模型训练方法、轮廓预测方法、装置、电子设备及介质制造方法及图纸

本公开实施例提供了一种模型训练方法、轮廓预测方法、装置、电子设备及介质。该模型训练方法包括获得病灶区域图像以及病灶轮廓线，所述病灶区域图像由多个像素组成；确定所述病灶轮廓线经过的像素为目标像素；确定所述病灶轮廓线在所述目标像素内的曲线段的中点为目标点；基于所述病灶区域图像和所述目标点训练轮廓预测模型。廓预测模型。廓预测模型。

【技术实现步骤摘要】
模型训练方法、轮廓预测方法、装置、电子设备及介质


[0001]本说明书涉及医学图像处理领域，尤其涉及一种模型训练方法、轮廓预测方法、装置、电子设备及介质。

技术介绍

[0002]CT(Computed Tomography)，即电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。
[0003]胸部CT检查是诊断肺部和心脏疾病的的关键技术，是体检筛查肺部疾病的主要手段，如肺炎、肿块结节、气胸、肋骨骨折等等。
[0004]肺结节是常见的肺部疾病，肺结节的尽早发现对于病人的预后和生存起到了至关重要的作用，而这其中肺结节的大小测量对于肺结节的后续随访管理起到了至关重要的作用。
[0005]在影像医师的日常工作中，测量肺结节大小的方式为，选择轴位视角的最大层面，首先标记出肺结节内部的最大的长度称为长径(一般目测估计)，然后在垂直于最长径的方向上找到尽可能长的一条径线(称为短径)，结节的大小则表达为长径x短径(mm)的形式，如图12所示。
[0006]在计算机自动测量结节大小的问题中，为了计算长短径的长度和位置，首先需要计算机基于结节的图像预测一条结节的轮廓线，在有了轮廓线的基础上有比较固定的数学方法来计算一条闭合曲线内的长短径。所以对于计算机而言，主要的问题在于如何准确地预测结节的轮廓线。
[0007]目前的一些做法是，使计算机学习预测结节的掩膜(一般称为mask，下同)，然后将该掩膜的轮廓作为结节的轮廓，对该掩膜的轮廓计算得到长短径。如图13所示，每个方格代表一个像素，虚线代表标注的结节轮廓。如图14所示，有填充的方块区域表示结节的mask，是计算机在像素粒度下对结节区域的近似。
[0008]但是，一般而言在肺结节的勾画过程中，医师会直接勾画该结节的轮廓线进行保存，而不会去选择画结节的mask，因为准确性较差且勾画效率低下。所以现有技术在学习如何预测mask之前，需要将医师勾画的金标准轮廓线转换为mask，这一步存在误差。对于本身只占3，4个像素大小的肺小结节而言，这一步引入的误差就很大了。
[0009]因此，对于诸如肺结节等小型病灶，这类病灶占据像素的数量很少，如何更准确地预测这类病灶的轮廓线，是亟待解决的问题。

