一种医疗图像分割方法及医疗图像分割模型的训练方法技术

本申请提供一种医疗图像分割方法及医疗图像分割模型的训练方法，其中，医疗图像分割方法包括：获取待处理医疗图像；将待处理医疗图像输入预先训练好的医疗图像分割模型中，得到医疗图像分割模型输出的分割结果；其中，医疗图像分割模型包括自然图像分割模块，自然图像分割模块包括图像编码器

【技术实现步骤摘要】
一种医疗图像分割方法及医疗图像分割模型的训练方法


[0001]本申请涉及图像处理
，具体而言，涉及一种医疗图像分割方法及医疗图像分割模型的训练方法
。

技术介绍

[0002]随着医疗技术的发展，对医疗图像分割模型的分割精度越来越高
。
以甲状腺癌为例，近年来，甲状腺癌的发病率呈快速上升趋势，
2020
年全球癌症调查结果显示甲状腺癌发病具有女性多于男性
、
城市高于农村的分布特点
。
[0003]其中，超声作为甲状腺病变的首选检查方法，可在发现病灶的同时对其生物学行为进行初步判断，具有便捷
、
安全等优势
。
科技的高速发展促使人工智能
(Artificial Intelligence
，
AI)
技术广泛应用于医学大数据的超声影像中，其优势显而易见
。
在日常超负荷工作量和复杂高风险的检查压力下，超声
AI
系统能优化检查流程
、
规范诊断标准
、
缩短检查与报告时间，显著提高超声医师的诊断信心和工作效率
。
基于人工智能的甲状腺结节超声图像分割进而辅助医生更快速的定位结节位置，确认结节形态，以方便对结节良恶性进行判断
。
可以预见该项技术在未来助力超声诊断与治疗技术
、
人才培养等方面具有广阔的创新与发展前景
。
[0004]因此，需要一种准确度较高的甲状腺结节超声图像分割方法，从而可以辅助医生在检查中进行快速
、
准确的诊断
。
推及其他医疗图像，与甲状腺图像结节超声图像类似，同样需要一种准确度较高的分割方法
。
[0005]在现有技术中，一般主要是通过改进医疗图像分割模型的架构或者进行数据增强，来提升分割的精度
。
但是，由于医疗数据的隐私性
、
数据标注的专业性，缺少大规模高质量的医疗分割图像数据，从而导致分割模型的精度较低
。

