切片间相关度检测模型训练方法、检测方法和电子设备技术

本发明专利技术提供一种切片间相关度检测模型训练方法、检测方法和电子设备，涉及图像处理技术领域，解决了采用人工评估切片间相关度准确度较低的问题。该方法包括：获取多个切片样本序列、以及各切片样本序列对应的相关度标签序列；并将多个切片样本序列输入至初始切片间相关度检测模型中，得到各切片样本序列对应的预测相关度序列；再根据各切片样本序列对应的相关度标签序列和预测相关度序列，对初始切片间相关度检测模型的模型参数进行更新，这样采用深度学习算法训练得到的切片间相关度检测模型，可以准确地检测出切片之间的相关度，提高了相关度检测结果的准确度。了相关度检测结果的准确度。了相关度检测结果的准确度。

【技术实现步骤摘要】
切片间相关度检测模型训练方法、检测方法和电子设备


[0001]本专利技术涉及图像处理
，尤其涉及一种切片间相关度检测模型训练方法、检测方法和电子设备。

技术介绍

[0002]磁共振成像（magnetic resonance imaging，MRI）在进行断层扫描时，层间距设置的不同，对应获取到切片层厚不同。通常情况下，根据层厚不同，切片可以分为薄层切片和厚层切片。薄层切片包含了更多的细节信息，可以更好地用于后续研究，例如病灶分割等。
[0003]通常情况下，某个组织或者病灶区域通常分布在连续薄层切片上，使得连续薄层切片之间具有相关性，确定连续薄层切片之间的相关度，对于后续研究是至关重要的。现有技术中，通常是采用人工评估薄层切片之间的相关度，但是，该种方法受限于检测人员的专业水平，不同专业水平的检测人员评估出的薄层切片之间的相关度可能不同，因此，采用现有的人工评估切片间相关度，会导致评估的相关度准确度较低。

