模型训练方法及其装置、血管结构生成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，用于训练初始神经网络模型，得到血流方向预测模型，该方法包括：确定头颈部血管样本图像和头颈部血管样本图像对应的血管骨架标记数据；基于血管骨架标记数据，在头颈部血管样本图像内确定多个采样中心点，以对头颈部血管样本图像进行切块采样操作，得到多个样本块数据集合，基于多个样本块数据集合各自对应的采样中心点、预设血流步长和血管骨架标记数据，确定多个样本块数据集合各自对应的训练目标数据；利用多个样本块数据集合、多个样本块数据集合各自对应的训练目标数据，训练初始神经网络模型，得到血流方向预测模型。利用该模型训练方法，能够提高模型的鲁棒性和稳定性，从而提高血流方向预测的准确性。测的准确性。测的准确性。

【技术实现步骤摘要】
模型训练方法及其装置、血管结构生成方法及其装置


[0001]本申请涉及医学图像处理
，具体涉及一种模型训练方法及其装置、血管结构生成方法及其装置、电子设备和计算机可读存储介质。

技术介绍

[0002]头颈部动脉血管的血管结构的准确信息，能够在进行动脉血管分割时提供全局信息，以提高血管分割的准确性和完整性，因此，生成准确的血管结构至关重要。
[0003]在生成血管结构的过程中，需要利用血流方向预测模型预测血流走势方向。然而，现有技术中的血流方向预测模型的预测准确度不高，因此，亟需一种能够提高血流方向预测模型的准确性的方法。

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及其装置、血管结构生成方法及其装置、电子设备和计算机可读存储介质，以解决现有技术中血流方向预测模型的预测准确度不高的技术问题。
[0005]根据本申请实施例的第一方面，提供一种模型训练方法，用于训练初始神经网络模型，得到血流方向预测模型，该方法包括：确定头颈部血管样本图像和头颈部血管样本图像对应的血管骨架标记数据；基于血本文档来自技高网...

