图像分割方法及相关模型的训练方法和装置、设备制造方法及图纸

本申请公开了一种图像分割方法及相关模型的训练方法和装置、设备。图像分割模型的训练方法包括：获取分别从多个视角对样本医学图像提取得到的多个样本视角图像，其中，样本医学图像包含血管；利用图像分割模型对各样本视角图像进行图像分割，以得到与样本医学图像相关的血管分割结果；基于血管分割结果，调整图像分割模型的网络参数。上述方案，能够提高血管分割的准确度。管分割的准确度。管分割的准确度。

【技术实现步骤摘要】
图像分割方法及相关模型的训练方法和装置、设备


[0001]本申请涉及图像处理
，特别是涉及一种图像分割方法及相关模型的训练方法和装置、设备。

技术介绍

[0002]医学图像处理的血管分割是目前的热点问题。通过对血管进行分割，可以使得医生快速了解血管的相关情况并进行对应的模拟操作。例如。通过对血管进行分割，分割结果可以辅助医生进行术前规划和模拟手术，这有助于降低手术过程中的风险，提高手术的成功率。
[0003]然而，现有的血管分割技术，都是基于单一视角的医学图像进行分割，这也使得血管分割的准确度不高，这极大的限制了血管分割技术的进一步应用。
[0004]因此，如何提高血管分割的准确度，对于促进血管技术的进一步发展和应用，具有极其重要的意义。

