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ：ＦＰＧＡ）又は他のプログラマブルゲートアレイ、ディスクリートゲート又はトランジスタ論理デバイス、ディスクリートハードウェアユニットであってもよい。汎用プロセッサは、マイクロプロセッサであってもよく、該プロセッサは、如何なる従来のプロセッサなどであってもよい。また、プロセッサ８２は、集積回路チップにより共同で実現してもよい。

上記技術的解決手段は、多器官検出プロセスにおいて、検出の正確性を向上させることができる。

図９を参照すると、図９は、本願の実施例によるコンピュータ可読記憶媒体の一実施例のフレームワークを示す概略図である。コンピュータ可読記憶媒体９０に、プロセッサにより実行可能なプログラム命令９０１が記憶されており、プログラム命令９０１は、上記いずれか１つの画像検出モデルの訓練方法の実施例のステップ又は上記いずれか１つの画像検出方法の実施例のステップを実現するように構成される。

上記技術的解決手段は、多器官検出プロセスにおいて、検出の正確性を向上させることができる。

本願の実施例で提供される画像検出モデルの訓練方法又は画像検出方法のコンピュータプログラム製品は、プログラムコードを記憶したコンピュータ可読記憶媒体を含み、前記プログラムコードに含まれる命令は、上記方法の実施例に記載の画像検出モデルの訓練方法又は画像検出方法のステップを実行するように構成されてもよい。これは、上記方法の実施例を参照することができ、ここで、詳細な説明を省略する。

本願の実施例は、コンピュータプログラムを更に提供する。該コンピュータプログラムはプロセッサにより実行される時、前記実施例のいずれか１つの方法を実現する。該コンピュータプログラム製品は、ハードウェア、ソフトウェア又はその組み合わせにより実現してもよい。選択可能な実施例において、前記コンピュータプログラム製品は、コンピュータ記憶媒体として具現化され、もう１つの選択可能な実施例において、コンピュータプログラム製品は、例えば、ソフトウェア開発キット（Ｓｏｆｔｗａｒｅ Ｄｅｖｅｌｏｐｍｅｎｔ Ｋｉｔ：ＳＤＫ）などのようなソフトウェア製品として具現化される。

本願で提供される幾つかの実施例において、開示される方法及び装置は、他の方式によって実現できることを理解すべきである。例えば、以上に記載した装置の実施形態はただ例示的なもので、例えば、前記モジュール又はユニットの分割はただロジック機能の分割で、実際に実現する時は他の分割方式によってもよい。例えば、複数のユニット又はユニットを組み合わせてもよいし、別のシステムに組み込んでもよい。又は若干の特徴を無視してもよいし、実行しなくてもよい。また、示したか或いは検討した相互間の結合又は直接的な結合又は通信接続は、幾つかのインタフェース、装置又はユニットによる間接的な結合又は通信接続であってもよく、電気的、機械的または他の形態であってもよい。

分離部材として説明したユニットは、物理的に別個のものであってもよいし、そうでなくてもよい。ユニットとして示された部材は、物理的ユニットであってもよいし、そうでなくてもよい。即ち、同一の位置に位置してもよいし、複数のネットワークユニットに分布してもよい。実際の需要に応じてそのうちの一部又は全てのユニットにより本実施例の方策の目的を実現することができる。

また、本願の各実施例における各機能ユニットは一つの処理ユニットに集積されてもよいし、各ユニットが物理的に別個のものとして存在してもよいし、２つ以上のユニットが一つのユニットに集積されてもよい。上記集積したユニットはハードウェアとして実現してもよく、ソフトウェア機能ユニットとして実現してもよい。