【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，用于训练初始神经网络模型，得到血流方向预测模型，所述方法包括：确定头颈部血管样本图像和所述头颈部血管样本图像对应的血管骨架标记数据；基于所述血管骨架标记数据，在所述头颈部血管样本图像内确定多个采样中心点，以对所述头颈部血管样本图像进行切块采样操作，得到多个样本块数据集合，所述样本块数据集合包括多个样本块数据组，所述样本块数据组包括多个样本块数据；基于所述多个样本块数据集合各自对应的采样中心点、预设血流步长和所述血管骨架标记数据，确定所述多个样本块数据集合各自对应的训练目标数据，所述训练目标数据为所述样本块数据集合对应的K个实际血流走势方向与N个预设血流走势方向匹配程度的概率分布数据，K和N为正整数；利用所述多个样本块数据集合、所述多个样本块数据集合各自对应的训练目标数据，训练所述初始神经网络模型，得到所述血流方向预测模型。2.根据权利要求1所述的模型训练方法，其特征在于，所述基于所述多个样本块数据集合各自对应的采样中心点、预设血流步长和所述血管骨架标记数据，确定所述多个样本块数据集合各自对应的训练目标数据，包括：针对于所述多个样本块数据集合中的每个样本块数据集合，基于所述样本块数据集合对应的采样中心点、所述预设血流步长和所述血管骨架标记数据，确定所述样本块数据集合对应的N个标准方向向量和K个实际方向向量，所述实际方向向量用于表征实际血流走势方向，所述标准方向向量用于表征预设血流走势方向；将所述K个实际方向向量拟合到所述N个标准方向向量，得到所述样本块数据集合对应的训练目标数据。3.根据权利要求2所述的模型训练方法，其特征在于，所述基于所述样本块数据集合对应的采样中心点、所述预设血流步长和所述血管骨架标记数据，确定所述样本块数据集合对应的N个标准方向向量和K个实际方向向量，包括：以所述采样中心点对应的坐标为中心，以所述预设血流步长为半径，构造球面，获得所述采样中心点对应的参考球面；基于所述采样中心点为起点和平均分布在所述参考球面上的N个点，确定所述N个标准方向向量；确定所述参考球面和所述血管骨架标记数据的K个交点；基于所述采样中心点和所述K个交点，确定所述K个实际方向向量。4.根据权利要求1至3中任一项所述的模型训练方法，其特征在于，所述利用所述多个样本块数据集合、所述多个样本块数据集合各自对应的训练目标数据，训练所述初始神经网络模型，得到所述血流方向预测模型，包括：针对于所述多个样本块数据集合中的每个样本块数据集合，基于所述初始神经网络模型，利用所述样本块数据集合，得到所述样本块数据集合对应的离散概率数据，所述离散概率数据用于表征N个标准方向向量各自属于预测方向向量的概率值；将所述离散型概率数据转化为似然概率分布；基于所述似然概率分布、所述训练目标数据和预设损失函数，确定损失值；基于所述损失值，调整所述初始神经网络模型的参数，直至所述损失值满足预设条件，
得到所述血流方向预测模型。5.根据权利要求1至3中任一项所述的模型训练方法，其特征在于，还包括：确定所述多个采样中心点各自对应的偏移采样中心点；基于所述多个采样中心点各自对应的偏移采样中心点，对所述头颈部血管样本图像进行切块采样操作，得到多个偏移样本块数据集合；针对于所述多个偏移样本块数据集合中的每个偏移样本块数据集合，基于所述偏移样本块数据集合对应的偏移采样中心点、所述偏移采样中心点对应的采样中心点、所述预设血流步长和所述血管骨架标记数据，确定所述偏移样本块数据集合对应的K个修正训练目标数据，其中，所述修正训练目标数据为所述偏移样本块数据对应的K个修正实际方向向量与N个标准方向向量匹配程度的概率分布数据，所述修正实际方向向量用于表征发生偏移的实际血流走势方向被修正后获得的实际血流走势方向；其中，所述利用所述多个样本块数据集合、所述多个样本块数据集合各自对应的训练目标数据，训练所述初始神经网络模型，得到所述血流方向预测模型，包括：利用所述多个样本块数据集合、所述多个样本块数据集合各自对应的训练目标数据、所述多个偏移样本块数据集合、所述多个偏移样本块数据集合各自对应的修正训练目标数据，训练所述初始神经网络模型，得到所述血流方向预测模型。6.根据权利要求5所述的模型训练方法，其特征在于，所述基于所述偏移样本块数据集合对应的偏移采样中心点、所述偏移采样中心点对应的采样中心点、所述预设血流步长和所述血管骨架标记数据，确定所述偏移样本块数据集合对应的K个修正训练目标数据，包括：在所述偏移采样中心点和所述采样中心点的连接线中选取修正点，所述修正点与所述采样中心点之间的长度和所述偏移采样中心点和所述采样中心点之间的长度的比值为预设值；以所述修正点对应的坐标为中心，以所述预设血流步长为半径，构造球面，获得修正参考球面，基于所述修正点、所述采样中心点对应的参考球面和所述血管骨架标记数据的K个交点，确定K个辅助方向向量；以所述偏移采样中心点对应的坐标为中心，以所述预设血流步长为半径，构造球面，获得偏移参考球面；基于所述偏移采样中心点为起点和平均分布在所述偏移参考球面上的N个点，确定所述偏移样本块数据集合对应的N个标准方向向量；针对于所述K个辅助方向向量中的每个辅助方向向量，经过所述偏移采样中心点，做所述辅助方向向量的平行线，基于平行线与所述偏移参考球面的交点和所述偏移采样中心点，确定所述辅助方向向量对应的修正实际方向向量，以确定K个修正实际方向向量；基于所述N个标准方向向量和所述K个修正实际方向向量，确定所述修正训练目标数据。7.根据权利要求1至3中任一项所述的模型训练方法，其特征在于，还包括：针对于所述采样中心点中的每个采样中心点，若所述采样中心点位于所述血管骨架标记数据的非起点位置，则确定所述采样中心点对应的样本块数据集合对应的提示方向向量，用于在训练过程中为预测后续血流方向提供启示；
其中，所述利用所述多个样本块数据集合、所述多个样本块数据集合各自对应的训练目标数据，训练所述初始神经网络模型，得到所述血流方向预测模型，包括：利用所述多个样本块数据集合、所述多个样本块数据集合各自对应的训练目标数据和所述多个样本块数据集合各自对应的提示方向向量，训练所述初始神经网络模型，得到所述血流方向预测模型。8.根据权利要求1至3中任一项所述的模型训练方法，其特征在于，所述基于所述血管骨架标记数据，在所述头颈部血管样本图像内确定多个采样中心点，以对所述头颈部血管样本图像进行切块采样操作，得到多个样本块数据集合，包括：基于所述动脉血管标记数据，在所述头颈部血管样本图像中确定所述多个采样中心点；针对于所述多个采样中心点中的每个采样中心点，以所述采样中心点为中心，利用多个采样空间分辨率和多个窗，对所述头颈部血管样本图像进行切块采样，得到所述采样中心点对应的多个样本块数据集合，其中，所述多个样本块数...

【专利技术属性】
技术研发人员：孙岩峰，张欢，王少康，陈宽，
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：