技术实现思路

[0004]本专利技术提供一种切片间相关度检测模型训练方法、检测方法和电子设备，可以准确地检测出切片之间的相关度，提高了相关度检测结果的准确度。
[0005]本专利技术提供一种切片间相关度检测模型训练方法，该切片间相关度检测模型训练方法可以包括：获取多个切片样本序列、以及各切片样本序列对应的相关度标签序列；其中，所述多个切片样本序列中包括由多个连续的切片构成的第一切片样本序列和由多个非连续的切片构成的第二切片样本序列。
[0006]将所述多个切片样本序列输入至初始切片间相关度检测模型中，得到所述各切片样本序列对应的预测相关度序列。
[0007]根据所述各切片样本序列对应的相关度标签序列和预测相关度序列，对所述初始切片间相关度检测模型的模型参数进行更新，以得到训练后的切片间相关度检测模型。
[0008]示例地，由多个非连续的切片构成的第二切片样本序列，可以由不同的切片样本序列的切片重组得到，也可以由同一个切片样本序列的切片通过随机打乱原始顺序得到。示例地，第一切片样本序列中各切片对应的相关度标签可以均为1，第二切片样本序列中各个切片对应的相关度标签需要考虑当前切片和其前一个切片个关系来确定，如果当前切片和其前一个切片来自同一个序列且连续则标签为1，否则为0。
[0009]根据本专利技术提供的一种切片间相关度检测模型训练方法，所述初始切片间相关度检测模型包括输入层网络、隐藏层网络以及输出层网络，所述将所述多个切片样本序列输入至初始切片间相关度检测模型中，得到所述各切片样本序列对应的预测相关度序列，包括：针对所述各切片样本序列执行以下处理：
将所述切片样本序列输入至所述输入层网络中，并通过所述输入层网络将所述切片样本序列输入至所述隐藏层网络中的卷积神经网络中，得到所述切片样本序列对应的第一特征图；并将所述切片样本序列对应的第一特征图输入至所述隐藏层网络中的循环神经网络中，得到所述切片样本序列对应的第二特征图；将所述切片样本序列对应的第二特征图输入至所述输出层网络中，得到所述切片样本序列对应的所述预测相关度序列。
[0010]根据本专利技术提供的一种切片间相关度检测模型训练方法所述根据所述各切片样本序列对应的相关度标签序列和预测相关度序列，对所述初始切片间相关度检测模型的模型参数进行更新，包括：针对所述各切片样本序列，根据所述切片样本序列对应的相关度标签序列和预测相关度序列，构造所述切片样本序列对应的二元交叉熵损失。
[0011]根据所述各切片样本序列对应的二元交叉熵损失，对所述初始切片间相关度检测模型的模型参数进行更新。
[0012]根据本专利技术提供的一种切片间相关度检测模型训练方法所述方法还包括：获取多个第三切片样本序列、以及各第三切片样本序列包括的各切片样本对应的病灶区域标签；其中，所述第三切片样本序列包括多个连续的切片样本。
[0013]将所述多个第三切片样本序列输入至所述切片间相关度检测模型中，得到所述各第三切片样本序列对应的相关度序列。
[0014]将所述多个第三切片样本序列和所述各第三切片样本序列对应的相关度序列输入至初始病灶分割模型中，得到所述各第三切片样本序列包括的各切片样本对应的病灶区域。
[0015]根据所述各第三切片样本序列包括的各切片样本对应的病灶区域标签和病灶区域，对所述初始病灶分割模型的模型参数进行更新，以得到训练后的病灶分割模型。
[0016]根据本专利技术提供的一种切片间相关度检测模型训练方法所述初始病灶分割模型包括下采样网络和上采样网络，所述将所述多个第三切片样本序列和所述各第三切片样本序列对应的相关度序列输入至初始病灶分割模型中，得到所述各第三切片样本序列包括的各切片样本对应的病灶区域，包括：针对所述各第三切片样本序列执行以下处理：将所述第三切片样本序列和所述第三切片样本序列对应的相关度序列输入至所述下采样网络中，得到所述第三切片样本序列对应的特征图。
[0017]将所述第三切片样本序列对应的特征图输入至所述上采样网络中，得到所述第三切片样本序列包括的各切片样本对应的病灶区域。
[0018]根据本专利技术提供的一种切片间相关度检测模型训练方法所述根据所述各第三切片样本序列包括的各切片样本对应的病灶区域标签和病灶区域，对所述初始病灶分割模型的模型参数进行更新，包括：针对所述各第三切片样本序列对，根据所述第三切片样本序列包括的各切片样本对应的病灶区域标签和病灶区域，构造所述第三切片样本序列对应的dice损失。
[0019]根据所述各第三切片样本序列对应的dice损失，对所述初始病灶分割模型的模型参数进行更新。
[0020]本专利技术还提供一种切片间相关度的检测方法，该切片间相关度的检测方法可以包括：获取待处理切片序列；其中，所述待处理切片序列包括多个连续的切片。
[0021]将所述待处理切片序列输入至切片间相关度检测模型中，得到所述待处理切片序列对应的相关度序列；其中，所述切片间相关度检测模型为上述任一项所述的切片间相关度检测模型。
