医学图像分割方法、医学模型训练方法、装置和存储介质制造方法及图纸

本申请涉及一种医学图像分割方法、医学模型训练方法、装置和存储介质。所述方法包括：获取待分割医学图像；对所述待分割医学图像进行特征提取得到目标二维特征；对所述待分割医学图像进行特征提取得到初始三维特征；将所述目标二维特征和所述初始三维特征进行拼接；对拼接后的特征进行特征提取得到目标三维特征，并基于所述目标三维特征得到医学图像的分割结果。采用本方法能够减少资源消耗的同时提高图像分割准确性。像分割准确性。像分割准确性。

【技术实现步骤摘要】
医学图像分割方法、医学模型训练方法、装置和存储介质


[0001]本申请涉及图像处理
，特别是涉及一种医学图像分割方法、医学模型训练方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]目前基于深度学习的前列腺器官区域分割方法，大多都是单一的利用3D卷积将核磁图像的序列作为三维数据输入，通过3D卷积堆叠成端到端的卷积神经网络模型，在核磁图像的横断面上勾勒前列腺区域，或是通过增加输入特征项数提高整体序列上的勾勒精度。
[0003]然而，由于核磁图像T2W序列的每个切片显示的前列腺是多变的，3D卷积可以捕获切片之间的联系，但并未增加对切片信息的捕获能力，单一地使用3D卷积会使模型对某个切片信息的不完整捕获造成整体的分割精度偏低，而增加输入特征项的方式需要消耗大量的计算资源、图像数据。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够减少资源消耗的同时提高图像分割准确性的医学图像分割方法、医学模型训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]第一方面，本申请提供一种医学图像分割方法，所述方法包括：
[0006]获取待分割医学图像；
[0007]对所述待分割医学图像进行特征提取得到目标二维特征；
[0008]对所述待分割医学图像进行特征提取得到初始三维特征；
[0009]将所述目标二维特征和所述初始三维特征进行拼接；
[0010]对拼接后的特征进行特征提取得到目标三维特征，并基于所述目标三维特征得到医学图像的分割结果。
[0011]在其中一个实施例中，所述对所述待分割医学图像进行特征提取得到目标二维特征，包括：
[0012]分别对当前输入特征提取不同感受野大小的当前二维特征，其中第一个输入的所述当前输入特征是基于所述待分割医学图像生成的；
[0013]将各不同感受野大小的当前二维特征进行拼接得到下一输入特征，并将所述下一输入特征作为当前输入特征，并继续分别对当前输入特征提取不同感受野大小的当前二维特征，将最后输出的下一输入特征作为目标二维特征。
[0014]在其中一个实施例中，所述医学图像的分割结果是通过预先训练得到的医学模型进行预测得到的，所述医学模型包括二维卷积特征提取模块、第一三维卷积特征提取模块、拼接模块以及第二三维卷积特征提取模块；
[0015]所述对所述待分割医学图像进行特征提取得到目标二维特征，包括：
[0016]通过所述二维卷积特征提取模块对所述待分割医学图像进行特征提取得到目标二维特征；
[0017]所述对所述待分割医学图像进行特征提取得到初始三维特征，包括：
[0018]通过所述第一三维卷积特征提取模块对所述待分割医学图像进行特征提取得到初始三维特征；
[0019]所述将所述目标二维特征和所述初始三维特征进行拼接，包括：
[0020]通过所述拼接模块将所述目标二维特征和所述初始三维特征进行拼接；
[0021]所述对拼接后的特征进行特征提取得到目标三维特征，并基于所述目标三维特征得到医学图像的分割结果，包括：
[0022]通过第二三维卷积特征提取模块对拼接后的特征进行特征提取得到目标三维特征，并基于所述目标三维特征得到医学图像的分割结果。
[0023]在其中一个实施例中，所述二维卷积特征提取模块包括多分支卷积特征提取单元以及拼接单元；
[0024]所述分别对当前输入特征提取不同感受野大小的当前二维特征，包括：
[0025]通过所述多分支卷积特征提取单元分别对当前输入特征提取不同感受野大小的当前二维特征；
[0026]所述将各不同感受野大小的当前二维特征进行拼接得到下一输入特征，包括：
[0027]通过所述拼接单元将各不同感受野大小的当前二维特征进行拼接得到下一输入特征。
[0028]在其中一个实施例中，所述将所述目标二维特征和所述初始三维特征进行拼接，包括：
[0029]按照所述待分割医学图像中的切片索引顺序，将各所述目标二维特征进行排序得到融合三维特征；
[0030]将所述融合三维特征和所述初始三维特征进行拼接。
[0031]在其中一个实施例中，所述获取待分割医学图像之后，还包括：
[0032]对所述待分割医学图像进行格式转换得到三维医学图像和按照顺序排列的二维切片图像；
[0033]所述对所述待分割医学图像进行特征提取得到目标二维特征，包括：
[0034]对各所述二维切片图像分别进行特征提取得到目标二维特征；
[0035]所述对所述待分割医学图像进行特征提取得到初始三维特征，包括：
[0036]对所述三维医学图像进行特征提取得到初始三维特征。
[0037]第二方面，本申请还提供一种医学模型训练方法，所述医学模型训练方法包括：
[0038]获取医学样本数据，所述医学样本数据包括样本医学图像以及对应的目标标签；
[0039]提取所述样本医学图像的样本二维卷积特征；
[0040]提取模块提取所述样本医学图像的第一样本三维卷积特征；
