医学图像分割模型的获取方法、系统、电子设备和介质技术方案

本发明专利技术提供了一种医学图像分割模型的获取方法、系统、血管医学图像的分割方法、电子设备和介质。医学图像分割模型获取方法包括：获取医学图像分割模型的第一训练样本，第一训练样本包括第一医学训练图像以及与所述第一医学训练图像对应的第一标签图像；获取第一医学训练图像中目标区域的形状约束信息；根据第一医学训练图像和目标区域的形状约束信息，对初始化后的第一神经网络模型进行训练，直至满足第一预设训练结束条件，得到所述医学图像分割模型。本发明专利技术能够提高医学图像的分割效率、分割精度以及分割结果的稳定性。割精度以及分割结果的稳定性。割精度以及分割结果的稳定性。

【技术实现步骤摘要】
医学图像分割模型的获取方法、系统、电子设备和介质


[0001]本专利技术涉及医学图像处理
，特别涉及一种医学图像分割模型的获取方法、系统、血管医学图像的分割方法、电子设备和介质。

技术介绍

[0002]脑血管疾病是全球死亡率最高的疾病，并且发病率和死亡率逐年上升，脑血管疾病严重威胁着人类的生命健康。有相关数据统计和研究发现，缺血性脑血管病在脑血管疾病中占据着很大的比例，而头颈部血管的动脉粥样硬化斑块是发生缺血性脑血管病的重要病因之一。对血管壁和血管壁斑块进行准确的分割，是进行后续狭窄分析，斑块分析的基础，是实现快速自动头颈动脉粥样硬化斑块检测的基础，同时也对动脉粥样硬化斑块的治疗有着指导意义。
[0003]目前相关研究主要集中于超声图像的颈动脉血管壁分割，但是由于超声图像本身的成像限制，能够提供的临床解剖信息有限。而磁共振血管壁序列相对而言在图像上能提供更多的临床解剖信息，在颈动脉动脉粥样硬化疾病的诊断上得到越来越多的关注，但是基于磁共振序列实现自动准确的头颈部血管壁分割和斑块分割的方案在现有公开的资料并不多见。现有技术中基于磁共振序列进行血管医学图像分割的方法主要有以下几种：
[0004]其中一种是采用手动或交互式的方式来实现管腔管壁和斑块的分割，该方法由于需要人工参与，分割过程比较繁复，不仅效率低下，而且对操作人员的专业性要求较高，分割结果难以重复(稳定性差)。为了提高分割效率，另外两种分别是结合形状约束的主动轮廓方法以及在图像信号中添加距离特征的方法，然而，对于弱边界和不连续边界，这两种方法可能难以准确分割。还有一种是基于多模态配准的分割方法，首先对TOF(Time
‑
of
‑
Flight，飞行时间)序列进行自动分割，然后利用配准关系将TOF序列的分割结果配准到其他序列上作为先验信息，从而实现其模态的自动分割，该方法过于依赖多模态之间的准确配准，分割的准确性依赖于多模态之间的配准程度，不易保证分割结果的稳定性。
[0005]需要说明的是，公开于该专利技术
技术介绍
部分的信息仅仅旨在加深对本专利技术一般
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

