一种基于区域的多指标多器官医学图像分割模型评估系统技术方案

本发明专利技术公开了一种基于区域的多指标多器官医学图像分割模型评估系统，包括数据采集模块

【技术实现步骤摘要】
一种基于区域的多指标多器官医学图像分割模型评估系统


[0001]本专利技术涉及医学图像处理的
，尤其是指一种基于区域的多指标多器官医学图像分割模型评估系统
。

技术介绍

[0002]近年来，在临床实践中，
U
‑
Net
及其衍生变体模型在多种医学图像分割任务上达到了最先进的成果
。
然而，相对于模型本身的发展，对模型评估技术研究较为欠缺
。
现有模型评估技术在指导临床实践上面临着复杂性的问题，模型评估技术本身仍不够全面，针对特定临床应用场景尤其是多器官分割任务的评估技术仍是空缺的
。
[0003]临床应用中，最原始的模型评估技术是临床医生根据对模型的分割结果进行主观评价，从而评估模型的准确性
。
该方法虽然可靠性高
、
专业性强，但是耗时并增加工作人员工作量且存在主观差异性问题
。
传统的模型评估技术引入了客观指标并关注于模型分割的准确性，去计算分割结果和真实值标签之间的相关系数
。
该方法较为客观且能影像临床诊断结果，但由于各个准确性指标的侧重点和临床意义不同，对模型评估的排序结果会不一致，增加了临床评估模型的复杂度并对医生在临床中选用模型造成了困扰
。
而仅单一地考量模型分割的准确性无法保证模型在临床应用上预测的结果是可靠的，模型是否可靠对临床部署模型有着至关重要的影响
。
对模型可靠性的评估是另一项重要技术，然而在引入可靠性指标后，难以避免地出现准确性和可靠性之间的歧义性问题，一个模型准确率更高但另一个模型更加可靠的现象比比皆是
。
医生在临床部署模型时必须要对模型的准确性和可靠性两者进行斟酌甚至是取舍，现有的评估技术仍未有效地解决多器官分割临床应用场景下综合地度量多个准确性指标和可靠性估计值并在对模型评估结果存在不确定性以及缺乏统一性的问题
。
[0004]总的来说，目前临床中常用的模型评估技术在特定的医学图像分割任务中表现良好，但仍存在以下的不足：
[0005]1、
基于医生主观评估的方式需要耗费较多的时间和精力，同时存在着主观差异的可能，这会增加医生的工作量和部署模型的不确定性
。
[0006]2、
基于客观准确性指标的评估方式会存在多个准确性指标间模型评估的排序结果不一致的现象，这是由于各个指标的侧重点和临床意义不同而导致的
。
这会增加临床评估模型的复杂度并对医生在临床中选用模型造成困扰
。
[0007]3、
基于可靠性指标的评估方式会与准确性在模型评估结果上存在歧义的问题
。
临床中单独地评估模型准确性和可靠性的方式并不全面且无法为模型评估提供一个统一的观点，医生需要对准确性和可靠性两者进行抉择和取舍
。
[0008]综上所述，在医学图像分割模型评估系统中，如何同时综合考虑多个准确性指标和可靠性度量，降低模型评估的不确定性和复杂，并未临床医生提供更为可靠和有效的模型选择依据，是亟待解决的关键性问题
。