[0041]将所述样本二维卷积特征和所述第一样本三维卷积特征进行拼接得到第二样本三维卷积特征；
[0042]对所述第二样本三维卷积特征进行特征提取，并基于特征提取的结果得到模型输出结果；
[0043]基于所述样本二维卷积特征以及所述目标标签生成第一损失函数值，基于所述第一样本三维卷积特征以及所述目标标签生成第二损失函数值，基于所述模型输出结果以及所述目标标签生成第三损失函数值；
[0044]根据所述第一损失函数值、所述第二损失函数值以及所述第三损失函数值对医学模型进行优化，得到训练完成的医学模型。
[0045]在其中一个实施例中，所述基于所述样本二维卷积特征以及所述目标标签生成第一损失函数值，包括：
[0046]通过第一损失函数基于所述样本二维卷积特征以及所述目标标签，生成第一损失函数值；
[0047]所述基于所述第一样本三维卷积特征以及所述目标标签生成第二损失函数值，基于所述模型输出结果以及所述目标标签生成第三损失函数值，包括：
[0048]通过第二损失函数，基于所述第一样本三维卷积特征以及所述目标标签，生成第二损失函数值；通过第二损失函数，基于所述模型输出结果以及所述目标标签，生成第三损失函数值。
[0049]在其中一个实施例中，所述根据所述第一损失函数值、所述第二损失函数值以及所述第三损失函数值对医学模型进行优化，得到训练完成的医学模型，包括：
[0050]基于所述第一损失函数值对所述医学模型的二维卷积特征提取模块进行优化，基于所述第二损失函数值对所述医学模型的第一三维卷积特征提取模块进行优化，基于所述第三损失函数值对所述医学模型的第二三维卷积特征提取模块进行优化，得到训练完成的医学模型。
[0051]在其中一个实施例中，所述通过医学模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学图像分割方法，其特征在于，所述方法包括：获取待分割医学图像；对所述待分割医学图像进行特征提取得到目标二维特征；对所述待分割医学图像进行特征提取得到初始三维特征；将所述目标二维特征和所述初始三维特征进行拼接；对拼接后的特征进行特征提取得到目标三维特征，并基于所述目标三维特征得到医学图像的分割结果。2.根据权利要求1所述的方法，其特征在于，所述对所述待分割医学图像进行特征提取得到目标二维特征，包括：分别对当前输入特征提取不同感受野大小的当前二维特征，其中第一个输入的所述当前输入特征是基于所述待分割医学图像生成的；将各不同感受野大小的当前二维特征进行拼接得到下一输入特征，并将所述下一输入特征作为当前输入特征，并继续分别对当前输入特征提取不同感受野大小的当前二维特征，将最后输出的下一输入特征作为目标二维特征。3.根据权利要求2所述的方法，其特征在于，所述医学图像的分割结果是通过预先训练得到的医学模型进行预测得到的，所述医学模型包括二维卷积特征提取模块、第一三维卷积特征提取模块、拼接模块以及第二三维卷积特征提取模块；所述对所述待分割医学图像进行特征提取得到目标二维特征，包括：通过所述二维卷积特征提取模块对所述待分割医学图像进行特征提取得到目标二维特征；所述对所述待分割医学图像进行特征提取得到初始三维特征，包括：通过所述第一三维卷积特征提取模块对所述待分割医学图像进行特征提取得到初始三维特征；所述将所述目标二维特征和所述初始三维特征进行拼接，包括：通过所述拼接模块将所述目标二维特征和所述初始三维特征进行拼接；所述对拼接后的特征进行特征提取得到目标三维特征，并基于所述目标三维特征得到医学图像的分割结果，包括：通过第二三维卷积特征提取模块对拼接后的特征进行特征提取得到目标三维特征，并基于所述目标三维特征得到医学图像的分割结果。4.根据权利要求3所述的方法，其特征在于，所述二维卷积特征提取模块包括多分支卷积特征提取单元以及拼接单元，其中至少一个分支卷积特征提取单元是通过空洞卷积实现的；所述分别对当前输入特征提取不同感受野大小的当前二维特征，包括：通过所述多分支卷积特征提取单元分别对当前输入特征提取不同感受野大小的当前二维特征；所述将各不同感受野大小的当前二维特征进行拼接得到下一输入特征，包括：通过所述拼接单元将各不同感受野大小的当前二维特征进行拼接得到下一输入特征。5.根据权利要求1所述的方法，其特征在于，所述将所述目标二维特征和所述初始三维特征进行拼接，包括：
按照所述待分割医学图像中的切片索引顺序，将各所述目标二维特征进行排序得到融合三维特征；将所述融合三维特征和所述初始三维特征进行拼接。6.根据权利要求1所述的方法，其特征在于，所述获取待分割医学图像之后，还包括：对所述待分割医学图像进行格式转换得到三维医学图像和按照顺序排列的二维切片图像；所述对所述待分割医学图像进行特征提取得到目标二维特征，包括：对各所述二维切片图像分别进行特征提取得到目标二维特征；所述对所述待分割医学图像进行特征提取得到初始三维特征，包括：对所述三维医学图像进行特征提取得到初始三维特征。7.一种医学模型训练方法，其特征在于，所述医学模型训练方法包括：获取医学样本数据，所述医学样本数据包括样本医学图像以及对应的目标标签；提取所述样本医学图像的样本二维卷积特征；提取模块提取所述样本医学图像的第一样本三维卷积特征；将所述样本二维卷积特征和所述第一样本三维卷积特征进行拼接得到第二样本三维卷积特征；对所述第二样本三维卷积特征进行特征提取，并基于特征提取的结果得到模型输出结果；基于所述样本二维卷积特征以及所述目标标签生成...

【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：上海介航机器人有限公司，
类型：发明
国别省市：