CN109767448B - 分割模型训练方法及装置 - Google Patents
分割模型训练方法及装置 Download PDFInfo
- Publication number
- CN109767448B CN109767448B CN201910046267.7A CN201910046267A CN109767448B CN 109767448 B CN109767448 B CN 109767448B CN 201910046267 A CN201910046267 A CN 201910046267A CN 109767448 B CN109767448 B CN 109767448B
- Authority
- CN
- China
- Prior art keywords
- sample images
- organ
- predetermined number
- sample
- images
- 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
Images
Landscapes
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种分割模型训练方法及装置,涉及医学图像处理技术领域,该分割模型用于根据脏器图像确定脏器区域,该方法包括:对多个样本图像进行处理,得到第一标准训练图像数据集;对与所述多个样本图像中第一预定数目的样本图像对应的脏器进行测量,得到第二标准训练图像数据集;根据第一标准训练图像数据集和第二标准训练图像数据集,对预设的卷积神经网络进行训练,得到分割模型。在模型训练中,通过对原始多个样本图像中的一部分样本图像对应的脏器进行测量,根据测量结果对原始训练图像数据集进行扩充,增加了高精度的训练数据量,提高了训练集数据的准确性,从而提高了经训练的卷积神经网络进行脏器分割的精度。
Description
技术领域
本发明涉及医学图像处理技术领域,具体涉及一种分割模型训练方法及装置。
背景技术
常染色体显性多囊肾病(Autosomal Dominant Polycystic Kidney Disease,ADPKD)是一种常见的遗传性肾病。随着病程的发展,患者双侧肾脏的囊肿不断增加,替代了其它正常的肾区组织,最终导致终末期肾病。在全世界范围内,ADPKD已经成为了形成终末期肾衰的第四大诱因。
肾小球滤过率(Glomerular Filtration Rate,GFR)是评价肾功能的一个传统指标。但是,在ADPKD早期,功能异常的肾小球占少数,其带来的功能损失会由正常的肾小球代偿,GFR不会发生显著变化。当正常的肾小球不堪重负而引起GFR的显著改变时,病情已经相对严重。因此,无法使用GFR进行早期诊断和预后评估。研究者们发现可以利用全肾体积(Total Kidney Volume,TKV)这一指标进行早期诊断和预后评估。
随着MRI(Magnetic Resonance Imaging,磁共振成像)、CT(ComputedTomography,计算机断层扫描)等医学影像技术的发展,可以非侵入式地逐层获取高分辨率的肾区图像,通过病理专家对肾区图像进行手动分割,以分割出肾脏区域,从而可以计算出TKV。
然而,通过病理专家逐层手动分割出肾脏区域的方式严重依赖于个人经验,针对同一肾区图像,不同专家的分割结果甚至同一专家在不同时间做出的分割结果都不尽相同,因此,肾区图像分割的效率、精度和重复性都难以保证。
发明内容
本发明的目的在于,针对上述现有技术中的不足,提供一种分割模型训练方法及装置,以解决现有技术中对脏器分割效率、精度和重复性低的问题。
为实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种分割模型训练方法,该分割模型用于根据脏器图像确定脏器区域,该方法包括:
对多个样本图像进行处理,得到第一标准训练图像数据集,所述多个样本图像为同种类型的脏器对应的图像;
对与所述多个样本图像中第一预定数目的样本图像对应的脏器进行测量,得到第二标准训练图像数据集;
根据第一标准训练图像数据集和第二标准训练图像数据集,对预设的卷积神经网络进行训练,得到所述分割模型。
可选地,所述对多个样本图像进行处理,得到第一标准训练图像数据集,包括:
对所述多个样本图像进行分割处理,确定样本图像中的脏器区域,得到多个处理后的样本图像;
根据所述多个处理后的样本图像,建立第一标准训练图像数据集。
可选地,所述对所述多个样本图像进行分割处理,确定样本图像中的脏器区域,得到多个处理后的样本图像,包括:
对于所述多个样本图像中的每个样本图像,对该样本图像进行第二预定数目的分割处理,得到第二预定数目的初始处理图像,第二预定数目为大于或等于3;
对于所述多个样本图像中的每个样本图像,确定该样本图像对应的第二预定数目的初始处理图像中脏器区域的交集区域,得到所述多个处理后的样本图像。
可选地,所述对与所述多个样本图像中第一预定数目的样本图像对应的脏器进行测量,得到第二标准训练图像数据集,包括:
测量得到与第一预定数目的样本图像对应的脏器的测量体积;