集積したユニットは、ソフトウェア機能ユニットの形で実現され、かつ独立した製品として販売または使用されるとき、コンピュータにより読み取り可能な記憶媒体内に記憶されてもよいことに留意されたい。このような理解のもと、本願の実施例の技術的解決手段は、本質的に、又は、従来技術に対して貢献をもたらした部分又は該技術的解決手段の一部は、ソフトウェア製品の形式で具現することができ、このようなコンピュータソフトウェア製品は、記憶媒体に記憶しても良く、また、１台のコンピュータ設備（パソコン、サーバ、又はネットワーク装置など）又はプロセッサ（ｐｒｏｃｅｓｓｏｒ）に、本願の各実施例に記載の方法の全部又は一部のステップを実行させるための若干の命令を含む。前記の記憶媒体は、ＵＳＢメモリ、リムーバブルハードディスク、読み出し専用メモリ（ＲＯＭ：Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ランダムアクセスメモリ（ＲＡＭ：Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、磁気ディスク又は光ディスクなどの、プログラムコードを記憶できる種々の媒体を含む。

本願の実施例において、サンプル医用画像を取得し、且つ、サンプル医用画像において、少なくとも１つのラベル付けされていない器官の実際領域が仮ラベル付けされている。オリジナル検出モデルを利用して、サンプル医用画像に対して検出を行うことで、ラベル付けされていない器官の第１予測領域を含む第１検出結果を得て、画像検出モデルを利用して、サンプル医用画像に対して検出を行うことで、ラベル付けされていない器官の第２予測領域を含む第２検出結果を得る。画像検出モデルのネットワークパラメータは、オリジナル検出モデルのネットワークパラメータに基づいて決定されたものである。更に、第１予測領域と実際領域との差異、及び第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルのネットワークパラメータを調整する。従って、多器官検出プロセスにおいて、検出の正確性を向上させることができる。

上記技術的解決手段において、少なくとも１つのラベル付けされていない器官の実際領域が仮ラベル付けされているサンプル医用画像を取得することによって、サンプル医用画像において、多器官に対して真のラベル付けを行う必要がない。これにより、オリジナル検出モデルを利用して、サンプル医用画像に対して検出を行うことで、ラベル付けされていない器官の第１予測領域を含む第１検出結果を得て、画像検出モデルを利用して、サンプル医用画像に対して検出を行うことで、ラベル付けされていない器官の第２予測領域を含む第２検出結果を得て、更に、第１予測領域と実際領域との差異、及び第１予測領域と第２予測領域との差異を利用して、オリジナル検出モデルのネットワークパラメータを調整する。また、画像検出モデルのネットワークパラメータは、オリジナル検出モデルのネットワークパラメータに基づいて決定されたものである。従って、画像検出モデルにより、オリジナル検出モデルの訓練を指導し、複数回の訓練プロセスで仮ラベル付けした真実の領域によるネットワークパラメータの累積誤差を制約し、画像検出モデルの正確性を向上させることができる。これにより、画像検出モデルは、オリジナル検出モデルの訓練を正確に指導することができ、それによって、オリジナル検出モデルは、訓練プロセスにおいてそのネットワークパラメータを正確に調整することができる。従って、多器官検出プロセスにおいて、画像検出モデルによる検出の正確性を向上させることができる。
例えば、本願は以下の項目を提供する。
（項目１）
画像検出モデルの訓練方法であって、
サンプル医用画像を取得することであって、前記サンプル医用画像において、少なくとも１つのラベル付けされていない器官の実際領域が仮ラベル付けされている、ことと、
オリジナル検出モデルを利用して、前記サンプル医用画像に対して検出を行い、第１検出結果を得ることであって、前記第１検出結果は、前記ラベル付けされていない器官の第１予測領域を含む、ことと、
