模型训练方法及其装置、医学图像配准方法及其装置制造方法及图纸

本申请提供了一种模型训练方法，用于迭代训练初始神经网络模型，得到非刚性配准模型，迭代训练过程中利用的模型约束函数包括全局相似度损失函数、平滑损失函数和肝动脉损失函数。训练方法包括：基于初始神经网络模型，利用预配准动脉期肝脏图像序列样本和门静脉期肝脏图像序列样本，得到当前次训练的配准数据；基于模型约束函数，利用当前次训练的配准数据、当前次训练对应的上一次训练的配准数据、门静脉期肝脏图像序列样本和其对应的门静脉分割数据，确定当前次训练的损失函数值；基于当前次训练的损失函数值，调整初始神经网络模型的参数，并循环迭代训练初始神经网络模型，直至确定的损失函数值满足预设条件，得到非刚性配准模型。性配准模型。性配准模型。

【技术实现步骤摘要】
模型训练方法及其装置、医学图像配准方法及其装置


[0001]本申请涉及图像处理
，具体涉及一种模型训练方法及其装置、医学图像配准方法及其装置、电子设备和计算机可读存储介质。

技术介绍

[0002]现有技术中，为了方便医生精确地观察分析图像，快速定位病灶区域，以为肝脏疾病的诊断和肝外科手术计划提供有效参考，需要将动脉期肝脏图像序列配准到门脉期肝脏图像序列上。
[0003]然而，由于门脉期肝脏图像序列中的肝脏内部动脉几乎不显影，且肝脏内部动脉细小易受到肿块等结构影响，因此，在将动脉期肝脏图像序列配准到门脉期肝脏图像序列的过程中，肝内动脉较难配准且配准效果不理想。

技术实现思路

[0004]有鉴于此，本申请实施例提供了一种模型训练方法、模型训练装置、医学图像配准方法、医学图像配准装置、电子设备和计算机可读存储介质、以解决现有技术中在将动脉期肝脏图像序列配准到门脉期肝脏图像序列的过程中，肝内动脉较难配准且配准效果不理想的技术问题。
[0005]根据本申请实施例的第一方面，提供一种模型训练方法，用于迭代训练初始神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，用于迭代训练初始神经网络模型，得到非刚性配准模型，迭代训练过程中利用的模型约束函数包括全局相似度损失函数、平滑损失函数和肝动脉损失函数，所述训练方法包括：基于所述初始神经网络模型，利用预配准动脉期肝脏图像序列样本和门静脉期肝脏图像序列样本，得到当前次训练的配准数据；基于所述模型约束函数，利用所述当前次训练的配准数据、所述当前次训练对应的上一次训练的配准数据、所述门静脉期肝脏图像序列样本和所述门静脉期肝脏图像序列样本对应的门静脉分割数据，确定所述当前次训练的损失函数值；基于所述当前次训练的损失函数值，调整所述初始神经网络模型的参数，并循环迭代训练所述初始神经网络模型，直至确定的损失函数值满足预设条件，得到所述非刚性配准模型，其中，所述非刚性配准模型用于将待配准动脉期肝脏图像序列配准到参考门静脉期肝脏图像序列。2.根据权利要求1所述的模型训练方法，其特征在于，所述全局相似度损失函数用于约束每次训练的配准数据的相似度，所述平滑损失函数用于约束相邻的两次训练之间的变化幅度，所述肝动脉损失函数用于约束每次训练的配准数据中的肝内动脉与肝内门静脉的距离；其中，所述基于所述模型约束函数，利用所述当前次训练的配准数据、所述当前次训练对应的上一次训练的配准数据、所述门静脉期肝脏图像序列样本和所述门静脉期肝脏图像序列样本对应的门静脉分割数据，确定所述当前次训练的损失函数值，包括：基于所述当前次训练的配准数据、所述门静脉期肝脏图像序列样本、所述全局相似度损失函数，确定所述当前次训练对应的第一损失函数值；基于所述当前次训练的配准数据、所述当前次训练对应的上一次训练的配准数据、和所述平滑损失函数，确定所述当前次训练对应的第二损失函数值；基于所述当前次训练的配准数据、所述门静脉期肝脏图像序列样本对应的门静脉分割数据、和所述肝动脉损失函数，确定所述当前次训练对应的第三损失函数值；对所述第一损失函数值、所述第二损失函数值和所述三损失函数值进行加权计算，确定所述当前次训练的损失函数值。3.根据权利要求2所述的模型训练方法，其特征在于，所述基于所述当前次训练的配准数据、所述门静脉期肝脏图像序列样本对应的门静脉分割数据、和所述肝动脉损失函数，确定所述当前次训练对应的第三损失函数值，包括：对所述当前次训练的配准数据、和所述门静脉期肝脏图像序列样本对应的门静脉分割数据进行求交集运算，获得交集数据；对所述当前次训练的配准数据和预设的固定参数进行求和运算，获得求和数据；基于对所述交集数据的绝对值和所述求和数据的绝对值的求比值运算，确定所述第三损失函数值。4.根据权利要求1至3任一项所述的模型训练方法，其特征在于，在所述基于所述初始神经网络模型，利用预配准动脉期肝脏图像序列样本和门静脉期肝脏图像序列样本，得到当前次训练的配准数据之前，还包括：确定动脉期肝脏图像序列样本和所述门静脉期肝脏图像序列样本；
基于对所述动脉期肝脏图像序列样本和所述门静脉期肝脏图像序列样本进行预配准操作，获得所述预配准动脉期肝脏图像序列样本。5.根据权利要求1至3任一项所述的模型训练方法，其特征在于，在所述基于所述初始神经网络模型，利用预配准动脉期肝脏图像序列样本和门静脉期肝脏图像序列样本，得到当前次训练的配准数据之前，还包括：基于所述门静脉期肝脏图像序列样本，确定所述门静脉期肝脏图像序列样本对应的多个门静脉期肝脏图像序列样本块数据；将所述多个门静脉期肝脏图像序列样本块数据输入到预先训练好的门静脉分割模型，确定所述多个门静脉期肝脏图像序列样本块数据各自对应的门静脉分割块数据；基于所述多个门静脉期肝脏图像序列样本块数据各自对应的门静脉分割块数据，确定所述门静脉期肝脏图像序列样本对应的门静脉分割数据。6.根据权利要求4所述的模型训练方法，其特征在于，所述动脉期肝脏图像序列样本包括动脉期肝脏CT图像序列或动脉期肝脏MRI图像序列，所述门静脉期肝脏图像序列样本包括门静脉期肝脏CT图像序列或门静脉期肝脏MRI图像序列。7.一种医学图像配准方法，其特征在于，用于将待配准动脉期肝脏图像序列配准到参考门静脉期肝脏图像序列，所述配准方法包括：基于对所述待配准动脉期肝脏图像序列和所述参考门静脉期肝脏图像序列进行预配准操作，获得预配准动脉期肝脏图像序列；基于所述参考门静脉期肝脏图像序列，确定所述参考门静脉期肝脏图像序列对应的门静脉分割数据；将所述预配准动脉期肝脏图像序列、所述参考门静脉期肝脏图像序列和所述参考门静脉期肝脏图像序列对应的门静脉分割数据输入基于...

【专利技术属性】
技术研发人员：韩紫丞，黄文豪，张欢，王瑜，陈宽，王少康，
申请(专利权)人：推想医疗科技股份有限公司，
类型：发明
国别省市：