医学图像分割模型的训练方法、介质及电子设备技术

本发明专利技术提供一种医学图像分割模型的训练方法、介质及电子设备。所述方法包括：对所述医学图像分割模型进行第一阶段的训练，其中，所述第一阶段的训练包括多轮训练；对所述医学图像分割模型进行第二阶段的训练，以完成对所述医学图像分割模型的训练，其中，所述第二阶段的训练包括多轮训练。所述方法可以直接利用所述普通样本和所述困难样本完成对所述医学图像分割模型的训练。像分割模型的训练。像分割模型的训练。

【技术实现步骤摘要】
医学图像分割模型的训练方法、介质及电子设备


[0001]本专利技术涉及一种训练方法，特别是涉及一种医学图像分割模型的训练方法、介质及电子设备。

技术介绍

[0002]随着人工智能技术的不断发展，利用基于AI的医学图像分割模型对医学图像进行处理进而辅助医生进行诊断已成为相关领域的惯用手段。医学图像分割模型在实际应用之前需要进行训练以便获取对医学图像进行处理的能力，然而，医学图像的尺寸往往都比较大，例如，肝脏CT图像的尺寸通常为512
×
512。而在医学图像分割模型的训练过程中，特别是在3D医学图像分割模型的训练过程中，受到GPU显存大小的限制，通常很难直接将医学图像按照原始大小直接输入医学图像分割模型来对其进行训练。因此，如何提供一种能够适用于医学图像分割模型的训练方法已成为相关领域技术人员亟需解决的技术问题之一。

技术实现思路

[0003]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种医学图像分割模型的训练方法、介质及电子设备，用于解决现有技术中存在的上述问题。
[0004]为实现上述目的及其他相关目的，本专利技术的第一方面提供一种医学图像分割模型的训练方法，用于对一医学图像分割模型进行训练，所述医学图像分割模型的训练方法包括：获取多个训练图像；对所述医学图像分割模型进行第一阶段的训练，其中，所述第一阶段的训练包括多轮训练；对所述医学图像分割模型进行第二阶段的训练，以完成对所述医学图像分割模型的训练，其中，所述第二阶段的训练包括多轮训练；在所述第一阶段的每轮训练中，对所述医学图像分割模型进行训练的方法包括：根据所述训练图像获取普通样本，其中，所述普通样本的尺寸小于所述训练图像的尺寸；利用所述普通样本对所述医学图像分割模型进行训练；在所述第二阶段的每轮训练中，对所述医学图像分割模型进行训练的方法包括：根据所述训练图像获取普通样本或者从困难样本库中获取困难样本，其中，所述普通样本的尺寸与所述困难样本相同；根据所述普通样本或所述困难样本对所述医学图像分割模型进行训练。
[0005]于所述第一方面的一实施例中，根据所述训练图像获取普通样本的实现方法包括：从所述训练图像中随机选取特定尺寸的区域作为所述普通样本。
[0006]于所述第一方面的一实施例中，在所述第一阶段的训练完成以后，或者，在所述第二阶段的每轮训练完成以后，所述医学图像分割模型的训练方法还包括：初始化所述困难样本库；利用所述医学图像分割模型对各所述训练图像进行处理，以得到各所述训练图像的预测结果；根据各所述训练图像的预测结果及真实标注结果对所述困难样本库进行更新。
[0007]于所述第一方面的一实施例中，根据各所述训练图像的预测结果及真实标注结果对所述困难样本库进行更新的实现方法包括：根据各所述训练图像的预测结果及真实标注
结果，获取各所述训练图像对应的预测效果；对于预测效果较差的第一训练图像，获取各所述第一训练图像对应的困难样本并存入所述困难样本库。
[0008]于所述第一方面的一实施例中，获取所述第一训练图像对应的困难样本的实现方法包括：根据所述第一训练图像的预测结果及真实标注结果，获取所述第一训练图像的误差图；对所述第一训练图像的误差图进行池化，并根据池化结果选取误差最大的区域作为所述第一训练图像对应的困难样本，在所述池化中所采用的池化核的尺寸与所述普通样本的尺寸相同。
[0009]于所述第一方面的一实施例中，根据所述训练图像获取普通样本或者从困难样本库中获取困难样本的实现方法包括：生成一随机数；当所述随机数的数值满足预设条件时，根据所述训练图像获取所述普通样本，否则，从所述困难样本库中获取所述困难样本。
[0010]于所述第一方面的一实施例中，所述训练图像的尺寸大于或等于512
×
512。
[0011]于所述第一方面的一实施例中，所述训练图像为肝脏CT图像。
[0012]本专利技术的第二方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术第一方面任一项所述医学图像分割模型的训练方法。
[0013]本专利技术的第三方面提供一种电子设备，所述电子设备包括：存储器，存储有一计算机程序；处理器，与所述存储器通信相连，调用所述计算机程序时执行本专利技术第一方面任一项所医学图像分割模型的训练方法。
[0014]如上所述，本专利技术一个或多个实施例中所述的医学图像分割模型的训练方法具有以下有益效果：
[0015]于所述医学图像分割模型的训练方法中，采用普通样本或困难样本来对所述医学图像分割模型进行训练，其中，所述普通样本和所述困难样本的尺寸小于所述训练图像，因此，可以直接利用所述普通样本和所述困难样本完成对所述医学图像分割模型的训练。
[0016]此外，所述医学图像分割模型的训练方法包括对所述医学图像进行第一阶段和第二阶段的训练，其中，所述第一阶段采用普通样本对所述医学图像分割模型进行训练，以使所述医学图像分割模型适应数据，所述第二阶段采用普通样本或困难样本对所述医学图像分割模型进行训练，以避免出现训练不足或者过度训练的问题，从而在节约显存的同时实现更好的训练效果。
附图说明
[0017]图1A显示为本专利技术所述医学图像分割模型的训练方法于一具体实施例中的流程图。
[0018]图1B显示为本专利技术所述医学图像分割模型的训练方法于一具体实施例中第一阶段的训练流程图。
[0019]图1C显示为本专利技术所述医学图像分割模型的训练方法于一具体实施例中第二阶段的训练流程图。
[0020]图2A显示为本专利技术所述医学图像分割模型的训练方法于一具体实施例中对困难样本库进行更新的流程图。
[0021]图2B显示为本专利技术所述医学图像分割模型的训练方法于一具体实施例中步骤S16
的详细流程图。
[0022]图2C显示为本专利技术所述医学图像分割模型的训练方法于一具体实施例中步骤S162的详细流程图。
[0023]图2D显示为本专利技术所述医学图像分割模型的训练方法于一具体实施例中获取误差图的示例图。
[0024]图2E显示为本专利技术所述医学图像分割模型的训练方法于一具体实施例中获取困难样本的示例图。
[0025]图2F显示为本专利技术所述医学图像分割模型的训练方法于一具体实施例中获取的困难样本示例图。
[0026]图3显示为本专利技术所述医学图像分割模型的训练方法于一具体实施例中的关键步骤流程图。
[0027]图4显示为本专利技术所述医学图像分割模型的训练方法于一具体实施例中的流程图。
[0028]图5显示为本专利技术所述电子设备于一具体实施例中的结构示意图。
[0029]元件标号说明
[0030]500电子设备
[0031]510存储器
[0032]520处理器
[0033]530显示器
[0034]S11～S16步骤
[0035]S121～S122步骤
[0036]S131～S132步骤
...