根据第一预定数目的样本图像,计算得到与第一预定数目的样本图像对应的脏器的计算体积;
在第一预定数目的样本图像中选择与待扩充脏器对应的样本图像作为待扩充样本图像,待扩充脏器为第一预定数目的样本图像对应的脏器中的计算体积与测量体积之间误差小于预定阈值的脏器;
对待扩充样本图像进行预定处理操作,得到第二标准训练图像数据集。
可选地,所述对与所述多个样本图像中第一预定数目的样本图像对应的脏器进行测量,得到第二标准训练图像数据集,还包括:对与所述多个样本图像中第一预定数目的样本图像对应的脏器进行解剖,得到解剖结果。
所述根据第一预定数目的样本图像,计算得到与第一预定数目的样本图像对应的脏器的计算体积,包括:
根据解剖结果,对第一预定数目的样本图像进行第三预定数目的修正处理,得到第三预定数目的修正处理图像,第三预定数目为大于或等于3;
对于第一预定数目的样本图像中的每个样本图像,确定该样本图像对应的第三预定数目的修正处理图像中脏器区域的交集区域,并且根据交集区域计算得到与第一预定数目的样本图像对应的脏器的计算体积。
可选地,预定处理操作包括如下中的至少一者:平移、旋转、滤波。
可选地,对卷积神经网络进行训练时所采用的损失函数Loss根据下式得到:
其中,为卷积神经网络预测第一标准训练图像数据集和第二标准训练图像数据集中的图像的像素k位于图像中的脏器区域的概率;wk用于表示像素k对损失函数的贡献权重,当像素k位于脏器区域的边界上时,wk为大于1的值,当像素k位于除了边界之外的其他位置时,wk为1;用于表示像素k在图像中的真实分类,当像素k位于脏器区域时,为1,当像素k位于脏器区域之外的其他位置时,为0。
可选地,在所述对多个样本图像进行处理,得到第一标准训练图像数据集之前,还包括:
通过脏器成像设备对多个脏器进行扫描,得到所述多个样本图像,所述多个脏器为同种类型的脏器。
可选地,脏器成像设备包括如下中的至少一者:计算机断层扫描设备、磁共振成像设备。
第二方面,本发明实施例还提供了一种分割模型训练装置,该分割模型用于根据脏器图像确定脏器区域,该装置包括:
第一数据集获取模块,用于对多个样本图像进行处理,得到第一标准训练图像数据集,所述多个样本图像为同种类型的脏器对应的图像;
第二数据集获取模块,用于对与所述多个样本图像中第一预定数目的样本图像对应的脏器进行测量,得到第二标准训练图像数据集;
分割模型训练模块,用于根据第一标准训练图像数据集和第二标准训练图像数据集,对预设的卷积神经网络进行训练,得到分割模型。
可选地,该第一数据集获取模块,包括:
分割处理子模块,用于对所述多个样本图像进行分割处理,确定样本图像中的脏器区域,得到多个处理后的样本图像;
第一数据集建立子模块,用于根据所述多个处理后的样本图像,建立第一标准训练图像数据集。
可选地,该分割处理子模块,包括:
初始分割单元,用于对于所述多个样本图像中的每个样本图像,对该样本图像进行第二预定数目的分割处理,得到第二预定数目的初始处理图像,第二预定数目为大于或等于3;
处理后样本图像获取单元,用于对于所述多个样本图像中的每个样本图像,确定该样本图像对应的第二预定数目的初始处理图像中脏器区域的交集区域,得到所述多个处理后的样本图像。
可选地,该第二数据集获取模块,包括:
测量体积确定子模块,用于测量得到与第一预定数目的样本图像对应的脏器的测量体积;
计算体积确定子模块,用于根据第一预定数目的样本图像,计算得到与第一预定数目的样本图像对应的脏器的计算体积;
待扩充样本图像选择子模块,用于在第一预定数目的样本图像中选择与待扩充脏器对应的样本图像作为待扩充样本图像,待扩充脏器为第一预定数目的样本图像对应的脏器中的计算体积与测量体积之间误差小于预定阈值的脏器;
第二数据集建立子模块,用于对待扩充样本图像进行预定处理操作,建立第二标准训练图像数据集。
可选地,该第二数据集获取模块,还包括:解剖结果获取子模块,用于对与所述多个样本图像中第一预定数目的样本图像对应的脏器进行解剖,得到解剖结果。
该计算体积确定子模块,包括:
修正处理单元,用于根据解剖结果,对第一预定数目的样本图像进行第三预定数目的修正处理,得到第三预定数目的修正处理图像,第三预定数目为大于或等于3;
计算体积计算单元,用于对于第一预定数目的样本图像中的每个样本图像,确定该样本图像对应的第三预定数目的修正处理图像中脏器区域的交集区域,并且根据交集区域计算得到与第一预定数目的样本图像对应的脏器的计算体积。
可选地,预定处理操作包括如下中的至少一者:平移、旋转、滤波。
可选地,对卷积神经网络进行训练时所采用的损失函数Loss根据下式得到:
其中,为卷积神经网络预测第一标准训练图像数据集和第二标准训练图像数据集中的图像的像素k位于图像中的脏器区域的概率;wk用于表示像素k对损失函数的贡献权重,当像素k位于脏器区域的边界上时,wk为大于1的值,当像素k位于除了边界之外的其他位置时,wk为1;用于表示像素k在图像中的真实分类,当像素k位于脏器区域时,为1,当像素k位于脏器区域之外的其他位置时,为0。
可选地,该装置还包括:
样本图像获取模块,用于通过脏器成像设备对多个脏器进行扫描,得到所述多个样本图像,所述多个脏器为同种类型的脏器。
