一种基于迁移学习的器官勾画方法、装置以及电子设备

本技术涉及人工智能，特别涉及一种基于迁移学习的器官勾画方法、装置以及电子设备。

背景技术：

1、在相关技术中，深度学习已经广泛应用在多种器官和肿瘤的勾画任务中。利用深度学习模型对ct扫描图像中的感兴趣区域进行勾画，不仅可以明显提高感兴趣区域勾画的精度，而且能够达到专业医师的勾画水平。

2、由于不同医疗单位的ct扫描设备不同，因此利用ct扫描设备获取的ct图像的图像质量、ct值等参数不可避免的存在差别，并且不同医疗机构对处方以及治疗计划有各自的偏好，也会导致不同医疗机构的医师对器官和靶区的边界解释不同的现象。由此，会导致由一个医疗机构(源域)训练良好的器官勾画模型往往不能很好地应用在其他医疗单位(目标域)。

3、性能优良的器官勾画模型往往涉及大量参数(例如，数百万个)，因此需要足够大的数据集，才能完成器官勾画模型的训练。尤其对于放疗中的器官勾画任务来说，器官勾画模型所需的训练数据集不仅需要大量的样本图像，而且需要专业医师手动勾画来进行数据标注。如果不同医疗单位各自根据国际\国内公认的标准，构建训练数据集，训练器官勾画模型，不仅需要耗费大量的人力物力，而且训练后的器官勾画模型也会因为数据集中的数据不够充分而造成鲁棒性差的缺点。

4、因此，如何利用其他医疗机构训练好的器官勾画模型，高效、精确的完成目标医疗机构的扫描图像中感兴趣区域的勾画任务，是亟待解决的技术问题。

技术实现思路

1、本技术实施例提供了一种基于迁移学习的器官勾画方法、装置、电子设备和存储介质，用于利用其他医疗机构训练好的器官勾画模型，高效、精确的完成目标医疗机构的扫描图像中感兴趣区域的勾画任务。

2、本技术实施例之一提供一种基于迁移学习的器官勾画方法，所述方法包括：获取目标器官勾画模型；其中，所述目标器官勾画模型是利用来自目标医疗机构的第一训练数据集对第一器官勾画模型的部分参数进行调整得到的，所述第一器官勾画模型是利用来自源医疗机构的第二训练数据集对第二器官勾画模型进行训练得到的；所述第二器官勾画模型为具有器官勾画功能或者图像识别功能的机器学习模型；利用所述目标器官勾画模型，对目标扫描图像中包含目标器官的感兴趣区域进行勾画；其中，所述目标扫描图像由所述目标医疗机构的扫描设备对目标患者进行扫描得到。

3、在一些实施例中，所述第一器官勾画模型为n层的卷积神经网络模型；通过以下方式，利用来自目标医疗机构的第一训练数据集对所述第一器官勾画模型的部分参数进行调整得到所述目标器官勾画模型：在保持所述第一器官勾画模型的前m个网络层的参数不变的情况下，将所述第一器官勾画模型中的第m个到第n个网络层作为待调整网络层，利用所述第一训练数据集对所述待调整网络层进行训练，得到所述目标器官勾画模型；其中，m和n为正整数，且m＜n。

4、在一些实施例中，所述第一器官勾画模型为包含k组残差块的残差卷积神经网络模型；通过以下方式，利用来自目标医疗机构的第一训练数据集对所述第一器官勾画模型的部分参数进行调整得到所述目标器官勾画模型：在保持所述第一器官勾画模型的前l组残差块中网络层的参数不变的情况下，将所述第一器官勾画模型中的第l组到第k组残差块中的网络层作为待调整网络层，利用所述第一训练数据集对所述待调整网络层进行训练，得到所述目标器官勾画模型；其中，l和k为正整数，且l＜k。