技术实现思路

[0009]本专利技术的目的在于克服现有技术的缺点与不足，提出了一种基于区域的多指标多器官医学图像分割模型评估系统，采用统计学方法，提出一种新的临床模型评估方式，使用一个统一的度量去同时量化多器官分割结果
、
多准确性指标和可靠性估计，实现为临床评估模型提供一个综合且简洁的视角
。
[0010]为实现上述目的，本专利技术所提供的技术方案为：一种基于区域的多指标多器官医学图像分割模型评估系统，包括：
[0011]数据采集模块，用于采集影像数据集，包括多个样本中相同的多器官部位的
CT
影像数据；将影像数据集随机划分为训练集
、
验证集和测试集；
[0012]器官区域勾画模块，用于在采集的
CT
影像数据中勾画感兴趣的器官区域，作为真实值标签；
[0013]数据预处理模块，用于对采集到的
CT
影像数据和勾画的真实值标签进行预处理，采用裁剪
、
格式转换和归一化的方式，使其满足医学图像分割模型的输入需求，从而得到新的数据格式；
[0014]医学图像分割模型训练模块，用于使用划分完成的训练集对医学图像分割模型进行迭代训练，并在训练过程中根据损失函数的值来调整模型参数，使其逐渐收敛到最优值，同时使用验证集调整模型参数，以防止模型训练过拟合，最终得到训练完成的医学图像分割模型；
[0015]医学图像分割模型测试模块，用于将测试集输入到医学图像分割模型训练模块中得到的各个完成训练的模型，生成对应的器官分割结果，根据器官分割结果，计算不同模型下各个器官的置信度估计值作为模型预测的可靠性指标，再结合器官区域勾画模块获取的真实值标签去评估不同模型下各个器官的分割质量，并得到对应的模型预测的准确性指标；
[0016]医学图像分割模型评估模块，用于评估不同的医学图像分割模型优劣性，将医学图像分割模型测试模块中生成的所有模型的准确性指标汇总，并用统计学方式在模型内部之间自主产生用于筛选每个样本器官分割结果是否在临床上可用的阈值，而后，针对每一个待评估的模型，建立起准确性和置信度的排名相关性，统计临床上可接受的置信区间，再结合所生成的阈值进行筛选，最终使用一个基于区域值的度量去统一量化多个准确性指标
、
置信度估计值和多个器官的分割结果，生成一个具体而简洁的衡量指标，并提供模型综合性能优劣的信息和在临床上可用性程度的大小
。
[0017]进一步，所述器官区域勾画模块根据参考影像中组织结构特性，由人工确定各样本感兴趣的器官区域并进行勾画
。
[0018]进一步，所述数据预处理模块根据医学图像分割模型需求和特点，对数据进行预先处理，使得医学图像分割模型的性能和泛化能力得以提升，从而更好解决实际问题；
[0019]针对仅能处理二维数据的医学图像分割模型，此时模型只能输入二维
CT
图像，数据预处理模块进行的操作是：将三维的
CT
影像数据切分成二维
CT
图像，然后转换成
Numpy
格式，并在
‑
125
至
275
的数值范围内对图像进行裁剪，而后将每份
CT
图像进行归一化，将处理后的二维
CT
图像按照8：1：1的比例随机划分成训练集
、
验证集和测试集，其中测试集采用
h5
格式进行保存；
[0020]针对能够直接处理三维数据的医学图像分割模型，此时模型能够直接输入三维影像，数据预处理模块进行的操作是：将整个三维
CT
影像数据的
CT
值从
‑
1000
至本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于区域的多指标多器官医学图像分割模型评估系统，其特征在于，包括：数据采集模块，用于采集影像数据集，包括多个样本中相同的多器官部位的
CT
影像数据；将影像数据集随机划分为训练集
、
验证集和测试集；器官区域勾画模块，用于在采集的
CT
影像数据中勾画感兴趣的器官区域，作为真实值标签；数据预处理模块，用于对采集到的
CT
影像数据和勾画的真实值标签进行预处理，采用裁剪
、
格式转换和归一化的方式，使其满足医学图像分割模型的输入需求，从而得到新的数据格式；医学图像分割模型训练模块，用于使用划分完成的训练集对医学图像分割模型进行迭代训练，并在训练过程中根据损失函数的值来调整模型参数，使其逐渐收敛到最优值，同时使用验证集调整模型参数，以防止模型训练过拟合，最终得到训练完成的医学图像分割模型；医学图像分割模型测试模块，用于将测试集输入到医学图像分割模型训练模块中得到的各个完成训练的模型，生成对应的器官分割结果，根据器官分割结果，计算不同模型下各个器官的置信度估计值作为模型预测的可靠性指标，再结合器官区域勾画模块获取的真实值标签去评估不同模型下各个器官的分割质量，并得到对应的模型预测的准确性指标；医学图像分割模型评估模块，用于评估不同的医学图像分割模型优劣性，将医学图像分割模型测试模块中生成的所有模型的准确性指标汇总，并用统计学方式在模型内部之间自主产生用于筛选每个样本器官分割结果是否在临床上可用的阈值，而后，针对每一个待评估的模型，建立起准确性和置信度的排名相关性，统计临床上可接受的置信区间，再结合所生成的阈值进行筛选，最终使用一个基于区域值的度量去统一量化多个准确性指标
