冠脉分割模型的样本评价方法及模型训练方法技术

本发明专利技术公开了一种冠脉分割模型的样本评价方法，包括S1、输入样本对3D冠脉分割模型进行训练，获得体预测数据；S2、对样本及与其对应的体预测数据分别沿Z方向进行切片，对各切片进行评分计算：S21、对样本切片进行标记；S22、将样本切片标记结果与对应的体预测数据切片结果进行比较，获得样本切片的评分；S23、对各样本切片的评分取均值，获得样本的评分。同时，本发明专利技术还公开了两种冠脉分割模型的训练方法，即利用前述样本评分分别对冠脉分割模型单次训练或多次训练的样本进行评价，并根据样本的难易程度赋予不同的训练策略，从而获取更优的训练模型。

【技术实现步骤摘要】
冠脉分割模型的样本评价方法及模型训练方法
本专利技术涉及冠脉图像分割领域，具体涉及一种冠脉分割模型的样本评价方法及模型训练方法。
技术介绍
自动化冠脉重建对医生具有重要的临床价值和实际意义。由于，3D冠脉模型在训练时采用的损失函数为DiceLoss，该函数不能让分割学习到连通信息，而冠脉是个连续体，若该连续体的预测结果发生断裂，则其预测结果对后处理环节是非常不鲁棒的。因此，需要对冠脉分割模型的训练结果进行评价，同时提出对应的模型训练方法，以提高预测结果的鲁棒性。
技术实现思路
本专利技术的目的在于提供一种冠脉分割模型的样本评价方法及模型训练方法。为实现上述目的，本专利技术采用以下技术方案：冠脉分割模型的样本评价方法，包括S1、输入样本对3D冠脉分割模型进行训练，获得冠脉分割的体预测数据；S2、对样本及与其对应的体预测数据分别沿Z方向进行切片，对各切片进行评分计算：S21、对样本切片进行标记；S22、将样本切片标记结果与对应的体预测数据切片结果进行比较，获得样本切片的评分：若体预测数据切片在对应于样本切片的标记位置出现分割，则真阳数加1；若体预测数据切片在对应于样本切片的标记位置未出现分割，则假阴数加1；若体预测数据切片在非对应于样本切片的标记位置出现分割，则假阳数加1；则样本切片评分＝2TP(2TP+FP+FN)，式中，TP为真阳数，FP为假阳数，FN为假阴数；S23、对各样本切片的评分取均值，获得样本的评分。本专利技术还提供一种冠脉分割模型的训练方法，包括：S1、利用如前述的冠脉分割模型的样本评价方法对当前训练周期的所有样本进行评价，得到每个样本的评分；S2、对各样本按评分进行分类，对不同类的样本采用不同的训练策略。本专利技术还提供又一种冠脉分割模型的训练方法，包括：S1、对每个样本进行多次不同条件的训练；S2、利用如前述的冠脉分割模型的样本评价方法对每次训练到一定周期或训练完成的样本进行评分，使每个样本获得多项评分；S3、对每个样本进行均值计算或投票，获得每个样本的综合评分；S4、对各样本的按其综合评分进行分类，对不同类的样本采用不同的训练策略。采用上述技术方案后，本专利技术与
技术介绍
相比，具有如下优点：1、本专利技术提出了一种新的评价冠脉分割模型训练的方法，其能对样本的难易进行量化的评价，从而直观地体现冠脉分割模型的优劣。2、本专利技术利用得到的样本难易评价结果对训练过程进行优化，得到更优化的训练方案，从而使得结果更鲁棒。附图说明图1为样本评分原理示意图，图1左侧所示为标记样本的切片，右侧所示为预测结果。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。实施例1本专利技术公开了一种冠脉分割模型的样本评价方法，包括：S1、输入样本对3D冠脉分割模型进行训练，获得冠脉分割的体预测数据；S2、对样本及与其对应的体预测数据分别沿Z方向进行切片，对各切片进行评分计算：S21、对样本切片进行标记；S22、将样本切片标记结果与对应的体预测数据切片结果进行比较，获得样本切片的评分：若体预测数据切片在对应于样本切片的标记位置出现分割，则真阳数加1；若体预测数据切片在对应于样本切片的标记位置未出现分割，则假阴数加1；若体预测数据切片在非对应于样本切片的标记位置出现分割，则假阳数加1；则样本切片评分＝2TP(2TP+FP+FN)，式中，TP为真阳数，FP为假阳数，FN为假阴数；S23、对各样本切片的评分取均值，获得样本的评分。实施例2本专利技术还提供一种冠脉分割模型的训练方法，包括：S1、利用如权利要求1所述的冠脉分割模型的样本评价方法对当前训练周期的所有样本进行评价，得到每个样本的评分；S2、对不同评分的样本进行分类，对不同类的样本采用不同的训练策略。样本分类可以基于以下思想：a、对各样本评分统计均值，将评分低于均值的样本评价为难样本，将评分大于等于均值的样本评价为容易样本；b、将样本按其评分的高低进行排布，按设定比例(本实施例中设定为5％)从中选取其中评分最低的样本，评价为难样本，其余样本评价为容易样本。c、根据样本评分确定，将样本评分大于等于0.8的样本评价为容易样本，将样本评分低于0.8以下的样本评价为难样本。不同的训练策略包括不同的训练次数或样本增强方法。其中，不同的训练次数可以基于以下思想：a、对于定义为容易样本的样本，其随机不参与各个训练周期的训练；对于定义为难样本的样本，其参与每次训练。随机频次设定为一个阈值区间，本实施例中可设定为2-4次，即最少连续两次不参与训练，最多连续4次不参与训练。b、对于定义为容易样本的样本，其每个训练周期训练一次；对于定义为难样本的样本，其每个训练周期随机增加训练次数。同样地，随机频次设定为一个阈值区间，本实施例中可设定为2-4次，即对于难样本，其在每个训练周期中随机增加2-4次的训练。不同的样本增强方法可以基于以下思想：对容易样本只做平移处理；对难样本，随机进行旋转、放缩以及平移。其中，旋转的角度不超过45度，放缩倍数不超过1.5倍。实施例3本专利技术还提供又一种冠脉分割模型的训练方法，包括：S1、对每个样本进行多次不同条件的训练；S2、利用如权利要求1所述的冠脉分割模型的样本评价方法对每次训练到一定周期或训练完成的样本进行评分，使每个样本获得多项评分；S3、对每个样本进行均值计算或投票，获得每个样本的综合评分；S4、对每个样本的综合评分进行分类，对不同类的样本采用不同的训练策略。所述不同的训练策略参照实施例2进行。以上所述，仅为本专利技术较佳的具体实施方式，但本专利技术的保护范围并不局限于此，任何熟悉本
的技术人员在本专利技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本专利技术的保护范围之内。因此，本专利技术的保护范围应该以权利要求的保护范围为准。本文档来自技高网...