可选地,脏器成像设备包括如下中的至少一者:计算机断层扫描设备、磁共振成像设备。
本发明的有益效果包括:
本发明实施例通过对多个样本图像进行处理,得到第一标准训练图像数据集,所述多个样本图像为同种类型的脏器对应的图像;对与所述多个样本图像中第一预定数目的样本图像对应的脏器进行测量,得到第二标准训练图像数据集;根据第一标准训练图像数据集和第二标准训练图像数据集,对预设的卷积神经网络进行训练,得到所述分割模型。本发明提供了用于对脏器进行分割的分割模型,提高了脏器分割的效率和重复性。在模型训练中,通过对原始多个样本图像中的一部分样本图像对应的脏器进行测量,根据测量结果对原始训练图像数据集进行扩充,增加了高精度的训练数据量,提高了训练集数据的准确性,从而提高了经训练的卷积神经网络进行脏器分割的精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明一实施例提供的分割模型训练方法的流程示意图;
图2为本发明实施例所采用的卷积神经网络结构示意图;
图3为本发明另一实施例提供的分割模型训练方法的流程示意图;
图4为经本发明分割模型分割后的肾脏图像;
图5为本发明一实施例提供的分割模型训练装置的示意图;
图6为本发明另一实施例提供的分割模型训练装置的示意图;
图7为本发明实施例提供的分割模型训练装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
脏器疾病通常伴随着脏器形状的变化。例如,对于常染色体显性多囊肾病,随着病情的发展,全肾体积(Total Kidney Volume,TKV)随之变化,因而可以利用TKV这一指标对常染色体显性多囊肾病进行早期诊断和预后评估。随着医学影像技术(例如,计算机断层扫描(CT)、磁共振成像(MRI))的发展,非侵入式地获取高分辨率肾区图像成为可能,病理专家可以通过对图像逐层手动分割出肾脏之后,来计算出TKV。然而,这种方式严重依赖于个人经验,针对同一病例,不同专家的分割结果,甚至同一专家在不同时间做出的分割结果都不尽相同,分割效率、精度和重复性都难以保证,计算机辅助检测技术应运而生。本发明提供了用于根据脏器图像确定脏器区域的分割模型训练方法及装置。
图1为本发明一实施例提供的分割模型训练方法的流程示意图,如图1所示,该分割模型用于根据脏器图像确定脏器区域,该方法包括:
步骤101、对多个样本图像进行处理,得到第一标准训练图像数据集。
在以下本发明实施例中,为了便于说明,将以患有常染色体显性多囊肾病的肾脏为例来进行描述。特别地,在研究阶段,通常采用大鼠肾脏为例进行研究分析。本发明下文中也以大鼠肾脏为例进行描述。应当理解,本发明实施例不限于大鼠肾脏,本发明也可以应用于人类肾脏,并且本发明实施例不限于肾脏,本发明实施例也可以应用于其他脏器。
其中,多个样本图像为同种类型的脏器对应的图像。例如,样本图像均为大鼠肾脏对应的图像。
在本发明实施例中,样本图像可以通过现场采集或者通过读取已经获得的图像来获得。在获得样本图像后,可以对样本图像进行逐层勾画,从而得到样本图像中肾脏的边界,进而将标注有肾脏边界的各个样本图像作为第一标准训练图像数据集。
需要说明的是,在对样本图像进行逐层勾画的过程中,可以通过相关专业设备或者专业技术人员(例如,病理专家)进行标注,本发明实施例对此不做限定。
步骤102、对与多个样本图像中第一预定数目的样本图像对应的脏器进行测量,得到第二标准训练图像数据集。
在得到第一标准训练图像数据集之后,可以精确测量多个样本图像中一部分样本图像所对应的肾脏的离体体积。通过将测量得到的肾脏离体体积与根据图像分割之后的估算体积进行比较,选出离体体积与估算体积之间误差较小的参数所对应的大鼠肾脏,并且通过对这些大鼠肾脏的图像数据进行预定的处理操作来得到新的图像数据,以实现数据扩充,将这些新的图像数据作为第二标准训练图像数据集。
其中,离体的肾脏可以由排水法测量其体积。可以理解,这些扩充数据是高精度的训练数据。
步骤103、根据第一标准训练图像数据集和第二标准训练图像数据集,对预设的卷积神经网络进行训练,得到分割模型。
在获得第一标准训练图像数据集和第二标准训练图像数据集之后,可以利用由上述两个数据集构成的训练集(在实际应用中,通常可以将该训练集称为金标准数据集)对卷积神经网络进行训练,从而得到基于卷积神经网络的分割模型,该分割模型可以用于对脏器图像进行分割。
图2为本发明实施例所采用的卷积神经网络结构示意图,在此结构的基础之上可以衍生出更多用于大鼠多囊肾分割的卷积神经网络。图2中,图像201为初始图像,图像206为经卷积神经网络模型分割后的图像。图2中所示的卷积神经网络使用了接收野(receptive field)为3x3的9个卷积层202和3个窗口大小为2x2、跨距(Stride)为2的池化层(Max-Pooling)203。池化层203紧跟卷积层202,以逐渐减小数据规模。为了得到逐像素的分割结果,在前12层之后使用了功能相反的后12层:9个反卷积层205和3个反池化层204。前、后12层结构完全对称。