画像検出モデルを利用して、前記サンプル医用画像に対して検出を行い、第２検出結果を得ることであって、前記第２検出結果は、前記ラベル付けされていない器官の第２予測領域を含み、前記画像検出モデルのネットワークパラメータは、前記オリジナル検出モデルのネットワークパラメータに基づいて決定されたものである、ことと、
前記第１予測領域と前記実際領域との差異、及び前記第１予測領域と前記第２予測領域との差異を利用して、前記オリジナル検出モデルのネットワークパラメータを調整することと、を含む、画像検出モデルの訓練方法。
（項目２）
前記オリジナル検出モデルは、第１オリジナル検出モデルと、第２オリジナル検出モデルと、を含み、前記画像検出モデルは、前記第１オリジナル検出モデルに対応する第１画像検出モデルと、前記第２オリジナル検出モデルに対応する第２画像検出モデルと、を含み、
オリジナル検出モデルを利用して前記サンプル医用画像に対して検出を行い、第１検出結果を得ることは、
前記第１オリジナル検出モデル及び前記第２オリジナル検出モデルをそれぞれ利用して、前記サンプル医用画像に対して検出を行って第１検出結果を得ることを実行することを含み、
画像検出モデルを利用して、前記サンプル医用画像に対して検出を行い、第２検出結果を得ることは、
前記第１画像検出モデル及び前記第２画像検出モデルをそれぞれ利用して、前記サンプル医用画像に対して検出を行って第２検出結果を得ることを実行することを含み、
前記第１予測領域と前記実際領域との差異、及び前記第１予測領域と前記第２予測領域との差異を利用して、前記オリジナル検出モデルのネットワークパラメータを調整することは、
前記第１オリジナル検出モデルの第１予測領域と前記実際領域との差異、及び前記第１オリジナル検出モデルの第１予測領域と前記第２画像検出モデルの第２予測領域との差異を利用して、前記第１オリジナル検出モデルのネットワークパラメータを調整することと、
前記第２オリジナル検出モデルの第１予測領域と前記実際領域との差異、及び前記第２オリジナル検出モデルの第１予測領域と前記第１画像検出モデルの第２予測領域との差異を利用して、前記第２オリジナル検出モデルのネットワークパラメータを調整することと、を含むことを特徴とする
項目１に記載の訓練方法。
（項目３）
前記第１予測領域と前記実際領域との差異、及び前記第１予測領域と前記第２予測領域との差異をそれぞれ利用して、前記オリジナル検出モデルのネットワークパラメータを調整することは、
前記第１予測領域と前記実際領域との差異を利用して、前記オリジナル検出モデルの第１損失値を決定することと、
前記第１予測領域と前記第２予測領域との差異を利用して、前記オリジナル検出モデルの第２損失値を決定することと、
前記第１損失値及び前記第２損失値を利用して、前記オリジナル検出モデルのネットワークパラメータを調整することと、を含むことを特徴とする
項目１又は２に記載の訓練方法。
（項目４）
前記第１予測領域と前記実際領域との差異を利用して、前記オリジナル検出モデルの第１損失値を決定することは、
焦点損失関数を利用して前記第１予測領域及び前記実際領域に対して処理を行い、焦点の第１損失値を得ることと、
集合類似度損失関数を利用して前記第１予測領域及び前記実際領域に対して処理を行い、集合類似度の第１損失値を得ることと、
のうちの少なくとも１つを含むことを特徴とする
項目３に記載の訓練方法。
（項目５）
前記第１予測領域と前記第２予測領域との差異を利用して、前記オリジナル検出モデルの第２損失値を決定することは、
一致性損失関数を利用して前記第１予測領域及び前記第２予測領域に対して処理を行い、前記第２損失値を得ることを含むことを特徴とする
項目３に記載の訓練方法。
（項目６）
前記第１損失値及び前記第２損失値を利用して前記オリジナル検出モデルのネットワークパラメータを調整することは、
前記第１損失値及び前記第２損失値に対して重み付け処理を行い、重み付け損失値を得ることと、
