医学图像处理方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种医学图像处理方法、装置、计算机设备、存储介质和计算机程序产品。方法包括：获取以树结构构建的器官图像分割模型；器官图像分割模型包括树结构中的各叶子节点对应的训练好的器官图像分割子模型；将样本图像集分别输入至各器官图像分割子模型，得到各样本图像对应的预测分割图像；根据分割标注图像与预测分割图像，对器官图像分割模型的当前集成策略进行调整，得到目标集成策略；根据目标集成策略，组合各器官图像分割子模型针对待分割器官图像输出的预测分割结果，得到目标器官分割图像；目标器官分割图像对应的分割风格与分割标注图像对应的分割风格相匹配。采用本方法能够提高分割结果的准确性。方法能够提高分割结果的准确性。方法能够提高分割结果的准确性。

【技术实现步骤摘要】
医学图像处理方法、装置、计算机设备和存储介质


[0001]本申请涉及人工智能
，特别是涉及一种医学图像处理方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]近年来随着医学成像技术和计算机技术的不断发展和进步，基于人工智能技术的医学图像器官分割是当前医学图像分析的主要应用领域。
[0003]在器官分割任务中，可以根据不同医生或者医院的勾画特点利用分割模型提供个性化的分割结果，以提升医生体验。相关技术中，往往是通过大量的具有不同勾画风格的器官分割样本数据学习出一个分割模型，当新数据到达时，对已有的分割模型在新数据上做模型适应和参数微调。
[0004]然而这种方法需要较多数据量来微调模型，分割模型作为典型的深度学习模型本身就具有非常大量的参数。因此当数据量较小时，模型得不到充分训练；新数据样本少意味着对于采样本身可能存在偏移，而使得模型学习整体偏移，导致无法准确输出与新数据风格相匹配的器官分割结果。
[0005]因此，传统技术中存在着分割模型无法准确输出分割结果的问题。

