图像分割模型的训练方法、图像处理方法及装置、设备制造方法及图纸

本发明专利技术公开了一种图像分割模型的训练方法、图像处理方法及装置、设备。图像分割模型的训练方法包括：获取训练样本图像集；将肺结节样本图像输入预设分割模型中进行实性成分区域的预测，得到预测分割结果；计算实性成分区域内像素的第一损失、血管区域内像素的第二损失以及背景区域内像素的第三损失；调整预设分割模型的参数，直至满足收敛条件，得到训练好的图像分割模型。本发明专利技术通过在训练样本图像集中增加用于指示肺结节样本图像中血管区域的第二掩膜图像，使得在训练图像分割模型的过程中加入了对血管区域预测为实性成分区域的惩罚，从而可以避免图像分割模型将血管区域分割为实性成分区域，提高了实性成分区域分割的准确性。确性。确性。

Training method, image processing method, device and equipment of image segmentation model

【技术实现步骤摘要】
图像分割模型的训练方法、图像处理方法及装置、设备


[0001]本专利技术涉及医学图像处理领域，特别涉及一种图像分割模型的训练方法、图像处理方法及装置、电子设备及存储介质。

技术介绍

[0002]混合性磨玻璃结节，也即部分实性结节，主要是指磨玻璃结节当中既含有磨玻璃成分，也含有实性成分，两者混合在一起之后被称为混合性磨玻璃结节。混合性磨玻璃结节内实性成分特征与原位癌、微浸润腺癌及浸润性腺癌病理分型具有一定的相关性。病灶越大，实性成分越多、实性成分占比越大或实性平均CT(Computed Tomography，电子计算机断层扫描)值越高，结节为浸润性癌的可能性越大，因此，综合评估结节的CT特征有助于术前诊断，指导临床治疗。
[0003]目前，评估混合性磨玻璃结节内实性成分特征的方法是在分割出的肺结节范围内手动调整HU(Hounsfield Unit，亨氏单位)值，阈值分割出实性成分，进而统计实性成分的占比以及实性平均CT值。此方法虽然可以在一定程度上分割出实性成分，但不同的人调整阈值，得到的分割结果存在差异，而且对于存在混合性磨玻璃结节中的本文档来自技高网...

【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：获取训练样本图像集；所述训练样本图像集包括肺结节样本图像、第一掩膜图像以及第二掩膜图像，其中，所述第一掩膜图像用于指示所述肺结节样本图像中的实性成分区域和非实性成分区域，所述第二掩膜图像用于指示所述肺结节样本图像中的血管区域；将所述肺结节样本图像输入预设分割模型中进行实性成分区域的预测，得到预测分割结果；根据所述预测分割结果、所述第一掩膜图像以及所述第二掩膜图像，计算实性成分区域内像素的第一损失、血管区域内像素的第二损失以及背景区域内像素的第三损失；其中，所述背景区域为非实性成分区域中除去血管区域以外的区域；根据所述第一损失、所述第二损失以及所述第三损失调整所述预设分割模型的参数，直至满足收敛条件，得到训练好的图像分割模型。2.如权利要求1所述的图像分割模型的训练方法，其特征在于，所述根据所述第一损失、所述第二损失以及所述第三损失调整所述预设分割模型的参数，具体包括：对所述第一损失、所述第二损失和所述第三损失进行加权求和，得到目标损失；其中，所述第二损失的权重大于所述第三损失的权重；根据所述目标损失调整所述预设分割模型的参数。3.一种图像处理方法，其特征在于，包括：获取待分割的肺结节图像；将所述肺结节图像输入图像分割模型进行实性成分区域的分割处理，得到第一分割结果；其中，所述图像分割模型基于权利要求1或2所述的训练方法训练得到。4.如权利要求3所述的图像处理方法，其特征在于，在所述获取所述待分割的肺结节图像之后，还包括：将所述肺结节图像输入结节分割模型进行结节区域的分割处理，得到第二分割结果；其中，所述结节分割模型基于训练样本训练得到；根据所述第一分割结果和所述第二分割结果对所述肺结节图像中的实性成分特征进行分析。5.如权利要求4所述的图像处...

【专利技术属性】
技术研发人员：邵影，
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：