网络模型训练方法及装置、病灶区域确定方法及装置制造方法及图纸

公开了一种网络模型训练方法及装置、病灶区域确定方法及装置，涉及图像处理技术领域。该网络模型训练方法包括：基于样本图像确定第一训练数据，其中，样本图像包括病灶区域，第一训练数据包括标记的第一病灶区域坐标信息和第一病灶类型信息；确定初始网络模型，并基于样本图像训练所述初始网络模型，以生成用于确定医学图像中的病灶区域的网络模型。利用本公开实施例提供的网络模型训练方法训练生成的用于确定医学图像中的病灶区域的网络模型，能够确定与样本图像同类型的医学图像中的病灶区域(比如确定病灶区域对应的病灶区域坐标信息)，因此，与现有技术相比，本公开实施例能够有效提高病灶区域的确定效率以及确定精准度。

Network model training method and device, focus area determination method and device

【技术实现步骤摘要】
网络模型训练方法及装置、病灶区域确定方法及装置
本公开涉及图像处理
，具体涉及网络模型训练方法及装置、病灶区域确定方法及装置、计算机可读存储介质及电子设备。
技术介绍
随着医学影像技术和图像处理技术的快速发展，基于医学影像进行的病灶检测、病灶定位以及病灶分类等操作日益成为预防及治疗疾病的重要手段。在疾病的诊断过程中，快速且精准地确定医学影像中的病灶区域的具体位置是进行疾病诊断操作的基础前提，其重要性不言而喻。然而在现有技术中，仍需依赖人工(比如医生)进行病灶区域的确定操作，效率低下，而且可能存在精度不高的问题。因此，如何辅助医生进行病灶区域的确定以提高确认病灶的效率和精度是亟待解决的问题。
技术实现思路
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种网络模型训练方法及装置、病灶区域确定方法及装置、计算机可读存储介质及电子设备。在一方面，本公开实施例提供了一种网络模型训练方法，该网络模型训练方法包括：基于样本图像确定第一训练数据，其中，样本图像包括病灶区域，第一训练数据包括标记的第一病灶区域坐标信息和第一病灶类型信息；确定初始网络模型，并基于样本图像训练所述初始网络模型，以生成用于确定医学图像中的病灶区域的网络模型。在另一方面，本公开实施例提供了一种病灶区域确定方法，该病灶区域确定方法包括：确定需要确定病灶区域的医学图像；将医学图像输入至用于确定医学图像中的病灶区域的网络模型，以确定医学图像的病灶区域坐标信息，其中，用于确定医学图像中的病灶区域的网络模型可基于上述实施例提及的网络模型训练方法获得。在另一方面，本公开实施例提供了一种网络模型训练装置，该网络模型训练装置包括：第一训练数据确定模块，用于基于样本图像确定第一训练数据，其中，样本图像包括病灶区域，第一训练数据包括标记的第一病灶区域坐标信息和第一病灶类型信息；训练模块，用于确定初始网络模型，并基于样本图像训练所述初始网络模型，以生成用于确定医学图像中的病灶区域的网络模型。在另一方面，本公开实施例提供了一种病灶区域确定装置，该病灶区域确定装置包括：图像确定模块，用于确定需要确定病灶区域的医学图像；病灶区域确定模块，用于将医学图像输入至用于确定医学图像中的病灶区域的网络模型，以确定医学图像的病灶区域坐标信息，其中，用于确定医学图像中的病灶区域的网络模型可基于上述实施例提及的网络模型训练方法获得。在另一方面，本公开实施例提供了一种计算机可读存储介质，该存储介质存储有计算机程序，该计算机程序用于执行上述实施例所提及的网络模型训练方法，或执行上述实施例所提及的病灶区域确定方法。在另一方面，本公开实施例提供了一种电子设备，该电子设备包括：处理器和用于存储处理器可执行指令的存储器，其中，处理器用于执行上述实施例所提及的网络模型训练方法，或执行上述实施例所提及的病灶区域确定方法。