技术实现思路

[0005]本申请至少提供一种图像分割方法及相关模型的训练方法和装置、设备。
[0006]本申请第一方面提供了一种图像分割模型的训练方法，方法包括：获取分别从多个视角对样本医学图像提取得到的多个样本视角图像，其中，样本医学图像包含血管；利用图像分割模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分割模型的训练方法，其特征在于，包括：获取分别从多个视角对样本医学图像提取得到的多个样本视角图像，其中，所述样本医学图像包含血管；利用图像分割模型对各所述样本视角图像进行图像分割，以得到与所述样本医学图像相关的血管分割结果；基于所述血管分割结果，调整所述图像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，所述图像分割模型包括分别与所述多个视角对应的多个分割子网络和融合子网络；所述利用图像分割模型对各所述样本视角图像进行图像分割，以得到与所述样本医学图像相关的血管分割结果，包括：对于每个视角，利用所述视角对应的分割子网络对所述视角对应的样本视角图像进行图像分割，得到各所述视角对应的各第一血管分割结果；利用所述融合子网络对各所述视角对应的各第一血管分割结果进行融合处理，得到所述样本医学图像的第二血管分割结果；以及所述基于所述血管分割结果，调整所述图像分割模型的网络参数，包括以下至少一个步骤：对于每个视角，基于各所述视角对应的所述第一血管分割结果与所述各视角对应的局部血管分割标注信息，调整所述视角对应的分割子网络的参数；基于所述第二血管分割结果与所述样本医学图像的全局血管分割标注信息，调整各所述分割子网络和/或融合子网络的参数。3.根据权利要求2所述的方法，其特征在于，所述分割子网络包括依序连接的特征处理层、注意力层和预测层，所述调整所述视角对应的分割子网络的参数包括所述特征处理层、注意力层和预测层中至少一者的参数；所述利用所述视角对应的分割子网络对所述视角对应的样本视角图像进行图像分割，得到各所述视角对应的各第一血管分割结果，包括：利用所述特征处理层对所述视角对应的样本视角图像进行特征提取，得到所述视角对应的样本特征图；利用所述注意力层对所述视角对应的样本特征图进行处理，得到所述视角对应的区域预测结果，其中，所述视角对应的区域预测结果用于表示所述视角对应的样本视角图像中的预设区域的位置；利用所述预测层基于各所述视角对应的区域预测结果预测得到各所述视角对应的各第一血管分割结果。4.根据权利要求3所述的方法，其特征在于，所述局部血管分割标注信息包括表示所述样本视角图像的第一图像点是否属于预设类别的第一标注信息和表示所述第一图像点是否属于所述预设区域的第二标注信息，所述预设类别包括至少一种血管类别和非血管类别；所述基于所述视角对应的所述第一血管分割结果与所述视角对应的局部血管分割标注信息，调整所述视角对应的分割子网络的参数，包括以下至少一个步骤：基于所述视角对应的区域预测结果和所述视角对应的所述第二标注信息，至少调整所述注意力层的参数；
基于各所述视角对应的各第一血管分割结果、所述视角对应的所述第一标注信息，调整所述特征处理层、注意力层和预测层中至少一者的参数。5.根据权利要求4所述的方法，其特征在于，所述分割子网络包括依序连接的至少一个处理单元和所述预测层，每个所述处理单元包括特征处理层，至少部分所述处理单元还包括连接于特征处理层之后的注意力层，所述预测层基于至少一所述注意力层输出的区域预测结果得到所述第一血管分割结果，每层所述注意力层的参数是基于对应所有所述注意力层的区域预测结果和所述视角对应的所述第二标注信息调整的；和/或，所述基于所述视角对应的区域预测结果和所述视角对应的所述第二标注信息，至少调整所述注意力层的参数，包括：利用各所述注意力层输出的区域预测结果和所述视角对应的所述第二标注信息之间的差异，对应得到各所述注意力层的第一损失值；对各所述注意力层的第一损失值进行融合，得到第二损失值；基于所述第二损失值，调整各所述注意力层的参数。6.根据权利要求5所述的方法，其特征在于，所述第一损失值是利用正则化损失函数确定得到的；和/或，所述利用各所述注意力层输出的区域预测结果和所述视角对应的所述第二标注信息之间的第一差异，对应得到各所述注意力层的第一损失值，包括：利用各所述注意力层对应的所述差异、至少一个结构权重，对应得到各所述注意力层的第一损失值，其中，所述至少一个结构权重为所述注意力层的权重和/或所述注意力层所在的分割子网络的权重；和/或，所述对各所述注意力层的第一损失值进行融合，得到第二损失值，包括：利用各所述注意力层的损失权重对所述对各所述注意力层的第一损失值进行加权处理，得到所述第二损失值。7.根据权利要求6所述的方法，其特征在于，越靠近所述预测层的所述注意力层的所述损失权重越大。8.根据权利要求2所述的方法，其特征在于，所述融合子网络包括权重确定层和融合输出层，调整的所述融合子网络的参数包括所述权重确定层和/或融合输出层的参数；所述利用所述融合子网络对各所述视角对应的各第一血管分割结果进行融合处理，得到所述样本医学图像的第二血管分割结果，包括：利用所述权重确定层对所述多个视角对应的第一血管分割结果进行处理，得到各所述视角对应的融合权重信息；利用所述融合输出层基于各所述视角对应的融合权重信息对所述多个视角对应的第一血管分割结果进行融合，得到所述样本医学图像的第二血管分割结果。9.根据权利要求2所述的方法，其特征在于，所述全局血管分割标注信息包括表示所述样本医学图像的第二图像点是否属于预设类别的第三标注信息，所述第二血管分割结果包括表示各所述第二图像点是否属于预设类别的预测信息，所述预设类别包括至少一种血管类别和非血管类别；所述基于所述第二血管分割结果与所述样本医学图像的全局血管分割标注信息，调整各所述分割子网络和/或融合子网络的参数，包括：基于各所述第二图像点与样本医学图像中血管的预设区域之间的位置关系，确定各所
述第二图像点的位置权重；以及基于各所述第二图像点对应的预测信息和所述第三标注信息，得到各所述第二图像点的第三损失值；利用各所述第二图像点的位置权重对各所述第二图像点的第三损失值进行加权处理，得到第四损失值；基于所述第四损失值，调整各所述分割子网络和/或融合子网络的参数。10.根据权利要求9所述的方法，其特征在于，所述基于各所述第二图像点与样本医学图像中血管的预设区域之间的位置关系，确定各所述第二图像点的位置权重，包括：确定各所述第二图像点的参考距离，其中，属于所述血管类别的第二图像点的参考距离为所述第二图像点与样本医学图像中所述血管的预设区域之间的距离，属于所述非血管类别的第二图像点的参考距离为预设距...

【专利技术属性】
技术研发人员：王娜，刘星龙，黄宁，陈翼男，
申请(专利权)人：上海商汤智能科技有限公司，
类型：发明
国别省市：