技术实现思路

[0006]基于此，有必要针对上述技术问题，提供一种能够提高分割模型的分割结果的准确性的医学图像处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0007]第一方面，本申请提供了一种医学图像处理方法。所述方法包括：
[0008]获取以树结构构建的器官图像分割模型；所述器官图像分割模型包括所述树结构中的各叶子节点对应的训练好的器官图像分割子模型；其中，各所述器官图像分割子模型对应的分割风格不同；
[0009]将样本图像集分别输入至各所述器官图像分割子模型，得到所述样本图像集中的各样本图像对应的预测分割图像；
[0010]根据各所述样本图像对应的分割标注图像与各所述样本图像对应的预测分割图像，对所述器官图像分割模型的当前集成策略进行调整，得到目标集成策略；
[0011]根据所述目标集成策略，组合各器官图像分割子模型针对待分割器官图像输出的预测分割结果，得到所述待分割器官图像对应的目标器官分割图像；所述目标器官分割图像对应的分割风格与所述分割标注图像对应的分割风格相匹配。
[0012]在其中一个实施例中，所述将样本图像集分别输入至各所述器官图像分割子模型，得到所述样本图像集中的各样本图像对应的预测分割图像，包括：
[0013]将所述样本图像集分别输入至各所述器官图像分割子模型，得到各所述器官图像分割子模型针对各所述样本图像输出的预测分割结果；
[0014]根据所述当前集成策略，组合各所述样本图像对应的预测分割结果，得到各所述
样本图像对应的预测分割图像。
[0015]在其中一个实施例中，所述当前集成策略包括各所述器官图像分割子模型对应的分割结果权重；所述根据各所述样本图像对应的分割标注图像与各所述样本图像对应的预测分割图像，对所述器官图像分割模型的当前集成策略进行调整，得到目标集成策略，包括：
[0016]确定各所述样本图像对应的分割标注图像与各所述样本图像对应的预测分割图像之间的图像差异；
[0017]根据所述图像差异调整各所述器官图像分割子模型对应的分割结果权重，得到各所述器官图像分割子模型对应的目标分割结果权重；
[0018]根据各所述器官图像分割子模型对应的目标分割结果权重，得到所述目标集成策略。
[0019]在其中一个实施例中，所述根据所述图像差异调整各所述器官图像分割子模型对应的分割结果权重，得到各所述器官图像分割子模型对应的目标分割结果权重，包括：
[0020]根据所述图像差异，调整各所述器官图像分割子模型对应的分割结果权重，得到各所述器官图像分割子模型对应的调整后权重；
[0021]根据各所述器官图像分割子模型对应的调整后权重，组合各所述器官图像分割子模型输出的预测分割结果，得到各所述样本图像对应的调整后的预测分割图像；
[0022]将所述调整后的预测分割图像作为所述预测分割图像，返回所述根据所述图像差异，调整各所述器官图像分割子模型对应的分割结果权重的步骤，直到所述图像差异满足预设的调整结束条件，得到各所述器官图像分割子模型对应的目标分割结果权重。
[0023]在其中一个实施例中，所述获取以树结构构建的器官图像分割模型，包括：
[0024]获取训练样本图像集、样本分割标注图像集以及初始分割模型树中的待训练的器官图像分割子模型；其中，所述样本分割标注图像集包括与所述训练样本图像集中的各训练样本图像对应的样本分割标注图像；所述样本分割标注图像为对待分割对象在所述训练样本图像中所在的实际区域进行标注得到的；
[0025]根据所述训练样本图像集和所述样本分割标注图像集，对所述初始分割模型树中的待训练的器官图像分割子模型进行训练，得到以所述树结构构建的目标分割模型树；所述分割模型树包括所述树结构中各所述叶子节点对应的训练好的器官图像分割子模型；
[0026]将所述训练样本图像集分别输入至各所述叶子节点对应的训练好的器官图像分割子模型中，得到各所述器官图像分割子模型针对所述训练样本图像输出的样本预测分割结果；
[0027]根据各所述器官图像分割子模型输出的所述样本预测分割结果，构建所述器官图像分割模型。
[0028]在其中一个实施例中，所述根据各所述器官图像分割子模型输出的所述样本预测分割结果，构建所述器官图像分割模型，包括：
[0029]确定各所述样本预测分割结果中的样本预测概率图像；
[0030]拼接各所述样本预测概率图像，得到拼接后的样本预测概率图像；
[0031]在所述拼接后的样本预测概率图像上构建预设的集成模型，得到所述器官图像分割模型。
[0032]在其中一个实施例中，所述初始分割模型树包括所述树结构中的根节点对应的待训练的器官图像分割子模型；所述根据所述训练样本图像集和所述样本分割标注图像集对所述初始分割模型树中的待训练的器官图像分割子模型进行训练，得到以所述树结构构建的目标分割模型树，包括：
[0033]根据所述训练样本图像集和所述样本分割标注图像集对所述根节点对应的待训练的器官图像分割子模型进行训练，得到所述根节点对应的训练好的器官图像分割子模型；
[0034]获取各残差图像对应的纹理特征图像；各所述残差图像为根据各所述训练样本图像对应的根节点预测概率图像与各所述训练样本图像对应的样本分割标注图像之间的差值得到的；所述根节点预测概率图像为所述根节点对应的训练好的器官图像分割子模型针对所述训练样本图像输出的样本预测分割结果中的样本预测概率图像；
[0035]根据各所述纹理特征图像的聚类结果，得到所述目标分割模型树。
[0036]在其中一个实施例中，所述根据各所述纹理特征图像的聚类结果，得到所述目标分割模型树，包括：
[0037]根据各所述纹理特征图像的聚类结果，将所述训练样本图像集划分为第一训练样本图像集和第二训练样本图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学图像处理方法，其特征在于，所述方法包括：获取以树结构构建的器官图像分割模型；所述器官图像分割模型包括所述树结构中的各叶子节点对应的训练好的器官图像分割子模型；其中，各所述器官图像分割子模型对应的分割风格不同；将样本图像集分别输入至各所述器官图像分割子模型，得到所述样本图像集中的各样本图像对应的预测分割图像；根据各所述样本图像对应的分割标注图像与各所述样本图像对应的预测分割图像，对所述器官图像分割模型的当前集成策略进行调整，得到目标集成策略；根据所述目标集成策略，组合各器官图像分割子模型针对待分割器官图像输出的预测分割结果，得到所述待分割器官图像对应的目标器官分割图像；所述目标器官分割图像对应的分割风格与所述分割标注图像对应的分割风格相匹配。2.根据权利要求1所述的方法，其特征在于，所述当前集成策略包括各所述器官图像分割子模型对应的分割结果权重；所述根据各所述样本图像对应的分割标注图像与各所述样本图像对应的预测分割图像，对所述器官图像分割模型的当前集成策略进行调整，得到目标集成策略，包括：确定各所述样本图像对应的分割标注图像与各所述样本图像对应的预测分割图像之间的图像差异；根据所述图像差异调整各所述器官图像分割子模型对应的分割结果权重，得到各所述器官图像分割子模型对应的目标分割结果权重；根据各所述器官图像分割子模型对应的目标分割结果权重，得到所述目标集成策略。3.根据权利要求2所述的方法，其特征在于，所述根据所述图像差异调整各所述器官图像分割子模型对应的分割结果权重，得到各所述器官图像分割子模型对应的目标分割结果权重，包括：根据所述图像差异，调整各所述器官图像分割子模型对应的分割结果权重，得到各所述器官图像分割子模型对应的调整后权重；根据各所述器官图像分割子模型对应的调整后权重，组合各所述器官图像分割子模型输出的预测分割结果，得到各所述样本图像对应的调整后的预测分割图像；将所述调整后的预测分割图像作为所述预测分割图像，返回所述根据所述图像差异，调整各所述器官图像分割子模型对应的分割结果权重的步骤，直到所述图像差异满足预设的调整结束条件，得到各所述器官图像分割子模型对应的目标分割结果权重。4.根据权利要求1所述的方法，其特征在于，所述获取以树结构构建的器官图像分割模型，包括：获取训练样本图像集、样本分割标注图像集以及初始分割模型树中的待训练的器官图像分割子模型；其中，所述样本分割标注图像集包括与所述训练样本图像集中的各训练样本图像对应的样本分割标注图像；所述样本分割标注图像为对待分割对象在所述训练样本图像中所在的实际区域进行标注得到的；根据所述训练样本图像集和所述样本分割标注图像集，对所述初始分割模型树中的待训练的器官图像分割子模型进行训练，得到以所述树结构构建的目标分割模型树；所述目标分割模型树包括所述树结构中各所述叶子节点对应的训练好的器官图像分割子模型；
将所述训练样本图像集分别输入至各所述叶子节点对应的训练好的器官图像分割子模型中，得到各所述器官图像分割子模型针对所述训练样本图像输出的样本预测分割结果；根据各所述器官图像分割子模型输出的所述样本预测分割结果，构建所述器官图像分割模型。5.根据权利要求4所述的方法，其特征在于，所述根据各所述器官图像分割子模型输出的所述样本预测分割结果，构建...

【专利技术属性】
技术研发人员：乔治，刘晓鸣，吴青霞，
申请(专利权)人：北京联影智能影像技术研究院，
类型：发明
国别省市：