本公开实施例提供的网络模型训练方法，通过基于样本图像确定第一训练数据，然后确定初始网络模型，并基于样本图像训练初始网络模型，以生成用于确定医学图像中的病灶区域的网络模型的方式，实现了利用样本图像训练初始网络模型以生成用于确定医学图像中的病灶区域的网络模型的目的。由于样本图像为包括病灶区域的医学图像，基于样本图像确定的第一训练数据包括标记的第一病灶区域坐标信息和第一病灶类型信息，因此，基于样本图像训练生成的用于确定医学图像中的病灶区域的网络模型能够用于辅助医生确定任一与样本图像同类型的医学图像中的病灶区域。综上，利用本公开实施例提供的网络模型训练方法训练生成的用于确定医学图像中的病灶区域的网络模型，能够辅助医生确定与样本图像同类型的医学图像中的病灶区域(比如确定病灶区域对应的病灶区域坐标信息)，因此，与现有技术相比，本公开实施例能够有效提高病灶区域的确定效率以及确定精准度。本公开实施例提供的病灶区域确定方法，通过将需要确定病灶区域的医学图像输入至用于确定医学图像中的病灶区域的网络模型，以确定医学图像的病灶区域坐标信息的方式，实现了确定医学图像中的病灶区域坐标信息的目的。由于本公开实施例提供的病灶区域确定方法是基于用于确定医学图像中的病灶区域的网络模型实现的，因此，与现有方案相比，本公开实施例无需对需要确定病灶区域的医学图像进行复杂的图像增强、滤波变换等处理操作，进而避免了因图像质量等因素导致的病灶区域坐标信息预测失败等情况。即，本公开实施例所提供的病灶区域确定方法具备稳定性高、鲁棒性好等优势。附图说明通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。图1所示为本公开实施例所适用的一场景示意图。图2所示为本公开实施例所适用的另一场景示意图。图3所示为本公开一示例性实施例提供的网络模型训练方法的流程示意图。图4所示为本公开一示例性实施例提供的基于样本图像训练初始网络模型，以生成用于确定医学图像中的病灶区域的网络模型的流程示意图。图5所示为本公开另一示例性实施例提供的基于样本图像训练初始网络模型，以生成用于确定医学图像中的病灶区域的网络模型的流程示意图。图6所示为本公开一示例性实施例提供的基于第二训练数据中的第二病灶类型信息与第一训练数据中的第一病灶类型信息调整预测模型的网络参数和图像特征提取模型的网络参数的流程示意图。图7所示为本公开又一示例性实施例提供的基于样本图像训练初始网络模型，以生成用于确定医学图像中的病灶区域的网络模型的流程示意图。图8所示为本公开一示例性实施例提供的初始网络模型的结构示意图。图9所示为本公开一示例性实施例提供的基于第一训练数据和第二训练数据对初始网络模型进行第一次参数调整操作，以生成用于确定医学图像中的病灶区域的网络模型的流程示意图。图10所示为本公开一示例性实施例提供的基于样本图像确定第一训练数据的流程示意图。图11所示为本公开一示例性实施例提供的病灶区域确定方法的流程示意图。图12所示为本公开另一示例性实施例提供的病灶区域确定方法的流程示意图。图13所示为本公开一示例性实施例提供的医学图像的区域划分示意图。图14所示为本公开一示例性实施例提供的对医学图像进行区域划分操作，以生成多个划分区域的流程示意图。图15所示为本公开一示例性实施例提供的基于病灶区域坐标信息确定病灶区域与多个划分区域的位置关系的流程示意图。图16所示为基于图13所示区域划分情况对包括肺野区域的医学图像的病灶区域进行定位的定位示意图。图17所示为本公开一示例性实施例提供的网络模型训练装置的结构示意图。图18所示为本公开一示例性实施例提供的训练模块的结构示意图。图19所示为本公开另一示例性实施例提供的训练模块的结构示意图。图20所示为本公开一示本文档来自技高网...