技术实现思路

[0006]本专利技术的目的在于针对现有技术中存在的在对磁共振血管图像进管腔、管壁及斑块等分割时效率低下、精度低等技术问题，提供一种医学图像分割模型的获取方法、系统、血管医学图像的分割方法、电子设备和介质，以提高血管医学图像的分割效率、分割精度以及分割结果的稳定性。
[0007]为达到上述目的，本专利技术提供以下技术方案实现：一种医学图像分割模型的获取方法，包括：
[0008]获取医学图像分割模型的第一训练样本；所述第一训练样本包括第一医学训练图
像以及与所述第一医学训练图像对应的第一标签图像；
[0009]获取所述第一医学训练图像中目标区域的形状约束信息；
[0010]根据所述第一医学训练图像和所述目标区域的形状约束信息，对初始化后的第一神经网络模型进行训练，直至满足第一预设训练结束条件，得到所述医学图像分割模型。
[0011]可选地，所述获取所述第一医学训练图像中目标区域的形状约束信息，包括：
[0012]采用预训练的第二神经网络模型，获取所述第一医学训练图像中目标区域的形状约束信息。
[0013]可选地，所述第一神经网络模型包括StudentNet结构，所述第二神经网络模型包括TeacherNet结构；所述TeacherNet结构通过对所述StudentNet结构的预测结果的形状进行判断以实现形状约束信息的监督。
[0014]可选地，还包括通过以下步骤训练得到所述第二神经网络模型：
[0015]获取第二训练样本；其中，所述第二训练样本包括第二医学训练图像；
[0016]设置第二神经网络模型的模型参数的初始值；以及
[0017]根据所述第二训练样本和所述第二神经网络模型的模型参数的初始值对预先搭建的第二神经网络模型进行训练，直至满足第二预设训练结束条件。
[0018]可选地，所述获取所述第一医学训练图像中目标区域的形状约束信息，包括：
[0019]对所述第一医学训练图像进行图像变换，获取所述第一医学训练图像中目标区域的形状约束信息。
[0020]为了实现上述目的，本专利技术还提供了一种医学图像分割模型获取系统，所述医学图像分割模型获取系统包括：
[0021]医学训练图像获取单元，配置为获取医学图像分割模型的第一训练样本；所述第一训练样本包括第一医学训练图像以及与所述第一医学训练图像对应的第一标签图像；
[0022]形状约束信息获取单元，配置为获取所述第一医学训练图像中目标区域的形状约束信息；
[0023]医学图像分割模型获取单元，配置为根据所述第一医学训练图像和所述目标区域的形状约束信息，对初始化后的第一神经网络模型进行训练，直至满足第一预设训练结束条件，得到所述医学图像分割模型。
[0024]为了实现上述目的，本专利技术还提供了一种血管医学图像的分割方法，所述分割方法，包括：
[0025]获取待分割血管医学图像；
[0026]采用血管医学图像分割模型对所述待分割血管医学图像进行分割，以得到目标区域的分割医学图像；其中，所述血管医学图像分割模型采用如上述任一项所述的医学图像分割模型的获取方法得到。
[0027]可选地，所述待分割血管医学图像包括T1增强图像、T1图像、T2图像或质子密度图像；
[0028]在采用血管医学图像分割模型对所述待分割血管医学图像进行分割之前，还包括：
[0029]对所述待分割血管医学图像进行预处理，以滤除所述待分割血管医学图像的噪声。
[0030]为了实现上述目的，本专利技术还提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现上述任一项所述的医学图像分割模型的获取方法和/或上述任一项所述的血管医学图像的分割方法。
[0031]为了实现上述目的，本专利技术还提供了一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现上述任一项所述的医学图像分割模型的获取方法和/或上述任一项所述的血管医学图像的分割方法。
[0032]与现有技术相比，本专利技术提供的医学图像分割模型的获取方法、系统、血管医学图像的分割方法、电子设备和介质具有以下优点：
[0033]本专利技术提供的医学图像分割模型的获取方法，首先获取医学图像分割模型的第一训练样本；所述第一训练样本包括第一医学训练图像以及与所述第一医学训练图像对应的第一标签图像；然后获取所述第一医学训练图像中目标区域的形状约束信息；最后根据所述第一医学训练图像和所述目标区域的形状约束信息，对初始化后的第一神经网络模型进行训练，直至满足第一预设训练结束条件，得到所述医学图像分割模型。由此可见，本专利技术提供的医学图像分割模型的获本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学图像分割模型的获取方法，其特征在于，包括：获取医学图像分割模型的第一训练样本；所述第一训练样本包括第一医学训练图像以及与所述第一医学训练图像对应的第一标签图像；获取所述第一医学训练图像中目标区域的形状约束信息；根据所述第一医学训练图像和所述目标区域的形状约束信息，对初始化后的第一神经网络模型进行训练，直至满足第一预设训练结束条件，得到所述医学图像分割模型。2.根据权利要求1所述的医学图像分割模型的获取方法，其特征在于，所述获取所述第一医学训练图像中目标区域的形状约束信息，包括：采用预训练的第二神经网络模型，获取所述第一医学训练图像中目标区域的形状约束信息。3.根据权利要求2所述的医学图像分割模型的获取方法，其特征在于，所述第一神经网络模型包括StudentNet结构，所述第二神经网络模型包括TeacherNet结构；所述TeacherNet结构通过对所述StudentNet结构的预测结果的形状进行判断以实现形状约束信息的监督。4.根据权利要求3所述的医学图像分割模型的获取方法，其特征在于，还包括通过以下步骤训练得到所述第二神经网络模型：获取第二训练样本；其中，所述第二训练样本包括第二医学训练图像；设置第二神经网络模型的模型参数的初始值；以及根据所述第二训练样本和所述第二神经网络模型的模型参数的初始值对预先搭建的第二神经网络模型进行训练，直至满足第二预设训练结束条件。5.根据权利要求1所述的医学图像分割模型的获取方法，其特征在于，所述获取所述第一医学训练图像中目标区域的形状约束信息，包括：对所述第一医学训练图像进行图像变换，获取所述第一医学训练图像中目标区域的形状约束信息。6.一种医学图像分割模型获取系统，其特征在于，包括：医学训练图像获取单...

【专利技术属性】
技术研发人员：杨雄，毛玉妃，苏赛赛，李京东，
申请(专利权)人：上海联影医疗科技股份有限公司，
类型：发明
国别省市：