前記重み付け損失値を利用して、前記オリジナル検出モデルのネットワークパラメータを調整することと、を含むことを特徴とする
項目３に記載の訓練方法。
（項目７）
前記サンプル医用画像に、ラベル付け済み器官の実際領域が更に含み、前記第１検出結果は、前記ラベル付け済み器官の第１予測領域を更に含み、前記第２検出結果は、前記ラベル付け済み器官の第２予測領域を更に含み、
前記第１予測領域と前記実際領域との差異を利用して、前記オリジナル検出モデルの第１損失値を決定することは、
前記ラベル付けされていない器官と前記ラベル付け済み器官の第１予測領域と前記実際領域の差異を利用して、前記オリジナル検出モデルの第１損失値を決定することを含み、
前記第１予測領域と前記第２予測領域との差異を利用して、前記オリジナル検出モデルの第２損失値を決定することは、
前記ラベル付けされていない器官の第１予測領域と対応する前記第２予測領域との差異を利用して、前記オリジナル検出モデルの第２損失値を決定することを含むことを特徴とする
項目３から６のうちいずれか一項に記載の訓練方法。
（項目８）
前記第１予測領域と前記実際領域との差異、及び前記第１予測領域と前記第２予測領域との差異をそれぞれ利用して、前記オリジナル検出モデルのネットワークパラメータを調整した後、前記方法は、
今回の訓練及びこの前の複数回の訓練時に調整したネットワークパラメータを利用して、前記画像検出モデルのネットワークパラメータを更新することを更に含むことを特徴とする
項目１から７のうちいずれか一項に記載の訓練方法。
（項目９）
今回の訓練及びこの前の複数回の訓練時に調整したネットワークパラメータを利用して、前記画像検出モデルのネットワークパラメータを更新することは、
今回の訓練及びこの前の複数回の訓練時に調整した、前記オリジナル検出モデルのネットワークパラメータの平均値を統計することと、
前記画像検出モデルのネットワークパラメータを対応する前記オリジナル検出モデルの前記ネットワークパラメータの平均値に更新することと、を含むことを特徴とする
項目８に記載の訓練方法。
（項目１０）
サンプル医用画像を取得することは、
仮ラベル付け対象医用画像を取得することであって、前記仮ラベル付け対象医用画像に、少なくとも１つの前記ラベル付けされていない器官が存在する、ことと、
各前記ラベル付けされていない器官に対応する単一器官検出モデルをそれぞれ利用して、前記仮ラベル付け対象医用画像に対して検出を行い、各前記ラベル付けされていない器官の器官予測領域を得ることと、
前記ラベル付けされていない器官の器官予測領域を、前記ラベル付けされていない器官の実際領域として仮ラベル付けし、前記仮ラベル付けした仮ラベル付け対象医用画像を前記サンプル医用画像とすることと、を含むことを特徴とする
項目１から９のうちいずれか一項に記載の訓練方法。
（項目１１）
前記仮ラベル付け対象医用画像は、少なくとも１つのラベル付け済み器官を含み、各前記ラベル付けされていない器官に対応する単一器官検出モデルをそれぞれ利用して、前記仮ラベル付け対象医用画像に対して検出を行う前に、前記方法は、
前記仮ラベル付け対象医用画像を利用して、前記仮ラベル付け対象医用画像におけるラベル付け済み器官に対応する単一器官検出モデルに対して訓練を行うことを更に含むことを特徴とする
項目１０に記載の訓練方法。
（項目１２）
仮ラベル付け対象医用画像を取得することは、
三次元医用画像を取得し、前記三次元医用画像に対して前処理を行うことと、
前処理後の前記三次元画像に対してトリミング処理を行い、少なくとも１つの二次元の仮ラベル付け対象医用画像を得ることと、を含むことを特徴とする
項目１０に記載の訓練方法。
（項目１３）
前記三次元医用画像に対して前処理を行うことは、
前記三次元医用画像のボクセル解像度を所定の解像度に調整することと、
所定ウインドウ値を利用して、前記三次元医用画像のボクセル値を所定の範囲内に正規化することと、
