System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及医学影像分割,特别是涉及一种医学影像分割模型的训练方法及计算机设备。
技术介绍
1、目前,随着医学影像技术的应用普及,为肿瘤的早期筛查提供了便利。如何精确地从医学影像中标注出病灶区域,对治疗计划的制定及治疗效果的评估意义重大。然而,医生人工标注和勾画病灶区域是一项效率低、一致性和客观性较差的工作。此外,由于不同的身体形态差异造成医学影像模糊不清,很难标注出所有病灶区域。
2、因此,亟需一种医学影像分割模型的训练方法。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种医学影像分割模型的训练方法及计算机设备。
2、第一方面,提供了一种医学影像分割模型的训练方法,所述方法包括:
3、对预设的知识库中的医学影像基础数据进行数据增强处理,所述医学影像基础数据包括预设的目标病灶类型对应的若干病灶影像;
4、基于改进的unet++模型,训练所述医学影像基础数据,确定所述医学影像基础数据中的各病灶影像对应的病灶特征,并将所述病灶特征存储至预设的特征库,获得医学影像分割模型,所述改进的unet++模型的神经网络结构为残差网络结构,所述改进的unet++模型的各残差网络连接卷积注意力模块。
5、作为一种可选的实施方式,所述对预设的知识库中的医学影像基础数据进行数据增强处理,包括:
6、通过随机位移矢量对所述医学影像基础数据中的各病灶影像进行平滑形变。
7、作为一种可选的实施方式,所述医学影像基础数据
8、作为一种可选的实施方式,所述方法还包括:
9、获取用户输入的待分割医学影像;
10、对所述待分割医学影像进行统一坐标转换和降噪处理;
11、通过所述医学影像分割模型,读取并匹配所述特征库中的病灶特征,标注所述待分割医学影像对应的第一目标病灶影像。
12、作为一种可选的实施方式,所述通过所述医学影像分割模型,读取并匹配所述特征库中的病灶特征,标注所述待分割医学影像对应的第一目标病灶影像之前,所述方法还包括:
13、根据预设的核磁共振精度,按照冠状面、矢状面和轴位面,将所述待分割医学影像切割为2d影像。
14、作为一种可选的实施方式,所述通过所述医学影像分割模型,读取并匹配所述特征库中的病灶特征,标注所述待分割医学影像对应的第一目标病灶影像之后,所述方法还包括:
15、获取医生针对所述待分割医学影像对应的第一目标病灶影像的诊断结果;
16、如果所述诊断结果为正确,则将所述待分割医学影像对应的第一目标病灶影像存储至所述知识库;
17、如果所述诊断结果为错误,则获取医生针对所述待分割医学影像的人工标注的第二目标病灶影像,并将所述第二目标病灶影像存储至所述知识库。
18、作为一种可选的实施方式,所述病灶影像包括t1模态、t1ce模态、t2模态和flair模态。
19、作为一种可选的实施方式,所述第一目标病灶影像和所述第二目标病灶影像包括增强肿瘤亚区、非增强肿瘤亚区、囊性成分亚区和瘤周水肿亚区。
20、第二方面,提供了一种计算机设备,包括存储器及处理器,所述存储器上存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法步骤。
21、第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述的方法步骤。
22、本申请提供了一种医学影像分割模型的训练方法及计算机设备。本申请的实施例提供的技术方案至少带来以下有益效果:对预设的知识库中的医学影像基础数据进行数据增强处理,所述医学影像基础数据包括预设的目标病灶类型对应的若干病灶影像;基于改进的unet++模型,训练所述医学影像基础数据,确定所述医学影像基础数据中的各病灶影像对应的病灶特征,并将所述病灶特征存储至预设的特征库,获得医学影像分割模型,所述改进的unet++模型的神经网络结构为残差网络结构,所述改进的unet++模型的各残差网络连接卷积注意力模块。本申请提出的医学影像分割模型通过引入残差网络和注意力模块改进unet++模型,是一种基于深度监督方式的训练模型。在中枢神经系统肿瘤纹理、大小和位置变化较大且与正常组织间差异较小的条件下,本方法通过对训练数据和人体解剖信息的充分利用,提高了医学影像分割模型对肿瘤病灶的分割效果。并且通过“持续学习”途径,后期分割效果会逐步提高。该模型可用于mri图像上的肿瘤病灶标注,从而减少医生勾画病灶的时间,提高勾画效率、勾画的一致性、客观性,达到输入一组脑部磁共振图像,即可输出一组分割图像的效果。
23、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
本文档来自技高网...【技术保护点】
1.一种医学影像分割模型的训练方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述对预设的知识库中的医学影像基础数据进行数据增强处理,包括:
3.根据权利要求1所述的方法,其特征在于,所述医学影像基础数据为BraTs2023基础数据。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
5.根据权利要求4所述的方法,其特征在于,所述通过所述医学影像分割模型,读取并匹配所述特征库中的病灶特征,标注所述待分割医学影像对应的第一目标病灶影像之前,所述方法还包括:
6.根据权利要求4所述的方法,其特征在于,所述通过所述医学影像分割模型,读取并匹配所述特征库中的病灶特征,标注所述待分割医学影像对应的第一目标病灶影像之后,所述方法还包括:
7.根据权利要求1所述的方法,其特征在于,所述病灶影像包括T1模态、T1ce模态、T2模态和FLAIR模态。
8.根据权利要求6所述的方法,其特征在于,所述第一目标病灶影像和所述第二目标病灶影像包括增强肿瘤亚区、非增强肿瘤亚区、囊性成分亚
9.一种计算机设备,包括存储器及处理器,所述存储器上存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种医学影像分割模型的训练方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述对预设的知识库中的医学影像基础数据进行数据增强处理,包括:
3.根据权利要求1所述的方法,其特征在于,所述医学影像基础数据为brats2023基础数据。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
5.根据权利要求4所述的方法,其特征在于,所述通过所述医学影像分割模型,读取并匹配所述特征库中的病灶特征,标注所述待分割医学影像对应的第一目标病灶影像之前,所述方法还包括:
6.根据权利要求4所述的方法,其特征在于,所述通过所述医学影像分割模型,读取并匹配所述特征库中的病灶特征,标注所述待分...
【专利技术属性】
技术研发人员:陈德锋,隋宗和,曹亮,
申请(专利权)人:北京弗莱特智能软件开发有限公司,
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。