一种模型训练方法、装置、设备及可读存储介质制造方法及图纸

本说明书公开了一种模型训练方法、装置、设备及可读存储介质，通过从第一医学影像中分割得到病灶区域，并根据所述病灶区域，从所述第二医学影像中分割得到前景图像，之后，根据病灶区域和第二医学影像确定正例样本，根据第一医学影像和前景图像确定负例样本，并根据第一医学影像、正例样本和负例样本构建训练样本组，进而根据训练样本组训练病灶分割模型。可见，通过正例样本和负例样本构建训练样本组的方式，增加了训练样本的规模，并且使得病灶分割模型能够很好的捕捉关注病灶区域与其它区域之间的对比特征，提高了模型训练的精度和效率。率。率。

【技术实现步骤摘要】
一种模型训练方法、装置、设备及可读存储介质


[0001]本说明书涉及计算机
，尤其涉及一种模型训练方法、装置、设备及可读存储介质。

技术介绍

[0002]在临床中，术前基于患者的医学图像对病灶区域进行分割，对于医生针对患者制定治疗决策，以及预后分析非常重要。随着计算机技术的发展，目前可以基于机器学习的方式，采用训练完成的病灶分割模型，从患者的医学图像中分割得到病灶区域。但是，目前的病灶分割模型是基于有监督学习的方式训练的，分割的准确度依赖于训练样本的数量和准确的标注。而由于医学图像获取成本高，且涉及患者隐私，训练样本的规模通常较小，导致病灶分割模型的精度有限。
[0003]目前，可以通过对医学图像进行旋转、平移、增加图像噪声处理，增加训练样本的数量。
[0004]然而，通过上述方法处理后的医学图像中病灶区域的标注，与处理前的医学图像中病灶区域的标注存在差异，使得病灶分割模型无法很好的捕捉病灶区域与其它区域之间的对比特征，降低了模型训练的效率和准确率。

