本申请公开了一种用于医学图像的模型训练方法、分割方法及设备，模型训练方法包括如下步骤：获取多个医学图像数据，将多个医学图像数据分为第一训练集和第二训练集；利用第一训练集对第一模型进行预训练，获取第二模型；对第二训练集进行数据增强，获取第三训练集；对第二训练集进行切片处理，获得多组第一切片数据；对第三训练集进行切片处理，获得多组第二切片数据；利用多组第一切片数据和多组第二切片数据对第二模型进行实时调整至第二模型收敛，获得第三模型。本申请能够显著减少对大量标记数据的依赖，同时能够较好地利用医学图像数据中连续切片的空间信息，从而能够提高模型在医学临床场景下实时处理跨模态数据的准确性。
【技术实现步骤摘要】
本申请涉及医学图像分割领域，尤其涉及一种用于医学图像的模型训练方法、分割方法及设备。
技术介绍
1、在医学图像分割领域，深度学习方法已广泛应用于临床辅助诊断，如计算机辅助诊断。深度学习方法基于训练和测试数据分布一致的假设，但实际应用中经常遇到训练和测试数据分布不一致的情况，称为域差异。
2、域适应（domain adaptation，da）是解决训练和测试数据域差异问题的关键方法，其首先收集目标域的数据并进行特征提取，最后将源域和目标域的数据输入至模型中训练。测试时间适应（test-time adaptation，tta）允许模型在测试过程中快速微调，同时不断地从新数据中学习并更新模型，以适应不断变化的数据分布。
3、尽管上述现有技术在自然图像处理中取得了一定成功，但它们在医学图像分割任务中的有效性有限，主要原因是这些方法未能充分利用跨模态医学图像的空间信息。同时，在实现高效、准确的跨模态医学图像分割方面仍面临多项挑战，包括对大量标记数据的依赖、计算资源需求高、模型泛化能力有限以及参数调优复杂等问题。
r/>技本文档来自技高网...
【技术保护点】
1.一种用于医学图像的模型训练方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的用于医学图像的模型训练方法，其特征在于，所述对所述第二训练集进行切片处理，包括：
3.根据权利要求1所述的用于医学图像的模型训练方法，其特征在于，所述第二模型包括教师网络和学生网络；所述利用多组所述第一切片数据和多组所述第二切片数据对所述第二模型进行实时调整至所述第二模型收敛，获得第三模型，包括如下步骤：
4.根据权利要求3所述的用于医学图像的模型训练方法，其特征在于，所述教师网络为多头模型，所述将多组所述第二切片数据输入至所述教师网络，获得多个带有伪标签的第一预测...
【技术特征摘要】
1.一种用于医学图像的模型训练方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的用于医学图像的模型训练方法，其特征在于，所述对所述第二训练集进行切片处理，包括：
3.根据权利要求1所述的用于医学图像的模型训练方法，其特征在于，所述第二模型包括教师网络和学生网络；所述利用多组所述第一切片数据和多组所述第二切片数据对所述第二模型进行实时调整至所述第二模型收敛，获得第三模型，包括如下步骤：
4.根据权利要求3所述的用于医学图像的模型训练方法，其特征在于，所述教师网络为多头模型，所述将多组所述第二切片数据输入至所述教师网络，获得多个带有伪标签的第一预测结果，包括：
5.根据权利要求3所述的用于医学图像的模型训练方法，其特征在于，在所述获得多个带有伪标签的第一预测结果之后，所述模型训练方法还包括：
6.根据权利要求3所述的用于医学图像的模型训练方法，其特征在于，所述将多组所述第二切片数据输入至所述教师网络之后，还包括：根据所述第二切片...
【专利技术属性】
技术研发人员：段立新，李响，刘明思，张彦如，马可芝，
申请(专利权)人：电子科技大学深圳高等研究院，
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。