综上所述,本发明实施例通过对多个样本图像进行处理,得到第一标准训练图像数据集,所述多个样本图像为同种类型的脏器对应的图像;对与所述多个样本图像中第一预定数目的样本图像对应的脏器进行测量,得到第二标准训练图像数据集;根据第一标准训练图像数据集和第二标准训练图像数据集,对预设的卷积神经网络进行训练,得到所述分割模型。本发明提供了用于对脏器进行分割的分割模型,提高了脏器分割的效率和重复性。在模型训练中,通过对原始多个样本图像中的一部分样本图像对应的脏器进行测量,根据测量结果对原始训练图像数据集进行扩充,增加了高精度的训练数据量,提高了训练集数据的准确性,从而提高了经训练的卷积神经网络进行脏器分割的精度。
图3为本发明另一实施例提供的分割模型训练方法的流程示意图,如图3所示,该分割模型用于根据脏器图像确定脏器区域,该方法包括:
步骤301、通过脏器成像设备对多个脏器进行扫描,得到多个样本图像。
其中,多个脏器为同种类型的脏器。
可以通过脏器成像设备对患有常染色体显性多囊肾病的多个肾脏进行多层扫描,对于每一个肾脏,可以分别获得多个扫描图像,并且将这些扫描得到的图像作为本发明实施例的样本图像。脏器成像设备可以为计算机断层扫描(CT)设备或者磁共振成像(MRI)设备或者其他可以对脏器进行成像的设备,本发明对此不做限制。
步骤302、对多个样本图像进行处理,得到第一标准训练图像数据集。
通过脏器成像设备对多个脏器进行扫描,得到多个样本图像之后,可以对所得到的多个样本图像进行分割处理,确定样本图像中的脏器区域,得到多个处理后的样本图像;根据多个处理后的样本图像,建立第一标准训练图像数据集。
具体地,对于多个样本图像中的每个样本图像进行处理时,可以对该样本图像进行多次分割处理,得到多个初始处理图像。例如,可以通过相关专业设备或者专业技术人员(例如,病理专家)对样本图像进行分割处理,例如,在由专业技术人员对样本图像进行分割处理时,专业技术人员的数量可以大于或等于3,例如为3个、5个或7个等。然后,对于多个样本图像中的每个样本图像,确定该样本图像对应的多个初始处理图像中脏器区域的交集区域,从而可以得到多个处理后的样本图像。通过确定交集区域,使得所确定的脏器区域的结果更加准确,尽可能避免了人为因素导致的误差。
步骤303、对与多个样本图像中第一预定数目的样本图像对应的脏器进行测量,得到第二标准训练图像数据集。
可以对与多个样本图像中的一部分样本图像对应的脏器进行解剖,得到解剖结果。根据解剖结果,可以对样本图像的分割结果进行多次修正处理,从而得到多个修正处理图像。
为了保证数据可靠性,避免误差,可以进行三次或三次以上的修正处理,并且确定该多次修正处理图像中脏器区域的交集区域,然后根据交集区域计算得到与样本图像对应的脏器的计算体积。
另外,可以根据解剖结果,测量得到样本图像对应的脏器的测量体积。计算根据修正处理分割结果估算的计算体积与解剖之后测量的肾脏离体体积之间的误差,选取误差较小(例如,小于预定阈值)的大鼠肾脏,并依据这些被选取的大鼠肾脏的图像数据进行数据扩充处理,将经扩充处理的图像数据作为第二标准训练图像数据集。扩充处理方式包括但不局限于对图像数据进行平移、旋转、滤波等。数据扩充的规模可以根据模型所需数据量进行具体选择。
步骤304、根据第一标准训练图像数据集和第二标准训练图像数据集,对预设的卷积神经网络进行训练,得到分割模型。
本步骤304与步骤103类似,在此不再赘述。
需要说明的是,对卷积神经网络进行训练时所采用的改进的损失函数Loss根据下式得到:
其中,为卷积神经网络预测第一标准训练图像数据集和第二标准训练图像数据集中的图像的像素k位于图像中的脏器区域的概率;wk用于表示像素k对损失函数的贡献权重,当像素k位于所述脏器区域的边界上时,wk为大于1的值,当像素k位于除了边界之外的其他位置时,wk为1;用于表示像素k在图像中的真实分类,当像素k位于脏器区域时,为1,当像素k位于脏器区域之外的其他位置时,为0。
图4为经本发明分割模型分割后的肾脏图像。图示中区域401、402、403、404为卷积神经网络分割模型自动分割出来的肾脏区域。本实施例使用的数据为常染色体显性多囊肾大鼠的低场磁共振成像(MRI)的T2加权像,但是不发明不限于此,例如,也可以采用T1加权像或者CT图像。在本实施例中,例如,可以由三名病理专家进行手动分割求取交集得到用于训练卷积神经网络的标准训练图像数据集,卷积神经网络输出为各像素属于前景的概率图。损失函数为改进的交叉熵Loss,边界位置权重wk设置为2,其余位置设置为1。
由于网络输出结果为像素属于前景(脏器区域)的概率,为了得到连续的前景区域,需要对概率图进行阈值化,概率大于某个阈值的像素均属于前景。这一阈值可以通过ROC曲线(召回率和错检率曲线)来获取。至此,将新的图像输入到本发明的分割模型之后,可以得到完整的多囊肾分割结果。
综上所述,本发明使用解剖手段获取肾脏体积,与图像分割的结果进行比对,并以误差较小的数据作为数据扩充的基准,增加了高精度的训练数据量,提高了训练集数据的准确性,从源头提升了卷积神经网络的分割精度。另外,本发明使用了带权重的交叉熵作为卷积神经网络训练的损失函数,强调了对边界的学习,保证网络能在背景、前景灰度值相近时依然能得到准确的分割边界,解决了脏器在不同阶段拥有不同影像学特征而难以分割的问题。
