[發(fā)明專利]模型訓(xùn)練、醫(yī)學(xué)影像分割方法和裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202010001039.0
• 申請(qǐng)日: 2020-01-02
• 公開（公告）號(hào): CN111192269B
• 公開（公告）日: 2023-08-22
• 發(fā)明（設(shè)計(jì)）人: 楊斌斌;魏東;馬鍇;鄭冶楓
• 申請(qǐng)（專利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類號(hào): G06T7/10
• 分類號(hào): G06T7/10;G16H30/20
• 代理公司: 華進(jìn)聯(lián)合專利商標(biāo)代理有限公司 44224
• 代理人: 關(guān)志琨

本申請(qǐng)涉及一種模型訓(xùn)練、醫(yī)學(xué)影像分割方法和裝置，所述方法包括：獲取已標(biāo)注醫(yī)學(xué)影像；將所述已標(biāo)注醫(yī)學(xué)影像的體素切塊，輸入至特征提取模型，得到所述特征提取模型輸出的體素特征向量；根據(jù)所述支撐集體素切塊的體素特征向量，得到與所述支撐集體素切塊的體素類別對(duì)應(yīng)的類別原型向量；確定所述預(yù)測(cè)集體素切塊的體素特征向量與所述類別原型向量之間的向量距離；根據(jù)所述向量距離對(duì)所述特征提取模型進(jìn)行訓(xùn)練，得到訓(xùn)練后特征提取模型；所述訓(xùn)練后特征提取模型用于對(duì)待標(biāo)注醫(yī)學(xué)影像進(jìn)行影像分割。采用上述的方法可以節(jié)省進(jìn)行模型訓(xùn)練時(shí)制作大量已標(biāo)注醫(yī)學(xué)影像所需耗費(fèi)的時(shí)間和操作，提升了模型訓(xùn)練的效率。

技術(shù)領(lǐng)域

本申請(qǐng)涉及醫(yī)學(xué)影像處理技術(shù)領(lǐng)域，特別是涉及一種用于醫(yī)學(xué)影像分割的方法和裝置、一種醫(yī)學(xué)影像分割方法和裝置、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)和一種計(jì)算機(jī)設(shè)備。

背景技術(shù)

醫(yī)學(xué)影像分割是影像學(xué)診斷中一項(xiàng)較為重要的技術(shù)。醫(yī)學(xué)人員需要利用分割的醫(yī)學(xué)影像進(jìn)行病患分析和研究。

目前較為常見的醫(yī)學(xué)影像分割方法，主要是利用卷積神經(jīng)網(wǎng)絡(luò)模型的語義分割。具體地，可以將醫(yī)學(xué)影像輸入至卷積神經(jīng)網(wǎng)絡(luò)模型，卷積神經(jīng)網(wǎng)絡(luò)模型提取出醫(yī)學(xué)影像中各個(gè)體素切塊的特征向量，根據(jù)特征向量標(biāo)注各個(gè)體素切塊的體素類別，當(dāng)對(duì)醫(yī)學(xué)影像中各個(gè)體素切塊進(jìn)行了體素類別的標(biāo)注，則完成了醫(yī)學(xué)影像的分割。

為了更準(zhǔn)確地進(jìn)行醫(yī)學(xué)影像分割，需要利用大量的已標(biāo)注的醫(yī)學(xué)影像作為訓(xùn)練樣本對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

然而，不同于對(duì)普通的影像標(biāo)注，醫(yī)學(xué)影像的標(biāo)注需要專業(yè)人員針對(duì)醫(yī)學(xué)影像中密集的大量體素逐個(gè)進(jìn)行標(biāo)注，該人工標(biāo)注的過程，通常需要耗費(fèi)大量的人力物力才能得到足夠的訓(xùn)練樣本對(duì)用于進(jìn)行醫(yī)學(xué)影像分割的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

因此，相關(guān)技術(shù)的圖像分割方法存在著模型訓(xùn)練的效率較低的問題。

發(fā)明內(nèi)容

基于此，有必要針對(duì)模型訓(xùn)練的效率較低的技術(shù)問題，提供一種用于醫(yī)學(xué)影像分割的方法和裝置、一種醫(yī)學(xué)影像分割方法和裝置、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)和一種計(jì)算機(jī)設(shè)備。

一種用于醫(yī)學(xué)影像分割的模型訓(xùn)練方法，包括：

獲取已標(biāo)注醫(yī)學(xué)影像；所述已標(biāo)注醫(yī)學(xué)影像包括多個(gè)體素切塊；多個(gè)所述體素切塊標(biāo)注有體素類別；多個(gè)所述體素切塊包括支撐集體素切塊和預(yù)測(cè)集體素切塊；

將所述已標(biāo)注醫(yī)學(xué)影像的體素切塊，輸入至特征提取模型，得到所述特征提取模型輸出的體素特征向量；

根據(jù)所述支撐集體素切塊的體素特征向量，得到與所述支撐集體素切塊的體素類別對(duì)應(yīng)的類別原型向量；

確定所述預(yù)測(cè)集體素切塊的體素特征向量與所述類別原型向量之間的向量距離；

根據(jù)所述向量距離對(duì)所述特征提取模型進(jìn)行訓(xùn)練，得到訓(xùn)練后特征提取模型；所述訓(xùn)練后特征提取模型用于對(duì)待標(biāo)注醫(yī)學(xué)影像進(jìn)行影像分割。

一種醫(yī)學(xué)影像分割方法，包括：

接收終端上傳的醫(yī)學(xué)影像；所述醫(yī)學(xué)影像包括已標(biāo)注醫(yī)學(xué)影像和待標(biāo)注醫(yī)學(xué)影像；所述已標(biāo)注醫(yī)學(xué)影像包括標(biāo)注有體素類別的多個(gè)體素切塊；所述已標(biāo)注醫(yī)學(xué)影像中的所述體素切塊包括支撐集體素切塊和預(yù)測(cè)集體素切塊；

將所述已標(biāo)注醫(yī)學(xué)影像的體素切塊，輸入至特征提取模型，得到所述特征提取模型輸出的體素特征向量；

根據(jù)所述支撐集體素切塊的體素特征向量，得到與所述支撐集體素切塊的體素類別對(duì)應(yīng)的類別原型向量；

確定所述預(yù)測(cè)集體素切塊的體素特征向量與所述類別原型向量之間的向量距離；

根據(jù)所述向量距離對(duì)所述特征提取模型進(jìn)行訓(xùn)練，得到訓(xùn)練后特征提取模型；