前記三次元医用画像の少なくとも一部のボクセルにガウス雑音を加えることと、
のうちの少なくとも１つを含むことを特徴とする
項目１２に記載の訓練方法。
（項目１４）
画像検出方法であって、
検出対象医用画像を取得することであって、前記検出対象医用画像に複数の器官が含まれる、ことと、
画像検出モデルを利用して、前記検出対象医用画像に対して検出を行い、前記複数の器官の予測領域を得ることと、を含み、
前記画像検出モデルは、項目１から１３のうちいずれか一項に記載の画像検出モデルの訓練方法で訓練を行うことで得られたものである、画像検出方法。
（項目１５）
画像検出モデルの訓練装置であって、
サンプル医用画像を取得するように構成される画像取得モジュールであって、前記サンプル医用画像において、少なくとも１つのラベル付けされていない器官の実際領域が仮ラベル付けされている、画像取得モジュールと、
オリジナル検出モデルを利用して、前記サンプル医用画像に対して検出を行い、第１検出結果を得るように構成される第１検出モジュールであって、前記第１検出結果は、前記ラベル付けされていない器官の第１予測領域を含む、第１検出モジュールと、
画像検出モデルを利用して、前記サンプル医用画像に対して検出を行い、第２検出結果を得るように構成される第２検出モジュールであって、前記第２検出結果は、前記ラベル付けされていない器官の第２予測領域を含み、前記画像検出モデルのネットワークパラメータは、前記オリジナル検出モデルのネットワークパラメータに基づいて決定されたものである、第２検出モジュールと、
前記第１予測領域と前記実際領域との差異、及び前記第１予測領域と前記第２予測領域との差異を利用して、前記オリジナル検出モデルのネットワークパラメータを調整するように構成されるパラメータ調整モジュールと、を備える、画像検出モデルの訓練装置。
（項目１６）
画像検出装置であって、
検出対象医用画像を取得するように構成される画像取得モジュールであって、前記検出対象医用画像に複数の器官が含まれる、画像取得モジュールと、
画像検出モデルを利用して、前記検出対象医用画像に対して検出を行い、前記複数の器官の予測領域を得るように構成される画像検出モジュールと、を備え、
前記画像検出モデルは、項目１５に記載の画像検出モデルの訓練装置により訓練を行うことで得られたものである、画像検出装置。
（項目１７）
電子機器であって、互いに接続されるメモリ及びプロセッサを備え、前記プロセッサは、前記メモリに記憶されているプログラム命令を実行し、項目１から１３のうちいずれか一項に記載の画像検出モデルの訓練方法を実現し、又は、項目１４に記載の画像検出方法を実現するように構成される、電子機器。
（項目１８）
コンピュータ可読記憶媒体であって、前記コンピュータ可読記憶媒体にプログラム命令が記憶されており、前記プログラム命令がプロセッサにより実行される時、項目１から１３のうちいずれか一項に記載の画像検出モデルの訓練方法を実現し、又は、項目１４に記載の画像検出方法を実現する、コンピュータ可読記憶媒体。
（項目１９）
コンピュータプログラムであって、前記コンピュータプログラムは、コンピュータ可読コードを含み、前記コンピュータ可読コードは、電子機器で実行される時に、前記電子機器におけるプロセッサに、項目１から１３のうちいずれか一項に記載の画像検出モデルの訓練方法を実行させ、又は、項目１４に記載の画像検出方法を実行させる、コンピュータプログラム。

Claims (19)

1. 画像検出モデルの訓練方法であって、
   サンプル医用画像を取得することであって、前記サンプル医用画像において、少なくとも１つのラベル付けされていない器官の実際領域が仮ラベル付けされている、ことと、
   オリジナル検出モデルを利用して、前記サンプル医用画像に対して検出を行い、第１検出結果を得ることであって、前記第１検出結果は、前記ラベル付けされていない器官の第１予測領域を含む、ことと、
