[發(fā)明專利]醫(yī)學(xué)圖像分割方法、醫(yī)學(xué)圖像分割裝置及終端設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 202010166149.2
• 申請(qǐng)日: 2020-03-11
• 公開（公告）號(hào): CN111429464B
• 公開（公告）日: 2023-04-25
• 發(fā)明（設(shè)計(jì)）人: 王書強(qiáng);陳卓;申妍燕;張熾堂;吳國寶
• 申請(qǐng)（專利權(quán)）人: 深圳先進(jìn)技術(shù)研究院
• 主分類號(hào): G06T7/11
• 分類號(hào): G06T7/11;G06T7/60;G06T7/00
• 代理公司: 深圳中一聯(lián)合知識(shí)產(chǎn)權(quán)代理有限公司 44414
• 代理人: 李艷麗

1.一種醫(yī)學(xué)圖像分割方法，其特征在于，包括：

獲取待檢測(cè)醫(yī)學(xué)圖像；

將所述待檢測(cè)醫(yī)學(xué)圖像輸入已訓(xùn)練的分割模型，其中，所述分割模型包括編碼器和解碼器，所述編碼器包括多個(gè)第一層級(jí)結(jié)構(gòu)，所述多個(gè)第一層級(jí)結(jié)構(gòu)包括第一輸入層、至少一個(gè)第一中間層和第一輸出層，所述解碼器包括第二輸入層、至少一個(gè)第二中間層和第二輸出層，其中，任意第二中間層的輸入包括所述第二中間層的前一層的輸出與至少兩個(gè)第一層級(jí)結(jié)構(gòu)的輸出的融合結(jié)果；

通過所述分割模型對(duì)所述待檢測(cè)醫(yī)學(xué)圖像進(jìn)行處理，獲得所述分割模型的輸出結(jié)果，其中，所述輸出結(jié)果包括關(guān)于所述待檢測(cè)醫(yī)學(xué)圖像中的醫(yī)學(xué)特征區(qū)域的分割結(jié)果；

在將所述待檢測(cè)醫(yī)學(xué)圖像輸入已訓(xùn)練的分割模型之前，還包括：

通過判別模型對(duì)待訓(xùn)練的分割模型進(jìn)行訓(xùn)練，直到訓(xùn)練完成，并獲得已訓(xùn)練的分割模型，其中，所述判別模型的輸入包括所述待訓(xùn)練的分割模型的至少部分輸出，所述判別模型包括卷積神經(jīng)網(wǎng)絡(luò)和上采樣層，所述卷積神經(jīng)網(wǎng)絡(luò)的輸出為所述上采樣層的輸入；

所述通過判別模型對(duì)待訓(xùn)練的分割模型進(jìn)行訓(xùn)練，直到訓(xùn)練完成，并獲得已訓(xùn)練的分割模型，包括：

獲取醫(yī)學(xué)圖像樣本，其中，所述醫(yī)學(xué)圖像樣本包括標(biāo)注醫(yī)學(xué)圖像樣本和未標(biāo)注醫(yī)學(xué)圖像樣本，所述標(biāo)注醫(yī)學(xué)圖像樣本為標(biāo)注有真實(shí)分割標(biāo)簽的醫(yī)學(xué)圖像樣本，所述未標(biāo)注醫(yī)學(xué)圖像樣本為未進(jìn)行標(biāo)注的醫(yī)學(xué)圖像樣本；

將所述標(biāo)注醫(yī)學(xué)圖像樣本和未標(biāo)注醫(yī)學(xué)圖像樣本輸入待訓(xùn)練的分割模型，獲得所述待訓(xùn)練的分割模型對(duì)各個(gè)醫(yī)學(xué)圖像樣本的預(yù)測(cè)分割結(jié)果；

將所述預(yù)測(cè)分割結(jié)果輸入所述判別模型，獲得所述判別模型的判別結(jié)果和置信圖，其中，所述置信圖由所述判別模型中的上采樣層輸出，所述判別結(jié)果由所述判別模型中的卷積神經(jīng)網(wǎng)絡(luò)輸出；

根據(jù)所述判別結(jié)果、所述置信圖和所述預(yù)測(cè)分割結(jié)果，基于預(yù)設(shè)損失函數(shù)計(jì)算關(guān)于所述待訓(xùn)練的分割模型和所述判別模型的損失值；

基于所述損失值對(duì)所述判別模型和所述待訓(xùn)練的分割模型進(jìn)行訓(xùn)練，直到所得到的損失值符合預(yù)設(shè)損失條件，則訓(xùn)練完成，并獲得已訓(xùn)練的分割模型。

2.如權(quán)利要求1所述的醫(yī)學(xué)圖像分割方法，其特征在于，所述分割模型包括權(quán)重獲取模塊，所述權(quán)重獲取模塊位于所述編碼器和所述解碼器之間；

所述通過所述分割模型對(duì)所述待檢測(cè)醫(yī)學(xué)圖像進(jìn)行處理，獲得所述分割模型的輸出結(jié)果，包括：

通過所述編碼器對(duì)所述待檢測(cè)醫(yī)學(xué)圖像進(jìn)行第一處理，獲得所述編碼器輸出的第一特征矩陣；

將所述第一特征矩陣輸入所述權(quán)重獲取模塊；

通過所述權(quán)重獲取模塊對(duì)所述第一特征矩陣進(jìn)行第二處理，獲得所述權(quán)重獲取模塊輸出的權(quán)重矩陣；

將所述權(quán)重矩陣與所述第一特征矩陣進(jìn)行融合，獲得第二特征矩陣；

基于所述第二特征矩陣，通過所述解碼器進(jìn)行第三處理，獲得所述輸出結(jié)果。

3.如權(quán)利要求2所述的醫(yī)學(xué)圖像分割方法，其特征在于，所述通過所述權(quán)重獲取模塊對(duì)所述第一特征矩陣進(jìn)行第二處理，獲得所述權(quán)重獲取模塊輸出的權(quán)重矩陣，包括：

對(duì)所述第一特征矩陣進(jìn)行第一卷積處理，獲得第三特征矩陣；

對(duì)所述第一特征矩陣進(jìn)行第二卷積處理，獲得第四特征矩陣；

將所述第三特征矩陣與第四特征矩陣相乘，獲得第五特征矩陣；

通過激活函數(shù)對(duì)所述第五特征矩陣進(jìn)行激活，獲得所述權(quán)重矩陣。

4.如權(quán)利要求2所述的醫(yī)學(xué)圖像分割方法，其特征在于，所述基于所述第二特征矩陣，通過所述解碼器進(jìn)行第三處理，獲得所述輸出結(jié)果，包括：

將所述第二特征矩陣與所述第一輸出層的前一層的輸出進(jìn)行融合，獲得第六特征矩陣；

將所述第六特征矩陣輸入所述解碼器；

基于所述第六特征矩陣，通過所述解碼器進(jìn)行第三處理，獲得所述輸出結(jié)果。