【技术保护点】
1.冠脉分割模型的样本评价方法，其特征在于：包括S1、输入样本对3D冠脉分割模型进行训练，获得冠脉分割的体预测数据；S2、对样本及与其对应的体预测数据分别沿Z方向进行切片，对各切片进行评分计算：S21、对样本切片进行标记；S22、将样本切片标记结果与对应的体预测数据切片结果进行比较，获得样本切片的评分：若体预测数据切片在对应于样本切片的标记位置出现分割，则真阳数加1；若体预测数据切片在对应于样本切片的标记位置未出现分割，则假阴数加1；若体预测数据切片在非对应于样本切片的标记位置出现分割，则假阳数加1；则样本切片评分＝2TP(2TP+FP+FN)，式中，TP为真阳数，FP为假阳数，FN为假阴数；S23、对各样本切片的评分取均值，获得样本的评分。

【技术特征摘要】
1.冠脉分割模型的样本评价方法，其特征在于：包括S1、输入样本对3D冠脉分割模型进行训练，获得冠脉分割的体预测数据；S2、对样本及与其对应的体预测数据分别沿Z方向进行切片，对各切片进行评分计算：S21、对样本切片进行标记；S22、将样本切片标记结果与对应的体预测数据切片结果进行比较，获得样本切片的评分：若体预测数据切片在对应于样本切片的标记位置出现分割，则真阳数加1；若体预测数据切片在对应于样本切片的标记位置未出现分割，则假阴数加1；若体预测数据切片在非对应于样本切片的标记位置出现分割，则假阳数加1；则样本切片评分＝2TP(2TP+FP+FN)，式中，TP为真阳数，FP为假阳数，FN为假阴数；S2...

【专利技术属性】
技术研发人员：肖月庭，阳光，郑超，
申请(专利权)人：数坤北京网络科技有限公司，
类型：发明
国别省市：北京,11