   画像検出モデルを利用して、前記サンプル医用画像に対して検出を行い、第２検出結果を得ることであって、前記第２検出結果は、前記ラベル付けされていない器官の第２予測領域を含み、前記画像検出モデルのネットワークパラメータは、前記オリジナル検出モデルのネットワークパラメータに基づいて決定されたものである、ことと、
   前記第１予測領域と前記実際領域との差異、及び前記第１予測領域と前記第２予測領域との差異を利用して、前記オリジナル検出モデルのネットワークパラメータを調整することと、を含む、画像検出モデルの訓練方法。
2. 前記オリジナル検出モデルは、第１オリジナル検出モデルと、第２オリジナル検出モデルと、を含み、前記画像検出モデルは、前記第１オリジナル検出モデルに対応する第１画像検出モデルと、前記第２オリジナル検出モデルに対応する第２画像検出モデルと、を含み、
   オリジナル検出モデルを利用して前記サンプル医用画像に対して検出を行い、第１検出結果を得ることは、
   前記第１オリジナル検出モデル及び前記第２オリジナル検出モデルをそれぞれ利用して、前記サンプル医用画像に対して検出を行って第１検出結果を得ることを実行することを含み、
   画像検出モデルを利用して、前記サンプル医用画像に対して検出を行い、第２検出結果を得ることは、
   前記第１画像検出モデル及び前記第２画像検出モデルをそれぞれ利用して、前記サンプル医用画像に対して検出を行って第２検出結果を得ることを実行することを含み、
   前記第１予測領域と前記実際領域との差異、及び前記第１予測領域と前記第２予測領域との差異を利用して、前記オリジナル検出モデルのネットワークパラメータを調整することは、
   前記第１オリジナル検出モデルの第１予測領域と前記実際領域との差異、及び前記第１オリジナル検出モデルの第１予測領域と前記第２画像検出モデルの第２予測領域との差異を利用して、前記第１オリジナル検出モデルのネットワークパラメータを調整することと、
   前記第２オリジナル検出モデルの第１予測領域と前記実際領域との差異、及び前記第２オリジナル検出モデルの第１予測領域と前記第１画像検出モデルの第２予測領域との差異を利用して、前記第２オリジナル検出モデルのネットワークパラメータを調整することと、を含むことを特徴とする
   請求項１に記載の訓練方法。
3. 前記第１予測領域と前記実際領域との差異、及び前記第１予測領域と前記第２予測領域との差異をそれぞれ利用して、前記オリジナル検出モデルのネットワークパラメータを調整することは、
   前記第１予測領域と前記実際領域との差異を利用して、前記オリジナル検出モデルの第１損失値を決定することと、
   前記第１予測領域と前記第２予測領域との差異を利用して、前記オリジナル検出モデルの第２損失値を決定することと、
   前記第１損失値及び前記第２損失値を利用して、前記オリジナル検出モデルのネットワークパラメータを調整することと、を含むことを特徴とする
   請求項１又は２に記載の訓練方法。
4. 前記第１予測領域と前記実際領域との差異を利用して、前記オリジナル検出モデルの第１損失値を決定することは、
   焦点損失関数を利用して前記第１予測領域及び前記実際領域に対して処理を行い、焦点の第１損失値を得ることと、
   集合類似度損失関数を利用して前記第１予測領域及び前記実際領域に対して処理を行い、集合類似度の第１損失値を得ることと、
   のうちの少なくとも１つを含むことを特徴とする
   請求項３に記載の訓練方法。
5. 前記第１予測領域と前記第２予測領域との差異を利用して、前記オリジナル検出モデルの第２損失値を決定することは、
   一致性損失関数を利用して前記第１予測領域及び前記第２予測領域に対して処理を行い、前記第２損失値を得ることを含むことを特徴とする
   請求項３に記載の訓練方法。