【技术保护点】

【技术特征摘要】
1.一种医学图像分割模型的训练方法，其特征在于，用于对一医学图像分割模型进行训练，所述医学图像分割模型的训练方法包括：获取多个训练图像；对所述医学图像分割模型进行第一阶段的训练，其中，所述第一阶段的训练包括多轮训练；对所述医学图像分割模型进行第二阶段的训练，以完成对所述医学图像分割模型的训练，其中，所述第二阶段的训练包括多轮训练；在所述第一阶段的每轮训练中，对所述医学图像分割模型进行训练的方法包括：根据所述训练图像获取普通样本，其中，所述普通样本的尺寸小于所述训练图像的尺寸；利用所述普通样本对所述医学图像分割模型进行训练；在所述第二阶段的每轮训练中，对所述医学图像分割模型进行训练的方法包括：根据所述训练图像获取普通样本或者从困难样本库中获取困难样本，其中，所述普通样本的尺寸与所述困难样本相同；根据所述普通样本或所述困难样本对所述医学图像分割模型进行训练。2.根据权利要求1所述医学图像分割模型的训练方法，其特征在于，根据所述训练图像获取普通样本的实现方法包括：从所述训练图像中随机选取特定尺寸的区域作为所述普通样本。3.根据权利要求1所述医学图像分割模型的训练方法，其特征在于，在所述第一阶段的训练完成以后，或者，在所述第二阶段的每轮训练完成以后，所述医学图像分割模型的训练方法还包括：初始化所述困难样本库；利用所述医学图像分割模型对各所述训练图像进行处理，以得到各所述训练图像的预测结果；根据各所述训练图像的预测结果及真实标注结果对所述困难样本库进行更新。4.根据权利要求3所述医学图像分割模型的训练方法，其特征在于，根据各所述训练图像的预测结果及真实标注结果对所述困难样本库进行更新的实现方法包括：...

【专利技术属性】
技术研发人员：丁元，顾静军，吴磊，周公敢，
申请(专利权)人：杭州普健医疗科技有限公司，
类型：发明
国别省市：