图5为本发明一实施例提供的分割模型训练装置的示意图,如图5所示,该分割模型用于根据脏器图像确定脏器区域,该装置包括:
第一数据集获取模块501,用于对多个样本图像进行处理,得到第一标准训练图像数据集,所述多个样本图像为同种类型的脏器对应的图像;
第二数据集获取模块502,用于对与所述多个样本图像中第一预定数目的样本图像对应的脏器进行测量,得到第二标准训练图像数据集;
分割模型训练模块503,用于根据第一标准训练图像数据集和第二标准训练图像数据集,对预设的卷积神经网络进行训练,得到分割模型。
可选地,如图6所示,该第一数据集获取模块501,包括:
分割处理子模块5011,用于对所述多个样本图像进行分割处理,确定样本图像中的脏器区域,得到多个处理后的样本图像;
第一数据集建立子模块5012,用于根据所述多个处理后的样本图像,建立第一标准训练图像数据集。
可选地,该分割处理子模块5011,包括:
初始分割单元,用于对于所述多个样本图像中的每个样本图像,对该样本图像进行第二预定数目的分割处理,得到第二预定数目的初始处理图像,第二预定数目为大于或等于3;
处理后样本图像获取单元,用于对于所述多个样本图像中的每个样本图像,确定该样本图像对应的第二预定数目的初始处理图像中脏器区域的交集区域,得到所述多个处理后的样本图像。
可选地,该第二数据集获取模块502,包括:
测量体积确定子模块5021,用于测量得到与第一预定数目的样本图像对应的脏器的测量体积;
计算体积确定子模块5022,用于根据第一预定数目的样本图像,计算得到与第一预定数目的样本图像对应的脏器的计算体积;
待扩充样本图像选择子模块5023,用于在第一预定数目的样本图像中选择与待扩充脏器对应的样本图像作为待扩充样本图像,待扩充脏器为第一预定数目的样本图像对应的脏器中的计算体积与测量体积之间误差小于预定阈值的脏器;
第二数据集建立子模块5024,用于对待扩充样本图像进行预定处理操作,建立第二标准训练图像数据集。
可选地,该第二数据集获取模块502,还包括:解剖结果获取子模块5025,用于对与所述多个样本图像中第一预定数目的样本图像对应的脏器进行解剖,得到解剖结果。
该计算体积确定子模块5022,包括:
修正处理单元,用于根据解剖结果,对第一预定数目的样本图像进行第三预定数目的修正处理,得到第三预定数目的修正处理图像,第三预定数目为大于或等于3;
计算体积计算单元,用于对于第一预定数目的样本图像中的每个样本图像,确定该样本图像对应的第三预定数目的修正处理图像中脏器区域的交集区域,并且根据交集区域计算得到与第一预定数目的样本图像对应的脏器的计算体积。
可选地,预定处理操作包括如下中的至少一者:平移、旋转、滤波。
可选地,对卷积神经网络进行训练时所采用的损失函数Loss根据下式得到:
其中,为卷积神经网络预测第一标准训练图像数据集和第二标准训练图像数据集中的图像的像素k位于图像中的脏器区域的概率;wk用于表示像素k对损失函数的贡献权重,当像素k位于脏器区域的边界上时,wk为大于1的值,当像素k位于除了边界之外的其他位置时,wk为1;用于表示像素k在图像中的真实分类,当像素k位于脏器区域时,为1,当像素k位于脏器区域之外的其他位置时,为0。
可选地,该装置还包括:
样本图像获取模块504,用于通过脏器成像设备对多个脏器进行扫描,得到所述多个样本图像,所述多个脏器为同种类型的脏器。
可选地,脏器成像设备包括如下中的至少一者:计算机断层扫描设备、磁共振成像设备。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital singnal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上***(system-on-a-chip,简称SOC)的形式实现。
图7为本发明实施例提供的分割模型训练装置的示意图,该装置可以集成于终端设备或者终端设备的芯片,该终端可以是具备图像处理功能的计算设备。
该装置包括:存储器701、处理器702。
存储器701用于存储程序,处理器702调用存储器701存储的程序,以执行上述方法实施例。具体实现方式和技术效果类似,这里不再赘述。
可选地,本发明还提供一种程序产品,例如计算机可读存储介质,包括程序,该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,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***,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,在本发明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。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (9)