6. 前記第１損失値及び前記第２損失値を利用して前記オリジナル検出モデルのネットワークパラメータを調整することは、
   前記第１損失値及び前記第２損失値に対して重み付け処理を行い、重み付け損失値を得ることと、
   前記重み付け損失値を利用して、前記オリジナル検出モデルのネットワークパラメータを調整することと、を含むことを特徴とする
   請求項３に記載の訓練方法。
7. 前記サンプル医用画像に、ラベル付け済み器官の実際領域が更に含み、前記第１検出結果は、前記ラベル付け済み器官の第１予測領域を更に含み、前記第２検出結果は、前記ラベル付け済み器官の第２予測領域を更に含み、
   前記第１予測領域と前記実際領域との差異を利用して、前記オリジナル検出モデルの第１損失値を決定することは、
   前記ラベル付けされていない器官と前記ラベル付け済み器官の第１予測領域と前記実際領域の差異を利用して、前記オリジナル検出モデルの第１損失値を決定することを含み、
   前記第１予測領域と前記第２予測領域との差異を利用して、前記オリジナル検出モデルの第２損失値を決定することは、
   前記ラベル付けされていない器官の第１予測領域と対応する前記第２予測領域との差異を利用して、前記オリジナル検出モデルの第２損失値を決定することを含むことを特徴とする
   請求項３から６のうちいずれか一項に記載の訓練方法。
8. 前記第１予測領域と前記実際領域との差異、及び前記第１予測領域と前記第２予測領域との差異をそれぞれ利用して、前記オリジナル検出モデルのネットワークパラメータを調整した後、前記方法は、
   今回の訓練及びこの前の複数回の訓練時に調整したネットワークパラメータを利用して、前記画像検出モデルのネットワークパラメータを更新することを更に含むことを特徴とする
   請求項１から７のうちいずれか一項に記載の訓練方法。
9. 今回の訓練及びこの前の複数回の訓練時に調整したネットワークパラメータを利用して、前記画像検出モデルのネットワークパラメータを更新することは、
   今回の訓練及びこの前の複数回の訓練時に調整した、前記オリジナル検出モデルのネットワークパラメータの平均値を統計することと、
   前記画像検出モデルのネットワークパラメータを対応する前記オリジナル検出モデルの前記ネットワークパラメータの平均値に更新することと、を含むことを特徴とする
   請求項８に記載の訓練方法。
10. サンプル医用画像を取得することは、
    仮ラベル付け対象医用画像を取得することであって、前記仮ラベル付け対象医用画像に、少なくとも１つの前記ラベル付けされていない器官が存在する、ことと、
    各前記ラベル付けされていない器官に対応する単一器官検出モデルをそれぞれ利用して、前記仮ラベル付け対象医用画像に対して検出を行い、各前記ラベル付けされていない器官の器官予測領域を得ることと、
    前記ラベル付けされていない器官の器官予測領域を、前記ラベル付けされていない器官の実際領域として仮ラベル付けし、前記仮ラベル付けした仮ラベル付け対象医用画像を前記サンプル医用画像とすることと、を含むことを特徴とする
    請求項１から９のうちいずれか一項に記載の訓練方法。
11. 前記仮ラベル付け対象医用画像は、少なくとも１つのラベル付け済み器官を含み、各前記ラベル付けされていない器官に対応する単一器官検出モデルをそれぞれ利用して、前記仮ラベル付け対象医用画像に対して検出を行う前に、前記方法は、
    前記仮ラベル付け対象医用画像を利用して、前記仮ラベル付け対象医用画像におけるラベル付け済み器官に対応する単一器官検出モデルに対して訓練を行うことを更に含むことを特徴とする
    請求項１０に記載の訓練方法。
12. 仮ラベル付け対象医用画像を取得することは、
    三次元医用画像を取得し、前記三次元医用画像に対して前処理を行うことと、
    前処理後の前記三次元画像に対してトリミング処理を行い、少なくとも１つの二次元の仮ラベル付け対象医用画像を得ることと、を含むことを特徴とする