[0022]根据本专利技术提供的一种切片间相关度的检测方法，所述将所述待处理切片序列输入至切片间相关度检测模型中，得到所述待处理切片序列对应的相关度序列，包括：将所述待处理切片序列输入至所述切片间相关度检测模型中的输入层网络中，并通过所述输入层网络将所述待处理切片序列输入至所述切片间相关度检测模型中的隐藏层网络中，得到所述待处理切片序列对应的特征图。
[0023]将所述待处理切片序列对应的特征图输入至所述切片间相关度检测模型中的输出层网络中，得到所述待处理切片序列对应的相关度序列。
[0024]根据本专利技术提供的一种切片间相关度的检测方法，所述方法还包括：将所述待处理切片序列和所述待处理切片序列对应的相关度序列输入至病灶分割模型中，得到所述待处理切片序列包括的各切片对应的病灶区域；其中，所述病灶分割模型为上述任一项所述的病灶分割模型。
[0025]根据本专利技术提供的一种切片间相关度的检测方法，所述将所述待处理切片序列本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种切片间相关度检测模型训练方法，其特征在于，包括：获取多个切片样本序列、以及各切片样本序列对应的相关度标签序列；其中，所述多个切片样本序列中包括由多个连续的切片构成的第一切片样本序列和由多个非连续的切片构成的第二切片样本序列；将所述多个切片样本序列输入至初始切片间相关度检测模型中，得到所述各切片样本序列对应的预测相关度序列；根据所述各切片样本序列对应的相关度标签序列和预测相关度序列，对所述初始切片间相关度检测模型的模型参数进行更新，以得到训练后的切片间相关度检测模型。2.根据权利要求1所述的切片间相关度检测模型训练方法，其特征在于，所述初始切片间相关度检测模型包括输入层网络、隐藏层网络以及输出层网络，所述将所述多个切片样本序列输入至初始切片间相关度检测模型中，得到所述各切片样本序列对应的预测相关度序列，包括：针对所述各切片样本序列执行以下处理：将所述切片样本序列输入至所述输入层网络中，并通过所述输入层网络将所述切片样本序列输入至所述隐藏层网络中的卷积神经网络中，得到所述切片样本序列对应的第一特征图；并将所述切片样本序列对应的第一特征图输入至所述隐藏层网络中的循环神经网络中，得到所述切片样本序列对应的第二特征图；将所述切片样本序列对应的第二特征图输入至所述输出层网络中，得到所述切片样本序列对应的所述预测相关度序列。3.根据权利要求1所述的切片间相关度检测模型训练方法，其特征在于，所述根据所述各切片样本序列对应的相关度标签序列和预测相关度序列，对所述初始切片间相关度检测模型的模型参数进行更新，包括：针对所述各切片样本序列，根据所述切片样本序列对应的相关度标签序列和预测相关度序列，构造所述切片样本序列对应的二元交叉熵损失；根据所述各切片样本序列对应的二元交叉熵损失，对所述初始切片间相关度检测模型的模型参数进行更新。4.根据权利要求1
‑
3任一项所述的切片间相关度检测模型训练方法，其特征在于，所述方法还包括：获取多个第三切片样本序列、以及各第三切片样本序列包括的各切片样本对应的病灶区域标签；其中，所述第三切片样本序列包括多个连续的切片样本；将所述多个第三切片样本序列输入至所述切片间相关度检测模型中，得到所述各第三切片样本序列对应的相关度序列；将所述多个第三切片样本序列和所述各第三切片样本序列对应的相关度序列输入至初始病灶分割模型中，得到所述各第三切片样本序列包括的各切片样本对应的病灶区域；根据所述各第三切片样本序列包括的各切片样本对应的病灶区域标签和病灶区域，对所述初始病灶分割模型的模型参数进行更新，以得到训练后的病灶分割模型。5.根据权利要求4所述的切片间相关度检测模型训练方法，其特征在于，所述初始病灶分割模型包括下采样网络和上采样网络，所述将所述多个第三切片样本序列和所述各第三切片样本序列对应的相关度序列输入至初始病灶分割模型中，得到所述各第三切片样本序
列包括的各切片样本对应的病灶区域，包括：针对所述各第三切片样本序列执行以下处理：将所述第三切片样本序列和所述第三切片样本序列对应的相关度序列输入至所述下采样网络中，得到所述第三切片样本序列对应的特征图；将所述第三切片样本序列对应的特征图输入至所述上采样网络中，得到所述第三切片样本序列包括的各切片样本对应的病灶区域。6.根据权利要求4所述的切片间相关度检测模型训练方法，其特征在于，所述根据所述各第三切片样本序列包括的各切片样本对应的病灶区域标签和病灶区域，对所述初始病灶分割模型的模型参数进行更新，包括：针对所述各第三切片样本序列对，根据所述第三切片样本序列包括的各切片样本对应的病灶区域标签和病灶区域，构造所述第三切片样本序列对应的dic...

【专利技术属性】
技术研发人员：闫阳阳，马杰，尹芳，许文仪，刘长冬，罗永贵，王萌，
申请(专利权)人：北方健康医疗大数据科技有限公司，
类型：发明
国别省市：