技术实现思路

[0005]本说明书提供一种模型训练方法、装置、设备及可读存储介质，以部分的解决现有技术存在的上述问题。
[0006]本说明书采用下述技术方案：
[0007]本说明书提供了一种模型训练方法，包括：
[0008]获取与第一医学影像关联的第二医学影像；
[0009]从所述第一医学影像中分割得到病灶区域；
[0010]根据所述病灶区域，从所述第二医学影像中分割得到前景区域，所述前景区域中包括人体组织；
[0011]根据所述病灶区域和所述第二医学影像确定所述第一医学影像的正例样本，并根据所述第一医学影像和所述前景区域确定所述第一医学影像的负例样本；
[0012]根据所述第一医学影像、所述正例样本和所述负例样本，构建训练样本组；
[0013]根据所述训练样本组，训练病灶分割模型。
[0014]可选地，根据所述病灶区域和所述第二医学影像确定所述第一医学影像的正例样本，并根据所述第一医学影像和所述前景区域确定所述第一医学影像的负例样本，具体包括：
[0015]将所述第一医学影像中除所述病灶区域的其他区域作为第一背景区域，根据所述第一背景区域和所述前景区域确定所述第一医学影像的负例样本；
[0016]将所述第二医学影像中除所述前景区域的其他区域作为第二背景区域，根据所述
第二背景区域和所述病灶区域确定所述第一医学影像的正例样本。
[0017]可选地，根据所述病灶区域和所述第二医学影像确定所述第一医学影像的正例样本，并根据所述第一医学影像和所述前景区域确定所述第一医学影像的负例样本，具体包括：
[0018]分别对所述病灶区域和所述前景区域进行变换；
[0019]根据变换后的病灶区域和所述第二医学影像，确定所述第一医学影像的正例样本，并根据变换后的前景区域和第一医学影像，确定所述第一医学影像的负例样本。
[0020]可选地，根据所述病灶区域和所述第二医学影像确定所述第一医学影像的正例样本，具体包括：
[0021]对所述病灶区域的轮廓进行形态学膨胀；
[0022]根据膨胀后的所述病灶区域的轮廓和预设的融合参数，融合所述病灶区域和所述第二医学影像，得到所述第一医学影像的正例样本；或
[0023]可选地，根据所述第一医学影像和所述前景区域确定所述第一医学影像的负例样本，具体包括：
[0024]对所述前景区域的轮廓进行形态学膨胀；
[0025]根据膨胀后的所述前景区域的轮廓和预设的融合参数，融合所述前景区域和所述第一医学影像，得到所述第一医学影像的负例样本。
[0026]可选地，所述第一医学影像包括增强前的第一医学影像和增强后的第一医学影像，所述第二医学影像包括增强前的第二医学影像和增强后的第二医学影像；
[0027]根据所述病灶区域和所述第二医学影像确定所述第一医学影像的正例样本，并根据所述第一医学影像和所述前景区域确定所述第一医学影像的负例样本，具体包括：
[0028]根据增强前的第一医学影像中的病灶区域，和增强前的第二医学影像确定增强前的正例样本；
[0029]根据增强后的第一医学影像中的病灶区域，和增强后的第二医学影像确定增强后的正例样本；
[0030]根据增强前的第一医学影像，和增强前的第二医学影像中的前景区域确定增强前的负例样本；
[0031]根据增强后的第一医学影像，和增强后的第二医学影像中的前景区域确定增强后的负例样本。
[0032]可选地，根据所述第一医学影像、所述正例样本和所述负例样本，构建训练样本组，具体包括：
[0033]根据增强前的第一医学影像和增强后的第一医学影像之间的差异，确定差值图像；
[0034]根据所述增强前的正例样本和增强后的正例样本之间的差异，确定差值正例样本；
[0035]根据所述增强前的负例样本和增强后的负例样本之间的差异，确定差值负例样本；
[0036]构建包含所述差值图像、所述差值正例样本和所述差值负例样本的目标训练样本组，以及包含所述第一医学影像、所述正例样本和所述负例样本的原始训练样本组。
[0037]可选地，病灶分割模型包括编码器和解码器；
[0038]根据所述训练样本组，训练病灶分割模型，具体包括：
[0039]将所述训练样本组中的所述第一医学影像、所述正例样本和所述负例样本分别输入所述编码器，得到所述第一医学影像的特征、所述正例样本的特征和所述负例样本的特征；
[0040]以所述第一医学影像的特征和所述正例样本的特征之间的相似度的最大化，以及所述第一医学影像的特征和所述负例样本之间的相似度的最小化为训练目标，训练所述编码器；
[0041]根据训练完成的编码器、所述第一医学影像以及所述病灶区域，训练所述解码器。
[0042]可选地，所述病灶分割模型包括第一编码器、第二编码器和解码器；
[0043]根据训练完成的编码器、所述第一医学影像以及所述病灶区域，训练所述解码器，具体包括：
[0044]根据所述第一医学影像确定训练样本，并根据所述病灶区域确定所述训练样本的标注；
[0045]将所述训练样本分别输入训练完成的第一编码器和训练完成的第二编码器，得到所述第一编码器输出的所述训练样本的第一特征，以及所述第二编码器输出的所述训练样本的第二特征；
[0046]将所述第一特征和所述第二特征融合，并将融合后的特征输入所述解码器，得到所述解码器输出的分割结果；
[0047]以所述分割结果和所述训练样本的标注之间的差异最小化为优化目标，调整所述第二编码器的参数以及所述解码器的参数。
[0048]可选地，所述第一医学影像和所述第二医学影像是从同一参考医学影像中分割得到的；
[0049]在得到所述解码器输出的分割结果之后，在以所述分割结果和所述训练样本的标注之间的差异最小化为优化目标，调整本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取与第一医学影像关联的第二医学影像；从所述第一医学影像中分割得到病灶区域；根据所述病灶区域，从所述第二医学影像中分割得到前景区域，所述前景区域中包括人体组织；根据所述病灶区域和所述第二医学影像确定所述第一医学影像的正例样本，并根据所述第一医学影像和所述前景区域确定所述第一医学影像的负例样本；根据所述第一医学影像、所述正例样本和所述负例样本，构建训练样本组；根据所述训练样本组，训练病灶分割模型。2.如权利要求1所述的方法，其特征在于，根据所述病灶区域和所述第二医学影像确定所述第一医学影像的正例样本，并根据所述第一医学影像和所述前景区域确定所述第一医学影像的负例样本，具体包括：将所述第一医学影像中除所述病灶区域的其他区域作为第一背景区域，根据所述第一背景区域和所述前景区域确定所述第一医学影像的负例样本；将所述第二医学影像中除所述前景区域的其他区域作为第二背景区域，根据所述第二背景区域和所述病灶区域确定所述第一医学影像的正例样本。3.如权利要求1所述的方法，其特征在于，根据所述病灶区域和所述第二医学影像确定所述第一医学影像的正例样本，并根据所述第一医学影像和所述前景区域确定所述第一医学影像的负例样本，具体包括：分别对所述病灶区域和所述前景区域进行变换；根据变换后的病灶区域和所述第二医学影像，确定所述第一医学影像的正例样本，并根据变换后的前景区域和第一医学影像，确定所述第一医学影像的负例样本。4.如权利要求1所述的方法，其特征在于，根据所述病灶区域和所述第二医学影像确定所述第一医学影像的正例样本，具体包括：对所述病灶区域的轮廓进行形态学膨胀；根据膨胀后的所述病灶区域的轮廓和预设的融合参数，融合所述病灶区域和所述第二医学影像，得到所述第一医学影像的正例样本；或根据所述第一医学影像和所述前景区域确定所述第一医学影像的负例样本，具体包括：对所述前景区域的轮廓进行形态学膨胀；根据膨胀后的所述前景区域的轮廓和预设的融合参数，融合所述前景区域和所述第一医学影像，得到所述第一医学影像的负例样本。5.如权利要求1～4任一所述的方法，其特征在于，所述第一医学影像包括增强前的第一医学影像和增强后的第一医学影像，所述第二医学影像包括增强前的第二医学影像和增强后的第二医学影像；根据所述病灶区域和所述第二医学影像确定所述第一医学影像的正例样本，并根据所述第一医学影像和所述前景区域确定所述第一医学影像的负例样本，具体包括：根据增强前的第一医学影像中的病灶区域，和增强前的第二医学影像确定增强前的正例样本；
根据增强后的第一医学影像中的病灶区域，和增强后的第二医学影像确定增强后的正例样本；根据增强前的第一医学影像，和增强前的第二医学影像中的前景区域确定增强前的负例样本；根据增强后的第一医学影像，和增强后的第二医学影像中的前景区域确定增强后的负例样本。6.如权利要求5所述的方法，...

【专利技术属性】
技术研发人员：郭珊珊，石峰，薛忠，詹翊强，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：