    請求項１０に記載の訓練方法。
13. 前記三次元医用画像に対して前処理を行うことは、
    前記三次元医用画像のボクセル解像度を所定の解像度に調整することと、
    所定ウインドウ値を利用して、前記三次元医用画像のボクセル値を所定の範囲内に正規化することと、
    前記三次元医用画像の少なくとも一部のボクセルにガウス雑音を加えることと、
    のうちの少なくとも１つを含むことを特徴とする
    請求項１２に記載の訓練方法。
14. 画像検出方法であって、
    検出対象医用画像を取得することであって、前記検出対象医用画像に複数の器官が含まれる、ことと、
    画像検出モデルを利用して、前記検出対象医用画像に対して検出を行い、前記複数の器官の予測領域を得ることと、を含み、
    前記画像検出モデルは、請求項１から１３のうちいずれか一項に記載の画像検出モデルの訓練方法で訓練を行うことで得られたものである、画像検出方法。
15. 画像検出モデルの訓練装置であって、
    サンプル医用画像を取得するように構成される画像取得モジュールであって、前記サンプル医用画像において、少なくとも１つのラベル付けされていない器官の実際領域が仮ラベル付けされている、画像取得モジュールと、
    オリジナル検出モデルを利用して、前記サンプル医用画像に対して検出を行い、第１検出結果を得るように構成される第１検出モジュールであって、前記第１検出結果は、前記ラベル付けされていない器官の第１予測領域を含む、第１検出モジュールと、
    画像検出モデルを利用して、前記サンプル医用画像に対して検出を行い、第２検出結果を得るように構成される第２検出モジュールであって、前記第２検出結果は、前記ラベル付けされていない器官の第２予測領域を含み、前記画像検出モデルのネットワークパラメータは、前記オリジナル検出モデルのネットワークパラメータに基づいて決定されたものである、第２検出モジュールと、
    前記第１予測領域と前記実際領域との差異、及び前記第１予測領域と前記第２予測領域との差異を利用して、前記オリジナル検出モデルのネットワークパラメータを調整するように構成されるパラメータ調整モジュールと、を備える、画像検出モデルの訓練装置。
16. 画像検出装置であって、
    検出対象医用画像を取得するように構成される画像取得モジュールであって、前記検出対象医用画像に複数の器官が含まれる、画像取得モジュールと、
    画像検出モデルを利用して、前記検出対象医用画像に対して検出を行い、前記複数の器官の予測領域を得るように構成される画像検出モジュールと、を備え、
    前記画像検出モデルは、請求項１５に記載の画像検出モデルの訓練装置により訓練を行うことで得られたものである、画像検出装置。
17. 電子機器であって、互いに接続されるメモリ及びプロセッサを備え、前記プロセッサは、前記メモリに記憶されているプログラム命令を実行し、請求項１から１３のうちいずれか一項に記載の画像検出モデルの訓練方法を実現し、又は、請求項１４に記載の画像検出方法を実現するように構成される、電子機器。
18. コンピュータ可読記憶媒体であって、前記コンピュータ可読記憶媒体にプログラム命令が記憶されており、前記プログラム命令がプロセッサにより実行される時、請求項１から１３のうちいずれか一項に記載の画像検出モデルの訓練方法を実現し、又は、請求項１４に記載の画像検出方法を実現する、コンピュータ可読記憶媒体。
19. コンピュータプログラムであって、前記コンピュータプログラムは、コンピュータ可読コードを含み、前記コンピュータ可読コードは、電子機器で実行される時に、前記電子機器におけるプロセッサに、請求項１から１３のうちいずれか一項に記載の画像検出モデルの訓練方法を実行させ、又は、請求項１４に記載の画像検出方法を実行させる、コンピュータプログラム。

Images