[發(fā)明專利]一種醫(yī)學(xué)圖像分割方法、裝置、存儲(chǔ)介質(zhì)及電子設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202210022075.4
• 申請(qǐng)日: 2022-01-10
• 公開(kāi)（公告）號(hào): CN114359248A
• 公開(kāi)（公告）日: 2022-04-15
• 發(fā)明（設(shè)計(jì)）人: 張雨萌;黃乾富
• 申請(qǐng)（專利權(quán)）人: 海杰亞（北京）醫(yī)療器械有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/11;G06T7/194;G06N3/04;G06N3/08
• 代理公司: 北京聿宏知識(shí)產(chǎn)權(quán)代理有限公司 11372
• 代理人: 胡曉男;吳昊

1.一種醫(yī)學(xué)圖像分割方法，其特征在于，包括：

獲取待分割醫(yī)學(xué)圖像；

利用已訓(xùn)練的圖像分割模型對(duì)所述待分割醫(yī)學(xué)圖像進(jìn)行分割，分別得到目標(biāo)臟器與背景的第一分割結(jié)果及目標(biāo)臟器病灶與背景的第二分割結(jié)果，并將所述第一分割結(jié)果和所述第二分割結(jié)果疊加并進(jìn)行特征融合，得到背景、目標(biāo)臟器和目標(biāo)臟器病灶的第三分割結(jié)果；

其中，所述圖像分割模型包括：輸入為所述待分割醫(yī)學(xué)圖像、輸出為第一分割結(jié)果的第一神經(jīng)網(wǎng)絡(luò)模型，以及輸入為所述待分割醫(yī)學(xué)圖像、輸出為第二分割結(jié)果的第二神經(jīng)網(wǎng)絡(luò)模型。

2.根據(jù)權(quán)利要求1所述的醫(yī)學(xué)圖像分割方法，其特征在于，所述第一神經(jīng)網(wǎng)絡(luò)模型包括將U-Net模型的卷積層替換為殘差神經(jīng)網(wǎng)絡(luò)模塊且跳躍連接部分插入殘差神經(jīng)網(wǎng)絡(luò)模塊所形成的第一Res-UNet Plus模型。

3.根據(jù)權(quán)利要求2所述的醫(yī)學(xué)圖像分割方法，其特征在于，所述第二神經(jīng)網(wǎng)絡(luò)模型包括跳躍連接的第二Res-UNet Plus模型和第三Res-UNet Plus模型，所述第一Res-UNet Plus模型的部分特征圖跳躍連接至所述第二Res-UNet Plus模型和所述第三Res-UNet Plus模型；

其中，所述第二Res-UNet Plus模型和所述第三Res-UNet Plus模型是將U-Net模型的卷積層替換為殘差神經(jīng)網(wǎng)絡(luò)模塊且跳躍連接部分插入殘差神經(jīng)網(wǎng)絡(luò)模塊所形成的模型；所述第二Res-UNet Plus模型和所述第三Res-UNet Plus模型的池化層小于4個(gè)。

4.根據(jù)權(quán)利要求3所述的醫(yī)學(xué)圖像分割方法，其特征在于，所述第一Res-UNet Plus模型中的下采樣部分的淺層特征圖跳躍連接至所述第二Res-UNet Plus模型的池化層，所述第一Res-UNet Plus模型中的上采樣部分的深層特征圖跳躍連接至所述第三Res-UNetPlus模型的反卷積層。

5.根據(jù)權(quán)利要求1所述的醫(yī)學(xué)圖像分割方法，其特征在于，所述圖像分割模型的訓(xùn)練過(guò)程，包括：

獲取醫(yī)學(xué)圖像數(shù)據(jù)集；

將所述醫(yī)學(xué)圖像數(shù)據(jù)集按照預(yù)設(shè)比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；

將所述訓(xùn)練集中連續(xù)N張醫(yī)學(xué)圖像輸入圖像分割模型進(jìn)行模型訓(xùn)練，并將所述連續(xù)N張醫(yī)學(xué)圖像中的中間一張醫(yī)學(xué)圖像的掩碼圖像作為真實(shí)標(biāo)簽；

將所述驗(yàn)證集中的醫(yī)學(xué)圖像輸入所述圖像分割模型進(jìn)行模型驗(yàn)證；

若模型驗(yàn)證所得輸出與所述真實(shí)標(biāo)簽之間的損失小于第一設(shè)定閾值，或者模型驗(yàn)證所得輸出的Dice系數(shù)達(dá)到第二設(shè)定閾值，輸出訓(xùn)練完成的圖像分割模型。

6.根據(jù)權(quán)利要求5所述的醫(yī)學(xué)圖像分割方法，其特征在于，所述圖像分割模型的訓(xùn)練過(guò)程，還包括：

將所述測(cè)試集中的醫(yī)學(xué)圖像輸入訓(xùn)練完成的圖像分割模型進(jìn)行模型測(cè)試；

若模型測(cè)試所得輸出的Dice系數(shù)達(dá)到第三設(shè)定閾值，保留該圖像分割模型；

若模型測(cè)試所得輸出的Dice系數(shù)未達(dá)到第三設(shè)定閾值，調(diào)整該圖像分割模型的參數(shù)再次訓(xùn)練，執(zhí)行所述將所述訓(xùn)練集中連續(xù)N張醫(yī)學(xué)圖像輸入圖像分割模型進(jìn)行模型訓(xùn)練。

7.根據(jù)權(quán)利要求5所述的醫(yī)學(xué)圖像分割方法，其特征在于，所述圖像分割模型的損失函數(shù)采用如下表達(dá)式：

loss＝α×loss₁+β×loss₂+γ×loss_all

其中，loss表示圖像分割模型的損失，loss₁表示第一分割結(jié)果與真實(shí)標(biāo)簽之間的第一損失，loss₂表示第二分割結(jié)果與真實(shí)標(biāo)簽之間的第二損失，loss_all表示第三分割結(jié)果與真實(shí)標(biāo)簽之間的第三損失，α、β、γ分別表示第一損失、第二損失、第三損失的權(quán)重。