颅颌面CT图像分割的方法、模型训练的方法与设备技术

本发明专利技术提供了一种颅颌面CT图像分割的方法、模型训练的方法与设备，其中颅颌面CT图像分割模型训练的方法包括：获取颅颌面肿瘤CT图像数据集，所述颅颌面肿瘤CT图像数据集由有标签数据集和无标签数据集组成；基于同一图像分割深度神经网络骨干模型分别构建主网络和教师网络；所述主网络在每一次训练迭代中使用有标签的颅颌面肿瘤CT图像数据集进行学习；所述教师网络在预设的开始阶段和结束阶段使用所述有标签数据集进行学习，在中间阶段则通过平均当前所述主网络的所有权重来模拟所述主网络的学习过程，并且对所述无标签数据集中的图形数据通过不同视角的分割一致性进行约束。形数据通过不同视角的分割一致性进行约束。形数据通过不同视角的分割一致性进行约束。

【技术实现步骤摘要】
颅颌面CT图像分割的方法、模型训练的方法与设备


[0001]本专利技术涉及医学影像
，特别涉及一种颅颌面CT图像分割的方法、模型训练的方法与设备。

技术介绍

[0002]医学图像分割是医学图像处理领域的一个重要方向，它的研究具有很高的实际意义和学术价值。近年来，随着计算机视觉和机器学习技术的不断发展，医学图像分割领域取得了长足的进展。许多基于深度学习的图像分割方法如U
‑
Net、SegNet和FCN等已经被广泛应用于医学图像分割任务。这些方法通过使用卷积神经网络(CNN)和反卷积神经网络(deconvolutional neural network)等技术，在图像分割任务中取得了较高的准确性和稳定性。
[0003]尽管医学图像分割领域的研究取得了显著的进展，但仍存在一些不足之处。一方面，大多数现有的医学图像分割方法都需要大量的标记数据，而医学图像标记是一项非常困难和耗时的任务，因此很难收集到足够的标记数据来训练模型。另一方面，现有的医学图像分割方法在处理复杂的医学图像时仍有一定的困难，例如图像中存在复杂的结构、不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种颅颌面CT图像分割模型训练的方法，其特征在于，所述方法包括：获取颅颌面肿瘤CT图像数据集，所述颅颌面肿瘤CT图像数据集由有标签数据集和无标签数据集组成；基于同一图像分割深度神经网络骨干模型分别构建主网络和教师网络；所述主网络在每一次训练迭代中使用所述有标签数据集进行学习；所述教师网络在预设的开始阶段和结束阶段使用所述有标签数据集进行学习，在中间阶段则通过平均当前所述主网络的所有权重来模拟所述主网络的学习过程，并且对所述无标签数据集中的图形数据通过不同视角的分割一致性进行约束。2.根据权利要求1所述的方法，其特征在于，所述有标签数据集中的颅颌面肿瘤CT图像标注有肿瘤区域、上颌骨区域和下颌骨区域。3.根据权利要求1所述的方法，其特征在于，所述颅颌面肿瘤CT图像数据集经过预处理操作以确保其中的各图像数据的一致性。4.根据权利要求1所述的方法，其特征在于，所述图像分割深度神经网络骨干模型包括卷积部分、反卷积部分和特征层拼接部分，所述特征层拼接部分将所述卷积部分提取的特征和所述反卷积部分恢复的信息进行合并。5.根据权利要求1所述的方法，其特征在于，在测试集上采用Dice相似系数进行评估，计算公式为其中，R
GT
为真实分割图像，R
pre
为预测分...

【专利技术属性】
技术研发人员：刘剑楠，胡孟晗，韩婧，秦瑞，
申请(专利权)人：上海交通大学医学院附属第九人民医院，
类型：发明
国别省市：