1.一种分割模型训练方法,其特征在于,所述分割模型用于根据脏器图像确定脏器区域,所述方法包括:
对多个样本图像进行处理,得到第一标准训练图像数据集,所述多个样本图像为同种类型的脏器对应的图像;
对与所述多个样本图像中第一预定数目的样本图像对应的脏器进行测量,得到第二标准训练图像数据集;
根据所述第一标准训练图像数据集和所述第二标准训练图像数据集,对预设的卷积神经网络进行训练,得到所述分割模型;
所述对与所述多个样本图像中第一预定数目的样本图像对应的脏器进行测量,得到第二标准训练图像数据集,包括:
测量得到与所述第一预定数目的样本图像对应的脏器的测量体积;
根据所述第一预定数目的样本图像,计算得到与所述第一预定数目的样本图像对应的脏器的计算体积;
在所述第一预定数目的样本图像中选择与待扩充脏器对应的样本图像作为待扩充样本图像,所述待扩充脏器为所述第一预定数目的样本图像对应的脏器中的所述计算体积与所述测量体积之间误差小于预定阈值的脏器;
对所述待扩充样本图像进行预定处理操作,建立所述第二标准训练图像数据集。
2.如权利要求1所述的方法,其特征在于,所述对多个样本图像进行处理,得到第一标准训练图像数据集,包括:
对所述多个样本图像进行分割处理,确定所述样本图像中的脏器区域,得到多个处理后的样本图像;
根据所述多个处理后的样本图像,建立所述第一标准训练图像数据集。
3.如权利要求2所述的方法,其特征在于,所述对所述多个样本图像进行分割处理,确定所述样本图像中的脏器区域,得到多个处理后的样本图像,包括:
对于所述多个样本图像中的每个样本图像,对该样本图像进行第二预定数目的分割处理,得到所述第二预定数目的初始处理图像,所述第二预定数目为大于或等于3;
对于所述多个样本图像中的每个样本图像,确定该样本图像对应的所述第二预定数目的初始处理图像中脏器区域的交集区域,得到所述多个处理后的样本图像。
4.如权利要求1所述的方法,其特征在于,所述对与所述多个样本图像中第一预定数目的样本图像对应的脏器进行测量,得到第二标准训练图像数据集,还包括:对与所述多个样本图像中第一预定数目的样本图像对应的脏器进行解剖,得到解剖结果,
所述根据所述第一预定数目的样本图像,计算得到与所述第一预定数目的样本图像对应的脏器的计算体积,包括:
根据所述解剖结果,对所述第一预定数目的样本图像进行第三预定数目的修正处理,得到所述第三预定数目的修正处理图像,所述第三预定数目为大于或等于3;
对于所述第一预定数目的样本图像中的每个样本图像,确定该样本图像对应的所述第三预定数目的修正处理图像中脏器区域的交集区域,并且根据所述交集区域计算得到与所述第一预定数目的样本图像对应的脏器的计算体积。
5.如权利要求1所述的方法,其特征在于,所述预定处理操作包括如下中的至少一者:平移、旋转、滤波。
7.如权利要求1至6中任一项所述的方法,其特征在于,在所述对多个样本图像进行处理,得到第一标准训练图像数据集之前,还包括:
通过脏器成像设备对多个脏器进行扫描,得到所述多个样本图像,所述多个脏器为同种类型的脏器。
8.如权利要求7所述的方法,其特征在于,所述脏器成像设备包括如下中的至少一者:计算机断层扫描设备、磁共振成像设备。
9.一种分割模型训练装置,其特征在于,所述分割模型用于根据脏器图像确定脏器区域,所述装置包括:
第一数据集获取模块,用于对多个样本图像进行处理,得到第一标准训练图像数据集,所述多个样本图像为同种类型的脏器对应的图像;
第二数据集获取模块,用于对与所述多个样本图像中第一预定数目的样本图像对应的脏器进行测量,得到第二标准训练图像数据集;
分割模型训练模块,用于根据所述第一标准训练图像数据集和所述第二标准训练图像数据集,对预设的卷积神经网络进行训练,得到所述分割模型;
所述第二数据集获取模块包括:
测量体积确定子模块,用于测量得到与所述第一预定数目的样本图像对应的脏器的测量体积;
计算体积确定子模块,用于根据所述第一预定数目的样本图像,计算得到与所述第一预定数目的样本图像对应的脏器的计算体积;
待扩充样本图像选择子模块,用于在所述第一预定数目的样本图像中选择与待扩充脏器对应的样本图像作为待扩充样本图像,所述待扩充脏器为所述第一预定数目的样本图像对应的脏器中的所述计算体积与所述测量体积之间误差小于预定阈值的脏器;
第二数据集建立子模块,用于对所述待扩充样本图像进行预定处理操作,建立所述第二标准训练图像数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910046267.7A CN109767448B (zh) | 2019-01-17 | 2019-01-17 | 分割模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910046267.7A CN109767448B (zh) | 2019-01-17 | 2019-01-17 | 分割模型训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109767448A CN109767448A (zh) | 2019-05-17 |
