【技术实现步骤摘要】
肺叶肺段分割模型训练方法和装置
本申请涉及影像分析
，具体涉及一种肺叶肺段分割模型训练方法、装置、电子设备和计算机可读存储介质。
技术介绍
在肺部疾病的诊疗过程中，定位疾病位置是制定治疗方案的关键步骤。肺叶和肺段分割又是定位病灶位置的第一步。传统的肺叶和肺段分割是由诊疗医生手动勾画的。由于肺部结构复杂，不同医生勾画的结果相差较大，并且低年资的医生需要耗费更多的时间来判断肺叶和肺段的位置。随着计算机技术和医疗影像技术的发展，医生可以借助计算机辅助技术来提升肺叶和肺段的分割准确率与速度。近年来，随着深度学习技术的发展，一些医疗影像技术研究者就开始将深度学习技术与医疗影像处理相结合，其中基于深度学习的肺叶分割技术就是其中一个重要的研究方向。基于深度学习的肺叶分割目前已经达到很高的准确率，并且具有很好的泛化能力。现有的肺叶和肺段分割技术基本都属于两阶段算法，即第一阶段先实现对肺叶的分割，第二阶段实现对肺段的分割。由于完全标注肺段分割的数据获取难度极大，所以现有的深度学习模型基本都只实现了肺叶的自动化分割。肺段的分割结果...
【技术保护点】
1.一种肺叶肺段分割模型训练方法，其特征在于，包括：/n获取包括肺区域标记、肺叶区域标记和肺段区域标记的样本影像数据；/n将所述样本影像数据输入实例分割模型以获取肺叶轮廓分割结果和肺段轮廓分割结果；/n根据所述肺叶轮廓分割结果和所述肺段轮廓分割结果与所述肺叶区域标记和所述肺段区域标记的差别计算损失函数值；以及/n基于所述损失函数值调整所述实例分割模型的网络参数。/n
【技术特征摘要】
1.一种肺叶肺段分割模型训练方法，其特征在于，包括：
获取包括肺区域标记、肺叶区域标记和肺段区域标记的样本影像数据；
将所述样本影像数据输入实例分割模型以获取肺叶轮廓分割结果和肺段轮廓分割结果；
根据所述肺叶轮廓分割结果和所述肺段轮廓分割结果与所述肺叶区域标记和所述肺段区域标记的差别计算损失函数值；以及
基于所述损失函数值调整所述实例分割模型的网络参数。
2.根据权利要求1所述的方法，其特征在于，所述获取包括肺区域标记、肺叶区域标记和肺段区域标记的样本影像数据包括：
获取包括所述肺区域标记和所述肺叶区域标记的所述样本影像数据；
获取医生在所述样本影像数据的预设层面以任意闭合形状标记的肺段区域的肺段区域标记；以及
基于肺段和肺叶的结构从属信息，修正错误的肺段区域标记。
3.根据权利要求2所述的方法，其特征在于，所述预设层面通过如下步骤获取：
将包括多个层面的所述样本影像数据分成多份；以及
从每一份的所述样本影像数据中随机选择一个层面作为所述预设层面。
4.根据权利要求1所述的方法，其特征在于，所述实例分割模型的预测输出结果包括18个肺段通道和1个背景通道，所述损失函数值包括前背景损失函数值；
其中，所述前背景损失函数值的计算方法包括如下三种计算方式的一种或多种组合，其中每种计算方式对应不同的组合权重：
在背景通道上，采用二分类的交叉熵来计算所述前背景损失函数值；
将背景通道与18个肺段通道组合成一个19分类的结果，利用二分类的交叉熵损失来计算背景通道上的所述前背景损失函数值；
将背景通道与从18个肺段通道中按照特定规则选出的前景通道做二分类的交叉熵损失作为所述前背景损失函数值；其中所述特定规则包括：对于有肺段标记的像素点的所述前景通道，按照肺段标记结果选择对应肺段通道上的对应点的值作为所述前景通道上对应的像素点的值；对于只标记了肺叶的所述前景通道，从属于该肺叶的多个肺段通道中选择最大值的作为对应所述前景通道上像素点的值；其他的所述前景通道，从18个所述肺段通道中选择最大值作为所述前景通道上对应的像素点的值。
5.根据权利要求4所述的方法，其特征在于，所述损失函数值进一步包括肺叶输出损失函数值；
其中，所述肺叶输出损失函数值的计算方法包括如下两种计算方式的一种或多种组合，其中每种计算方式对应不同的组合权重：
对所述18个肺段通道的内容做逻辑回归处理以获得激励函数取值，将肺叶包含的肺段的激励函数取值的和作为该肺叶的输出值；以及
对于标记了肺段区域的肺叶，则选择标记肺段区域所对应的所述肺段通道的内容作为该肺叶的输出值，对于没有标记肺段区域的肺叶，从该没有标记肺段区域的肺...
【专利技术属性】
技术研发人员：刘波，周振，俞益洲，李一鸣，
申请(专利权)人：杭州深睿博联科技有限公司，北京深睿博联科技有限责任公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。