基于弱监督学习的肝脏血管分割方法、装置、设备及介质制造方法及图纸

本发明专利技术公开基于弱监督学习的肝脏血管分割方法、装置、设备及介质，方法包括：通过带噪标签训练出两个具有差异的肝脏血管分割网络模型；使用两个模型分别进行分割而获得预测标签；通过标签优化模块为预测标签和带噪标签赋予权重，获得具有权重的优化标签；使用优化标签对两个模型分别进行迭代训练而获得两个迭代模型；使用两个迭代模型继续进行分割而获得新的预测标签；在迭代模型的分割效果有提升时，继续调用标签优化模块而获得新的优化标签，并继续对模型进行迭代直至收敛；通过收敛后的模型对输入的CT图像进行分割而获得分割结果。本发明专利技术能够有效降低带噪标签对分割结果的不利影响，从而能够减少标签标注所耗费的人力、物力和时间。物力和时间。物力和时间。

Method, device, equipment and medium of liver blood vessel segmentation based on weak supervised learning

【技术实现步骤摘要】
基于弱监督学习的肝脏血管分割方法、装置、设备及介质


[0001]本专利技术涉及，特别涉及基于弱监督学习的肝脏血管分割方法、装置、设备及介质。

技术介绍

[0002]原发性肝脏恶性肿瘤是最常见的恶性肿瘤之一，同时具有死亡率高和病发率高的特点。肝脏部分切除手术是目前最常用的肝脏恶性肿瘤的治疗方法之一，肝脏肿瘤和肝脏血管之间的位置信息和其他的信息以及对于肝脏血管结构的准确建模能够大幅度提升整个肝脏部分切割的成功率。因此，准确获取肝脏血管标注的算法是提升肝脏分割准确度的重要一环。同时，针对肝脏的其他一些手术例如肝脏移植手术等，高质量的肝脏血管标注也是必不可少的一部分，例如通过计算机辅助肝脏手术(例如，消融手术和栓塞手术)治疗肝脏肿瘤，但在进行这些手术之前，医生需要了解肝脏轮廓及其静脉系统的信息，这些信息可以用于术前计划和术中导航。在肝脏栓塞手术期间，要做到准确定位供给肿瘤的肝血管，同时了解肿瘤在肝血管之间的详细位置和血管直径等信息可以确定消融手术的结果。
[0003]由于肝脏血管的结构复杂、低对比度、大量噪声以及各种病理变化能原因，导致获取完整本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于弱监督学习的肝脏血管分割方法，其特征在于：包括以下步骤：S1、通过具有带噪标签的肝脏区域图像训练获得两个相互间具有差异的肝脏血管分割网络模型，其中，所述带噪标签用于标记肝脏血管；S2、使用S1中得到的两个所述肝脏血管分割网络模型分别对所述肝脏区域图像进行分割，获得用于标记肝脏血管的预测标签；S3、通过标签优化模块为各所述预测标签以及各所述带噪标签赋予权重，获得携带有权重的优化标签；S4、使用所述优化标签对所述肝脏区域图像中的带噪标签进行替换，获得优化图像；S5、通过所述优化图像对S1中的两个所述肝脏血管分割网络模型分别进行迭代训练，获得两个迭代模型；S6、使用S5中得到的两个所述迭代模型对所述优化图像进行分割，获得新的预测标签；S7、对比S6中所述新的预测标签与S2中所述预测标签，判断所述迭代模型的分割效果是否有提升，是则进入下一步，否则收敛；S8、通过所述标签优化模块对各所述新的预测标签以及所述优化标签进行优化，获得新的优化标签；S9、重复执行S4
‑
S8的过程，直至迭代模型的分割效果不再提升后收敛，从而获得收敛后的肝脏血管分割网络模型；S10、通过所述收敛后的肝脏血管分割网络模型对输入的CT图像进行分割，获得分割结果。2.根据权利要求1所述的方法，其特征在于：S1中，各所述带噪标签构成带噪标签集；S2中，两个所述肝脏血管分割网络模型分别对所述肝脏区域图像进行分割后，对应的获得两个具有所述预测标签的预测标签集；则S3中，所述通过标签优化模块为各所述预测标签以及各所述带噪标签赋予权重，获得携带有权重的优化标签的步骤包括：将两个所述预测标签集与所述带噪标签集相结合，获取各集合间的相交情况；根据各集合间的相交情况，为各集合间的交集和差集分别赋予置信度；根据所述置信度为各交集和各差集中包含的标签赋予权重。3.根据权利要求2所述的方法，其特征在于：属于同一交集或差集中的标签具有相同的权重。4.根据权利要求1所述的方法，其特征在于：S1之前还包括步骤：使用携带有肝脏标签的CT图像集训练肝脏分割网络模型；则S10之前还包括步骤：通过所述肝脏分割网络模型从输入的CT图像中分割出肝脏区域图像，以便于所述收敛后的肝脏血管分割网络模型通过对所述肝脏...

【专利技术属性】
技术研发人员：张立华，刘洋，张绪坤，邝昊鹏，
申请(专利权)人：复旦大学，
类型：发明
国别省市：