CN109767448B true CN109767448B (zh) | 2021-06-01 |
Family
ID=66452509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910046267.7A Active CN109767448B (zh) | 2019-01-17 | 2019-01-17 | 分割模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109767448B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210356A (zh) * | 2019-05-24 | 2019-09-06 | 厦门美柚信息科技有限公司 | 一种图片鉴别方法、装置及*** |
CN110689548B (zh) * | 2019-09-29 | 2023-01-17 | 浪潮电子信息产业股份有限公司 | 一种医学图像分割方法、装置、设备及可读存储介质 |
US20210192291A1 (en) * | 2019-12-20 | 2021-06-24 | GE Precision Healthcare LLC | Continuous training for ai networks in ultrasound scanners |
CN112330627A (zh) * | 2020-11-03 | 2021-02-05 | 广州信瑞医疗技术有限公司 | 一种切片图像处理方法及模型训练方法和*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886512A (zh) * | 2016-09-29 | 2018-04-06 | 法乐第(北京)网络科技有限公司 | 一种确定训练样本的方法 |
CN108596915A (zh) * | 2018-04-13 | 2018-09-28 | 深圳市未来媒体技术研究院 | 一种基于无标注数据的医疗图像分割方法 |
CN108764372A (zh) * | 2018-06-08 | 2018-11-06 | Oppo广东移动通信有限公司 | 数据集的构建方法和装置、移动终端、可读存储介质 |
CN109035187A (zh) * | 2018-07-10 | 2018-12-18 | 杭州依图医疗技术有限公司 | 一种医学图像的标注方法及装置 |
CN109165645A (zh) * | 2018-08-01 | 2019-01-08 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置以及相关设备 |
CN109190540A (zh) * | 2018-06-06 | 2019-01-11 | 腾讯科技(深圳)有限公司 | 活检区域预测方法、图像识别方法、装置和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7876938B2 (en) * | 2005-10-06 | 2011-01-25 | Siemens Medical Solutions Usa, Inc. | System and method for whole body landmark detection, segmentation and change quantification in digital images |
DE102015103468A1 (de) * | 2015-03-10 | 2016-09-15 | Ernst-Moritz-Arndt-Universität Greifswald | Verfahren zur Segmentierung eines Organs und/oder Organbereiches in mehrkanaligen Volumendatensätzen der Magnetresonanztomographie |
CN106096632A (zh) * | 2016-06-02 | 2016-11-09 | 哈尔滨工业大学 | 基于深度学习和mri图像的心室功能指标预测方法 |
CN108447551A (zh) * | 2018-02-09 | 2018-08-24 | 北京连心医疗科技有限公司 | 一种基于深度学习的靶区自动勾画方法、设备和存储介质 |
-
2019
- 2019-01-17 CN CN201910046267.7A patent/CN109767448B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886512A (zh) * | 2016-09-29 | 2018-04-06 | 法乐第(北京)网络科技有限公司 | 一种确定训练样本的方法 |
CN108596915A (zh) * | 2018-04-13 | 2018-09-28 | 深圳市未来媒体技术研究院 | 一种基于无标注数据的医疗图像分割方法 |