技术实现思路

[0006]本申请实施例的目的在于提供一种医疗图像分割方法及医疗图像分割模型的训练方法，用以解决现有技术中由于医疗数据的隐私性
、
数据标注的专业性，缺少大规模高质量的医疗分割图像数据，从而导致分割模型的精度较低的技术问题
。
[0007]第一方面，本申请实施例提供一种医疗图像分割方法，包括：获取待处理医疗图像；将所述待处理医疗图像输入预先训练好的医疗图像分割模型中，得到所述医疗图像分割模型输出的分割结果；其中，所述医疗图像分割模型包括自然图像分割模块，所述自然图像分割模块包括图像编码器
、
图像解码器以及分割适配器，所述分割适配器嵌入所述图像编码器中，通过对所述分割适配器的参数进行更新实现对所述图像编码器进行训练
。
[0008]在上述方案中，可以利用预先训练好的医疗图像分割模型对待处理医疗图像进行分割，从而得到对应的分割结果
。
其中，上述医疗图像分割模型包括自然图像分割模块，可以在自然图像分割模块的基础上引入分割适配器，这样，在对医疗图像分割模型进行训练的过程中，可以冻结主干网络
(
即图像编码器
)
，只利用少量的医疗分割图像数据去训练分
割适配器，得到训练好的医疗图像分割模型
。
因此，即使缺少大规模高质量的医疗分割图像数据，也可以通过上述方式训练得到分割精度较高的医疗图像分割模型
。
[0009]在可选的实施方式中，所述将所述待处理医疗图像输入预先训练好的医疗图像分割模型中，得到所述医疗图像分割模型输出的分割结果，包括：将所述待处理医疗图像输入所述图像编码器中，得到所述图像编码器输出的编码结果；将所述编码结果输入所述图像解码器中，得到所述图像解码器输出的所述分割结果
。
在上述方案中，可以利用自然图像分割模块对待处理医疗图像进行图像分割，从而得到对应的分割结果
。
其中，由于自然图像分割模块具有强大的分割能力，因此可以使得整个医疗图像分割模型在医疗图像中可以有较高精度的分割效果
。
[0010]在可选的实施方式中，所述医疗图像分割方法还包括：利用如下步骤对所述医疗图像分割模型进行训练：获取医疗分割图像数据以及待训练的医疗图像分割模型；针对所述自然图像分割模块加载对应的预训练参数；利用所述医疗分割图像数据对所述医疗图像分割模型中的分割适配器以及所述图像解码器的参数进行更新，得到训练好的医疗图像分割模型
。
在上述方案中，在对医疗图像分割模型进行训练的过程中，可以冻结图像编码器，只利用少量的医疗分割图像数据去训练分割适配器，同时训练图像解码器，从而得到训练好的医疗图像分割模型
。
因此，即使缺少大规模高质量的医疗分割图像数据，也可以通过上述方式训练得到分割精度较高的医疗图像分割模型
。
[0011]在可选的实施方式中，所述医疗图像分割模型还包括：空间多尺度信息特征提取模块；所述将所述待处理医疗图像输入预先训练好的医疗图像分割模型中，得到所述医疗图像分割模型输出的分割结果，包括：将所述待处理医疗图像输入所述空间多尺度信息特征提取模块，得到所述空间多尺度信息特征提取模块输出的特征数据；将所述待处理医疗图像以及所述特征数据输入所述图像编码器中，得到所述图像编码器输出的编码结果；将所述编码结果输入所述图像解码器中，得到所述图像解码器输出的所述分割结果
。
在上述方案中，可以引入空间多尺度信息特征提取模块，在对待处理医疗图像进行图像分割之前，先基于上述待处理医疗图像向主干网络传递多尺度空间信息，从而提高训练得到的医疗图像分割模型的分割精度
。
[0012]在可选的实施方式中，所述医疗图像分割方法还包括：利用如下步骤对所述医疗图像分割模型进行训练：获取医疗分割图像数据以及待训练的医疗图像分割模型；针对所述自然图像分割模块加载对应的预训练参数；利用所述医疗分割图像数据对所述医疗图像分割模型中的分割适配器
、
所述图像解码器以及所述空间多尺度信息特征提取模块的参数进行更新，得到训练好的医疗图像分割模型
。
在上述方案中，在对医疗图像分割模型进行训练的过程中，可以冻结图像编码器，只利用少量的医疗分割图像数据去训练分割适配器，同时训练图像解码器以及空间多尺度信息特征提取模块，从而得到训练好的医疗图像分割模型
。
因此，即使缺少大规模高质量的医疗分割图像数据，也可以通过上述方式训练得到分割精度较高的医疗图像分割模型
。
[0013]第二方面，本申请实施例提供一种医疗图像分割模型的训练方法，包括：获取医疗分割图像数据以及待训练的医疗图像分割模型，其中，所述医疗图像分割模型包括自然图像分割模块，所述自然图像分割模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种医疗图像分割方法，其特征在于，包括：获取待处理医疗图像；将所述待处理医疗图像输入预先训练好的医疗图像分割模型中，得到所述医疗图像分割模型输出的分割结果；其中，所述医疗图像分割模型包括自然图像分割模块，所述自然图像分割模块包括图像编码器
、
图像解码器以及分割适配器，所述分割适配器嵌入所述图像编码器中，通过对所述分割适配器的参数进行更新实现对所述图像编码器进行训练
。2.
根据权利要求1所述的医疗图像分割方法，其特征在于，所述将所述待处理医疗图像输入预先训练好的医疗图像分割模型中，得到所述医疗图像分割模型输出的分割结果，包括：将所述待处理医疗图像输入所述图像编码器中，得到所述图像编码器输出的编码结果；将所述编码结果输入所述图像解码器中，得到所述图像解码器输出的所述分割结果
。3.
根据权利要求1所述的医疗图像分割方法，其特征在于，所述方法还包括：利用如下步骤对所述医疗图像分割模型进行训练：获取医疗分割图像数据以及待训练的医疗图像分割模型；针对所述自然图像分割模块加载对应的预训练参数；利用所述医疗分割图像数据对所述医疗图像分割模型中的分割适配器以及所述图像解码器的参数进行更新，得到训练好的医疗图像分割模型
。4.
根据权利要求1所述的医疗图像分割方法，其特征在于，所述医疗图像分割模型还包括：空间多尺度信息特征提取模块；所述将所述待处理医疗图像输入预先训练好的医疗图像分割模型中，得到所述医疗图像分割模型输出的分割结果，包括：将所述待处理医疗图像输入所述空间多尺度信息特征提取模块，得到所述空间多尺度信息特征提取模块输出的特征数据；将所述待处理医疗图像以及所述特征数据输入所述图像编码器中，得到所述图像编码器输出的编码结果；将所述编码结果输入所述图像解码器中，得到所述图像解码器输出的所述分割结果
。5.
根据权利要求4所述的医疗图像分割方法，其特征在于，所述方法还包括：利用如下步骤对所述医疗图像分割模型进行训练：获取医疗分割图像数据以及待训练的医疗图像分割模型；针对所述自然图像分割模块加载对应的预训练参数；利用所述医疗分割图像数据对所述医疗图像分割模型中的分割适配器
、
所述图像解码器以及所述空间多尺度信息特征提取模块的参数进行更新，得到训练好的医疗图像分割模型
。6.
...

【专利技术属性】
技术研发人员：石一磊，郑子璇，胡敬良，牟立超，侯雨，陈咏虹，
申请(专利权)人：脉得智能科技无锡有限公司，
类型：发明
国别省市：