、
置信度估计值和多个器官的分割结果，生成一个具体而简洁的衡量指标，并提供模型综合性能优劣的信息和在临床上可用性程度的大小
。2.
根据权利要求1所述的一种基于区域的多指标多器官医学图像分割模型评估系统，其特征在于：所述器官区域勾画模块根据参考影像中组织结构特性，由人工确定各样本感兴趣的器官区域并进行勾画
。3.
根据权利要求2所述的一种基于区域的多指标多器官医学图像分割模型评估系统，其特征在于：所述数据预处理模块根据医学图像分割模型需求和特点，对数据进行预先处理，使得医学图像分割模型的性能和泛化能力得以提升，从而更好解决实际问题；针对仅能处理二维数据的医学图像分割模型，此时模型只能输入二维
CT
图像，数据预处理模块进行的操作是：将三维的
CT
影像数据切分成二维
CT
图像，然后转换成
Numpy
格式，并在
‑
125
至
275
的数值范围内对图像进行裁剪，而后将每份
CT
图像进行归一化，将处理后的二维
CT
图像按照8：1：1的比例随机划分成训练集
、
验证集和测试集，其中测试集采用
h5
格式进行保存；针对能够直接处理三维数据的医学图像分割模型，此时模型能够直接输入三维影像，数据预处理模块进行的操作是：将整个三维
CT
影像数据的
CT
值从
‑
1000
至
1000
的数值范围归一化至0至1的数值范围，并在预处理过程中将各个切片重采样至
1.0mm
的各向同性体素间距，而后按照8：1：1的比例随机将处理后的数据划分成训练集
、
验证集和测试集
。4.
根据权利要求3所述的一种基于区域的多指标多器官医学图像分割模型评估系统，
其特征在于：所述医学图像分割模型训练模块将数据预处理模块中得到的训练集分成
n
个小批次并逐批次对医学图像分割模型进行训练；并在训练阶段采取数据增强策略，包括随机旋转
90
°
、180
°
和
270
°
，随机轴位
、
矢状位和冠状位翻转以及随机缩放；使用
I
CT
表示当前批次的
CT
影像数据，对应多器官分割的真实值标签使用
g
表示，针对所述的医学图像分割模型训练模块，训练过程包括如下步骤：
1)
针对需要预训练的医学图像分割模型，在大型数据库
ImageNet
中进行预训练并使用生成的权重初始化模型；
2)
将
I
CT
输入至医学图像分割模型
S
中，进行前向传播，在前向传播过程中，输入数据进入编码器，得到一系列特征图像，然后经过解码器，得到与输入图像大小相同的分割结果
p
；其中，分割结果
p
由下式确定：
p
＝
S(I
CT
)3)
将模型输出的分割结果
p
与真实值标签
g
进行比较，计算损失函数
L
；其中，
F
代表计算分割结果与真实值标签间相关系数的函数，
L
由下式确定：
L
＝
F(p,g)4)
根据损失函数的梯度，使用反向传播算法更新模型的参数，在反向传播过程中，医学图像分割模型会自动计算损失函数对每个参数的梯度，并使用
Adam
优化算法自适应地调整学习率并更新参数；
5)
根据
Adam
优化算法，使用计算得到的梯度更新模型的参数，每次参数更新都会使模型的损失函数
L
减小，每隔预设的迭代次数，使用验证集对医学图像分割模型进行测试，计算模型的准确性指标，若模型的测试结果不满足要求，则需要调整模型结构
、
损失函数和超参数，重新训练模型；
6)
重复以上步骤
2)
‑
5)
，直到模型的损失函数
L
趋于稳定，或达到预设的迭代次数
。5.
根据权利要求4所述的一种基于区域的多指标多器官医学图像分割模型评估系统，其特征在于：所述医学图像分割模型测试模块对医学图像分割模型训练模块得到的医学图像分割模型进行测试，分别输入测试集至各个训练好的模型，获取各器官的分割结果，根据分割结果分别对准确性指标和可靠性指标进行计算；准确性指标计算是通过衡量模型分割结果和真实值标签之间的差异性来进行，分为基于区域的计算方法和基于边界的计算方法；其中，基于区域的度量是对比分割结果和真实值标签之间的相似度，采用指标为
Dice
系数和交并比
IOU
；
Dice
系数是对比分割结果与真实值标签之间重叠程度的指标，其计算方式为：将分割结果和真实值标签分别转换为二进制图像，然后将两者相乘得到交集，再将交集中的像素数除以两个二进制图像中像素总数的和，相除的结果作为
Dice

【专利技术属性】
技术研发人员：叶淇，郭礼华，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：