CN109190540A (zh) * | 2018-06-06 | 2019-01-11 | 腾讯科技(深圳)有限公司 | 活检区域预测方法、图像识别方法、装置和存储介质 |
CN108764372A (zh) * | 2018-06-08 | 2018-11-06 | Oppo广东移动通信有限公司 | 数据集的构建方法和装置、移动终端、可读存储介质 |
CN109035187A (zh) * | 2018-07-10 | 2018-12-18 | 杭州依图医疗技术有限公司 | 一种医学图像的标注方法及装置 |
CN109165645A (zh) * | 2018-08-01 | 2019-01-08 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置以及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109767448A (zh) | 2019-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109767448B (zh) | 分割模型训练方法及装置 | |
US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
Mahapatra et al. | Image super-resolution using progressive generative adversarial networks for medical image analysis | |
WO2021169128A1 (zh) | 眼底视网膜血管识别及量化方法、装置、设备及存储介质 | |
WO2021203795A1 (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
Mahapatra et al. | Retinal vasculature segmentation using local saliency maps and generative adversarial networks for image super resolution | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
US7813536B2 (en) | Image measuring apparatus and method, and image measuring system for glomerular filtration rate | |
CN111429451B (zh) | 医学超声图像分割方法及装置 | |
CN112132166B (zh) | 一种数字细胞病理图像智能分析方法、***及装置 | |
Mahapatra et al. | Progressive generative adversarial networks for medical image super resolution | |
KR20230059799A (ko) | 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델 | |
WO2019182520A1 (en) | Method and system of segmenting image of abdomen of human into image segments corresponding to fat compartments | |
CN111340756B (zh) | 一种医学图像病变检出合并方法、***、终端及存储介质 | |
CN113470102B (zh) | 高精度测量眼底血管弯曲度的方法、装置、介质和设备 | |
CN110619635B (zh) | 基于深度学习的肝细胞癌磁共振图像分割***和方法 | |
CN104732520A (zh) | 一种胸部数字影像的心胸比测量算法及*** | |
CN114119637B (zh) | 基于多尺度融合和拆分注意力的脑白质高信号分割方法 | |
CN113610752A (zh) | 乳腺图像配准方法、计算机设备和存储介质 | |
CN113223015A (zh) | 血管壁图像分割方法、装置、计算机设备和存储介质 | |
CN114693671B (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
CN115018863A (zh) | 基于深度学习的图像分割方法及装置 | |
CN113724203B (zh) | 应用于oct图像中目标特征分割的模型训练方法及装置 | |
WO2018098697A1 (zh) | 一种影像特征的可重复性测量方法及装置 | |
CN113192067B (zh) | 基于图像检测的智能预测方法、装置、设备及介质 |
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 |