【技术保护点】
1.一种网络模型训练方法，其特征在于，包括：/n基于样本图像确定第一训练数据，其中，所述样本图像包括病灶区域，所述第一训练数据包括标记的第一病灶区域坐标信息和第一病灶类型信息；/n确定初始网络模型，并基于所述样本图像训练所述初始网络模型，以生成用于确定医学图像中的病灶区域的网络模型。/n

【技术特征摘要】
1.一种网络模型训练方法，其特征在于，包括：
基于样本图像确定第一训练数据，其中，所述样本图像包括病灶区域，所述第一训练数据包括标记的第一病灶区域坐标信息和第一病灶类型信息；
确定初始网络模型，并基于所述样本图像训练所述初始网络模型，以生成用于确定医学图像中的病灶区域的网络模型。


2.根据权利要求1所述的方法，其特征在于，所述基于所述样本图像训练所述初始网络模型，以生成用于确定医学图像中的病灶区域的网络模型，包括：
将所述样本图像输入至所述初始网络模型，以确定与所述第一训练数据对应的第二训练数据，其中，所述第二训练数据包括第二病灶区域坐标信息和第二病灶类型信息；
基于所述第一训练数据和所述第二训练数据对所述初始网络模型进行第一次参数调整操作，以生成用于确定医学图像中的病灶区域的网络模型。


3.根据权利要求2所述的方法，其特征在于，所述初始网络模型包括信号连接的图像特征提取模型和预测模型，所述基于所述第一训练数据和所述第二训练数据对所述初始网络模型进行第一次参数调整操作，包括：
基于所述第二训练数据中的所述第二病灶类型信息与所述第一训练数据中的所述第一病灶类型信息调整所述预测模型的网络参数和所述图像特征提取模型的网络参数。


4.根据权利要求3所述的方法，其特征在于，所述预测模型包括坐标信息预测子模型和类型信息预测子模型，所述基于所述第二训练数据中的所述第二病灶类型信息与所述第一训练数据中的所述第一病灶类型信息调整所述预测模型的网络参数和所述图像特征提取模型的网络参数，包括：
基于所述第二病灶类型信息和所述第一病灶类型信息调整所述预测模型中的所述类型信息预测子模型的网络参数；
基于调整后的所述类型信息预测子模型调整所述图像特征提取模型的网络参数；
基于调整后的所述图像特征提取模型调整所述预测模型中的所述坐标信息预测子模型的网络参数。


5.根据权利要求4所述的方法，其特征在于，所述类型信息预测子模型中的损失函数包括基于预测概率生成的对数函数。


6.根据权利要求4所述的方法，其特征在于，所述类型信息预测子模型中的损失函数和/或所述坐标信息预测子模型中的损失函数为交叉熵损失函数。


7.根据权利要求3所述的方法，其特征在于，所述基于所述第一训练数据和所述第二训练数据对所述初始网络模型进行第一次参数调整操作，还包括：
基于所述第二训练数据中的所述第二病灶区域坐标信息和所述第一训练数据中的所述第一病灶区域坐标信息调整所述图像特征提取模型的网络参数。


8.根据权利要求3至7任一所述的方法，其特征在于，所述图像特征提取模型包括ResNext-50网络模型和全景特征金字塔网络模型。


9.根据权利要求2所述的方法，其特征在于，所述基于所述第一训练数据和所述第二训练数据对所述初始网络模型进行第一次参数调整操作，以生成用于确定医学图像中的病灶区域的网络模型，包括：
基于所述第一训练数据和所述第二训练数据对所述初始网络模型进行第一次参数调整操作；
基于所述样本图像和进行所述第一次参数调整操作后的初始网络模型确定与所述第一训练数据对应的第三训练数据，其中，所述第三训练数据包括第三病灶区域坐标信息和第三病灶类型信息；
基于所述第一训练数据和所述第三训练数据对进行所述第一次参数调整操作后的初始网络模型进行第二次参数调整操作...

【专利技术属性】
技术研发人员：王慧芳，王少康，陈宽，
申请(专利权)人：北京推想科技有限公司，
类型：发明
国别省市：北京;11