技术实现思路

[0010]为解决相关技术中的问题，本公开实施例提供了一种模型训练方法、轮廓预测方法、装置、电子设备及介质。
[0011]本公开实施例的一个方面提供了一种模型训练方法，包括获得病灶区域图像以及
病灶轮廓线，病灶区域图像由多个像素组成；确定病灶轮廓线经过的像素为目标像素；确定病灶轮廓线在目标像素内的曲线段的中点为目标点；基于病灶区域图像和目标点训练轮廓预测模型。
[0012]根据本公开实施例，获得病灶轮廓线包括获得标注轮廓线，标注轮廓线由有限个标注点组成；通过插值的方式处理标注点生成病灶轮廓线。
[0013]根据本公开实施例，目标像素的数量少于标注点的数量。
[0014]根据本公开实施例，轮廓预测模型的输出层用于输出预测像素以及预测点在预测像素中的位置，基于病灶区域图像和目标点训练轮廓预测模型包括，获得目标点在目标像素中的位置；基于病灶区域图像、目标像素以及目标点在目标像素中的位置训练轮廓预测模型。
[0015]根据本公开实施例，基于病灶区域图像、目标像素以及目标点在目标像素中的位置训练轮廓预测模型包括，将病灶区域图像输入轮廓预测模型，得到预测像素和预测点在预测像素中的位置；基于预测像素和目标像素确定第一损失项；基于预测点在预测像素中的位置和目标点在目标像素中的位置确定第二损失项；基于第一损失项和第二损失项优化轮廓预测模型的参数。
[0016]本公开实施例的另一个方面提供了一种轮廓预测方法，包括获得病灶区域图像；通过如上所述的轮廓预测模型处理病灶区域图像，得到多个预测点；基于预测点生成预测轮廓线。
[0017]本公开实施例的另一个方面提供了一种模型训练装置，包括第一获得模块、第一确定模块、第二确定模块以及训练模块。第一获得模块，被配置为获得病灶区域图像以及病灶轮廓线，病灶区域图像由多个像素组成；第一确定模块，被配置为确定病灶轮廓线经过的像素为目标像素；第二确定模块，被配置为确定病灶轮廓线在目标像素内的曲线段的中点为目标点；训练模块，被配置为基于病灶区域图像和目标点训练轮廓预测模型。
[0018]本公开实施例的另一个方面提供了一种轮廓预测装置，包括第二获得模块、预测模块以及生成模块。第二获得模块，被配置为获得病灶区域图像；预测模块，被配置为通过如上所述的轮廓预测模型处理病灶区域图像，得到多个预测点；生成模块，被配置为基于预测点生成预测轮廓线。
[0019]本公开实施例的另一个方面提供了一种电子设备，包括至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行以使得处理器实现如上所述的方法。
[0020]本公开实施例的另一个方面提供了一种计算机可读存储介质，其上存储有计算机可读指令，指令被处理器执行时使得处理器实现如上所述的方法。
[0021]本公开实施例的另一个方面提供了一种计算机程序，其被处理器执行时使得处理器实现如上所述的方法。
[0022]根据本公开实施例的技术方案，通过获得病灶区域图像以及病灶轮廓线，病灶区域图像由多个像素组成；确定病灶轮廓线经过的像素为目标像素；确定病灶轮廓线在目标像素内的曲线段的中点为目标点；基于病灶区域图像和目标点训练轮廓预测模型，从而重新定义了问题，将对轮廓线的预测转化为对目标点的预测，避开了掩膜与轮廓线互相转换带来的系统误差，提高了测量小型病灶轮廓线的准确度。
附图说明
[0023]结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：
[0024]图1示意性示出应用本公开实施例的模型训练方法和轮廓预测方法的系统架构示意图；
[0025]图2示意性示出本公开实施例的模型训练方法的流程图；
[0026]图3示意性示出本公开实施例的病灶轮廓线和目标点的示意图；
[0027]图4示意性示出本公开实施例的获得病灶轮廓线的流程图；
[0028]图5示意性示出本公开实施例的训练轮廓预测模型的流程图；
[0029]图6示意性示出本公开另一实施例的训练轮廓预测模型的流程图；
[0030]图7示意性示出本公开实施例的轮廓预测模型的结构示意图；
[0031]图8示意性示出本公开实施例的轮廓预测方法的流程图；
[0032]图9示意性示出本公开实施例的模型训练装置的框图；
[0033]图10示意性示出本公开实施例的轮廓预测装置的框图；
[0034]图11示意性示出适于实现本公开实施例的模型训练方法和轮廓预本文档来自技高网...

【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：获得病灶区域图像以及病灶轮廓线，所述病灶区域图像由多个像素组成；确定所述病灶轮廓线经过的像素为目标像素；确定所述病灶轮廓线在所述目标像素内的曲线段的中点为目标点；基于所述病灶区域图像和所述目标点训练轮廓预测模型。2.根据权利要求1所述的方法，其特征在于，所述获得病灶轮廓线，包括：获得标注轮廓线，所述标注轮廓线由有限个标注点组成；通过插值的方式处理所述标注点生成病灶轮廓线。3.根据权利要求2所述的方法，其特征在于，所述目标像素的数量少于所述标注点的数量。4.根据权利要求1
‑
3任一项所述的方法，其特征在于，所述轮廓预测模型的输出层用于输出预测像素以及预测点在所述预测像素中的位置，所述基于所述病灶区域图像和所述目标点训练轮廓预测模型，包括：获得目标点在所述目标像素中的位置；基于所述病灶区域图像、所述目标像素以及所述目标点在所述目标像素中的位置训练轮廓预测模型。5.根据权利要求4所述的方法，其特征在于，基于所述病灶区域图像、所述目标像素以及所述目标点在所述目标像素中的位置训练轮廓预测模型，包括：将所述病灶区域图像输入所述轮廓预测模型，得到预测像素和预测点在所述预测像素中的位置；基于所述预测像素和所述目标像素确定第一损失项；基于所述预测点在所述预测像素中的位置和所述目标点在目标像素中的位置确定第二损失项；基于所述第一损失项和第二损失项优化所述轮廓预测模型的参数。6.一种轮廓预测方法，其...

【专利技术属性】
技术研发人员：张佳琦，丁佳，吕晨翀，
申请(专利权)人：北京医准智能科技有限公司，
类型：发明
国别省市：