【技术实现步骤摘要】
本说明书涉及医学图像处理领域，尤其涉及一种模型训练、图像生成和病灶检测方法、装置及电子设备。
技术介绍
1、在当前阶段，医学检测模型常用于计算机辅助诊断。这些医学模型针对输入的医学影像，完成对特定组织部位的定位和病灶分割任务。在训练模型时，需要大量的带标注的数据，若利用少量带标注的数据进行训练，则得到的模型往往表现为泛化性低、鲁棒性差，对新的数据分布下的样本的检测性能不佳。然而，缺少大量的带标注的训练样本是当前医学检测所面临的一大痛点。
2、基于此，亟需解决低成本获得大量带标注的数据的问题，另一方面，利用少量带标注的数据获得性能更佳的检测模型也是一个迫切的需求。
技术实现思路
1、为解决相关技术中的问题，本专利技术提供了一种模型训练、图像生成、病灶检测方法、装置、电子设备及介质，能够通过一个神经网络模型获得大量带标注的数据，同时还可对待检测图像进行目标检测和分割，不仅可以有效缓解对标注数据的需求，还能提高对目标检测的性能，在模型的有效性和可靠性方面均获得了显著改善。
2、本专利技术的一个方面提供了一种模型训练方法，包括：
3、获取训练数据集；
4、基于所述训练数据集对神经网络模型进行训练以更新网络参数；
5、其中，所述神经网络模型包括两个互相独立的扩散模型的分支，分别用于实现图像生成任务和目标分割任务。
6、根据本专利技术的方法，所述基于所述训练数据集对神经网络模型进行训练以更新网络参数包括：
7、
8、若训练数据集不带标注，则基于所述实现图像生成任务分支的损失函数更新网络参数。
9、根据本专利技术的方法，所述两个分支的扩散模型共享时间编码。
10、本专利技术的另一个方面提供了一种图像生成方法，包括：
11、获取第一模态的图像数据；
12、通过神经网络模型处理所述第一模态的图像数据，生成第二模态的图像数据；其中，
13、若所述第一模态的图像数据为第一目标的轮廓和第二目标的轮廓，则生成的所述第二模态的图像数据为包含所述第一目标和所述第二目标的图像，且所述第二目标位于所述第一目标的内部区域；
14、若所述第一模态的图像数据为包含所述第一目标和所述第二目标的图像，且所述第二目标位于所述第一目标的内部区域，则生成的所述第二模态的图像数据为分割出的所述第一目标的轮廓和所述第二目标的轮廓；
15、并且，所述神经网络模型是通过如前所述的模型训练方法而得到的。
16、根据本专利技术的方法，还包括：
17、若所述第一模态的图像数据为所述第一目标的轮廓，则所述第二模态的图像数据为包含所述第一目标的图像；
18、若所述第一模态的图像数据为包含所述第一目标的图像，则所述第二模态的图像数据为分割出的所述第一目标的轮廓。
19、本专利技术的另一个方面提供了一种胸部数字化图像的生成方法，包括：
20、获取肺部区域的轮廓和病灶区域的轮廓；
21、通过神经网络模型处理所述肺部区域的轮廓和病灶区域的轮廓，生成患有所述病灶的胸片图像；
22、其中，所述神经网络模型是通过如前所述的模型训练方法而得到的。
23、本专利技术的另一个方面提供了一种基于胸部数字化图像的病灶检测方法，包括：
24、获取胸部数字化图像；
25、通过神经网络模型处理所述胸部数字化图像，从中分割出肺部区域和病灶区域；
26、其中，所述神经网络模型是通过如前所述的模型训练方法而得到的。
27、本专利技术的另一个方面还提供了一种模型训练装置，包括：
28、训练数据获取模块，被配置为获取训练数据集；
29、参数更新模块，被配置为基于所述训练数据集对神经网络模型进行训练以更新网络参数；
30、其中，所述神经网络模型包括两个互相独立的扩散模型的分支，分别用于实现图像生成任务和目标分割任务。
31、本专利技术的另一个方面还提供了一种图像生成装置，包括：
32、输入数据获取模块，被配置为获取第一模态的图像数据；
33、图像生成模块，被配置为通过神经网络模型处理所述第一模态的图像数据，生成第二模态的图像数据；
34、若所述第一模态的图像数据为第一目标的轮廓和第二目标的轮廓，则生成的所述第二模态的图像数据为包含所述第一目标和所述第二目标的图像，且所述第二目标位于所述第一目标的内部区域；
35、若所述第一模态的图像数据为包含所述第一目标和所述第二目标的图像，且所述第二目标位于所述第一目标的内部区域，则生成的所述第二模态的图像数据为分割出的所述第一目标的轮廓和所述第二目标的轮廓；
36、其中，所述神经网络模型是通过如前所述的模型训练方法得到的。
37、本专利技术的另一个方面还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。
38、本专利技术的另一个方面还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。
39、本专利技术的另一个方面还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。
40、本专利技术技术方案带来有益效果如下：
41、1、利用两个分支独立的扩散模型构建的神经网络模型，可分别完成图像生成和目标分割的任务，该神经网络模型可利用有监督的数据集或者无监督的数据集完成训练，降低了对训练样本的要求。
42、2、该模型应用在医学检测领域中时，可以将特定的人体组织区域mask和病灶区域mask作为输入，生成患有病灶的逼真图像，能够对该特定人体组织的数字化图像进行扩充，增加样本数量，方便用在其他检测模型的训练过程中，增强这些模型的泛化性能。
43、3、该模型还可以将特定人体组织的数字化图像作为输入，从中分割出对应的组织区域与病灶区域，实现病灶检测的功能。
44、4、将该模型应用在胸部x光图像生成任务的实践中，经实验对比验证，相较于对抗生成神经网络(gan)，该模型所生成的图像中没有明显的伪影和噪声，更加接近真实的胸部x光图像。
45、5、将该模型应用在基于胸部x光图像的肺结核病灶分割任务的实践中，相较于传统的基于卷积与基于transformer的图像分割方法，该模型获能得到更准确的分割结果。经实验验证，该模型对病灶分割的平均准确率指标dice达到了86.5％，相比传统unet模型的83.4％，提高了3个百分点。
本文档来自技高网...【技术保护点】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述训练数据集对神经网络模型进行训练以更新网络参数包括：
3.根据权利要求1所述的方法，其特征在于，所述两个分支的扩散模型共享时间编码。
4.一种图像生成方法，其特征在于，包括：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.一种胸部数字化图像的生成方法，其特征在于，包括：
7.一种基于胸部数字化图像的病灶检测方法，其特征在于，包括：
8.一种模型训练装置，其特征在于，包括：
9.一种图像生成装置，其特征在于，包括：
10.一种电子设备，其特征在于，包括：
【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述训练数据集对神经网络模型进行训练以更新网络参数包括：
3.根据权利要求1所述的方法，其特征在于，所述两个分支的扩散模型共享时间编码。
4.一种图像生成方法，其特征在于，包括：
5.根据权利要求4所...
【专利技术属性】
技术研发人员：杜经丽，安慧茹，梁建琴，乔娟，董恩军，王睿岚，高尚，
申请(专利权)人：中国人民解放军总医院第八医学中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。