网络模型训练、医学图像处理方法、装置、介质及设备制造方法及图纸

本申请涉及一种网络模型训练方法及装置、医学图像处理方法及装置、存储介质及计算机设备，在训练用于自动阅片的网络模型时，样本医学图像包含不同层级的图像结构，阅片数据包括各层级的图像结构对应的用户标注结果，使得训练好的网络模型可以在自动阅片的过程中，根据不同层级的图像结构特征检测出多种病况并进行标注，从而可以提高标注效率，且检测范围更全面；另外，阅片数据还包括各层级的图像结构对应的关注度信息，关注度信息表征用户对该图像结构的病变重视程度，关注度越高，医生对病变的重视程度越高，表明病变危急程度也越高，从而可以更好地模拟医生进行人工标注的处理过程，提高标注结果的准确性，以便于支持后期准确确诊。

Network model training, medical image processing methods, devices, media and equipment

【技术实现步骤摘要】
网络模型训练、医学图像处理方法、装置、介质及设备
本申请涉及图像处理
，特别是涉及一种网络模型训练方法及装置、一种医学图像处理方法及装置、存储介质及计算机设备。
技术介绍
随着医学成像技术的飞速发展，产生了各种医学扫描图像，如PET(PositronEmissionComputedTomography，正电子发射型计算机断层显像)图像、CT(ComputedTomography，电子计算机断层扫描)图像、MRI(MagneticResonanceImaging，磁共振成像)图像等。医学图像是医生诊断的重要参考依据，因此，医学图像的有效标注具有重要意义。现有技术中，在自动进行医学图像标注的过程时，所采用的模型通常是单病种模型，即只能检测标注单种病况，从而降低标注效率，另外，在根据现有的标注结果进行患者的疾病诊断时，由于病况检测不全也会加重漏诊的风险。
技术实现思路
基于此，有必要针对现有技术存在的问题，提供一种标注效率更高、检测更全面以支持后期准确确诊的网络模型训练方法及装置、医学图像处理方法及装置、存储本文档来自技高网...

【技术保护点】
1.一种网络模型训练方法，其特征在于，包括：/n获取样本医学图像，所述样本医学图像包含不同层级的图像结构；/n获取所述样本医学图像对应的阅片数据，根据所述阅片数据，获取用户在对所述样本医学图像进行阅片的过程中，对不同图像结构对应的关注度信息以及用户标注数据，所述关注度信息用于表征用户对图像结构的病变重视程度；/n根据所述样本医学图像、各所述图像结构对应的关注度信息以及所述用户标注结果对初始网络模型进行训练，得到训练好的网络模型。/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：
获取样本医学图像，所述样本医学图像包含不同层级的图像结构；
获取所述样本医学图像对应的阅片数据，根据所述阅片数据，获取用户在对所述样本医学图像进行阅片的过程中，对不同图像结构对应的关注度信息以及用户标注数据，所述关注度信息用于表征用户对图像结构的病变重视程度；
根据所述样本医学图像、各所述图像结构对应的关注度信息以及所述用户标注结果对初始网络模型进行训练，得到训练好的网络模型。


2.根据权利要求1所述的方法，其特征在于，所述关注度信息包括所述用户进行阅片的过程中对所述样本医学图像上的图像结构的关注顺序、关注位置、关注范围以及关注时长。


3.根据权利要求1所述的方法，其特征在于，所述关注度信息的获取过程包括：
获取所述用户在不同显示模式的样本医学图像上的关注点运动轨迹；
基于所述关注点运动轨迹得到所述用户的阅片流程信息，所述阅片流程信息依次包括第一层级图像结构的阅片处理以及第二层级图像结构的阅片处理，其中，第一层级高于第二层级；
根据所述阅片流程信息确定所述用户对不同层级的图像结构的关注度。


4.根据权利要求3所述的方法，其特征在于，所述获取所述用户在不同显示模式的样本医学图像上的关注点运动轨迹包括：
在用户观察所述样本医学图像时，获取所述用户的眼部图像，并提取所述眼部图像中的眼部特征信息；
根据所述眼部特征信息确定所述用户的视线方向向量；
基于所述视线方向向量以及当前显示模式下的样本医学图像，确定用户在所述样本医学图像上的关注点；
根据在用户观察过程中确定的所有关注点得到所述关注点运动轨迹。


5.一种医学图像处理方法，其特征在于，包括：
获取待处理的医学图像；
通过训练好的网络模型对所述医学图像进行图像阅片处理，得到所述医学图像...

【专利技术属性】
技术研发人员：薛忠，曹晓欢，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：上海;31