5、在一些实施例中，所述第一训练数据集包括样本图像的数据和所述样本图像的标注感兴趣区域，所述利用所述第一训练数据集对所述待调整网络层进行训练，得到所述目标器官勾画模型，包括：获取目标损失函数；将所述第一训练数据集中的样本图像的数据输入所述第一器官勾画模型，得到所述样本图像中的预测感兴趣区域；利用所述目标损失函数，确定所述预测感兴趣区域与所述样本图像的标注感兴趣区域之间的差异；在所述差异大于预设阈值的情况下，使用优化算法，调整所述待调整网络层的参数，继续执行将所述第一训练数据集中的样本图像的数据输入所述第一器官勾画模型的步骤，直至所述差异小于预设阈值，得到所述目标器官勾画模型。

6、在一些实施例中，所述第二训练数据集包括样本图像的数据和所述样本图像的标注感兴趣区域，通过以下方式得到所述第二训练数据集：由所述源医疗机构使用的第二扫描设备对所述目标患者进行扫描，得到多张扫描图像，将所述多张扫描图像的数据作为第二训练数据集中样本图像的数据；由所述源医疗机构的专业人员对所述多张扫描图像中的感兴趣区域进行勾画，得到第二训练数据集中每一张所述样本图像的标注感兴趣区域。

7、在一些实施例中，所述第一训练数据集包括样本图像的数据和所述样本图像的标注感兴趣区域，通过以下方式得到所述第一训练数据集：由所述目标医疗机构使用的第一扫描设备对所述目标患者进行扫描，得到多张扫描图像，将所述多张扫描图像的数据作为第一训练数据集中样本图像的数据；由所述目标医疗机构的专业人员对所述多张扫描图像中的感兴趣区域进行勾画，得到第一训练数据集中每一张所述样本图像的标注感兴趣区域。

8、在一些实施例中，所述目标患者为鼻咽癌放疗患者，所述第二扫描设备为ct扫描设备；所述由所述源医疗机构使用的第二扫描设备对所述目标患者进行扫描，得到多张扫描图像，包括：使用所述源医疗机构的ct扫描设备，对鼻咽癌放疗患者进行扫描，得到多张包括危及器官的扫描图像；所述危及器官至少包括脑干、脊髓、下颌骨、垂体、双侧腮腺、双侧晶状体、双侧视神经以及双侧颞叶；由所述源医疗机构的专业人员对所述多张扫描图像中的感兴趣区域进行勾画，得到第二训练数据集中每一张所述样本图像的标注感兴趣区域，包括：由所述源医疗机构的专业人员对所述多张扫描图像中的所述危及器官进行勾画，得到第二训练数据集中每一张所述样本图像的标注感兴趣区域；以及所述第一扫描设备为ct扫描设备；所述由所述目标医疗机构使用的第一扫描设备对所述目标患者进行扫描，得到多张扫描图像，包括：使用所述目标医疗机构的ct扫描设备，对鼻咽癌放疗患者进行扫描，得到多张包括所述危及器官的扫描图像；由所述目标医疗机构的专业人员对所述多张扫描图像中的感兴趣区域进行勾画，得到第一训练数据集中每一张所述样本图像的标注感兴趣区域，包括：由所述目标医疗机构的专业人员对所述多张扫描图像中的所述危及器官进行勾画，得到第一训练数据集中每一张所述样本图像的标注感兴趣区域。

9、本技术实施例之一提供一种基于迁移学习的器官勾画装置，所述装置包括：获取模块，用于获取目标器官勾画模型；其中，所述目标器官勾画模型是利用来自目标医疗机构的第一训练数据集对第一器官勾画模型的部分参数进行调整得到的，所述第一器官勾画模型是利用来自源医疗机构的第二训练数据集对第二器官勾画模型进行训练得到的；所述第二器官勾画模型为具有器官勾画功能或者图像识别功能的机器学习模型；勾画模块，用于利用所述目标器官勾画模型，对目标扫描图像中包含目标器官的感兴趣区域进行勾画；其中，所述目标扫描图像由所述目标医疗机构的扫描设备对目标患者进行扫描得到。

10、本技术实施例提供一种电子设备，所述电子设备包括存储器和处理器，存储器存储计算机程序，处理器运行程序时执行如上所述的方法。

11、本技术实施例提供一种存储介质，用于存储计算机可读程序，所述计算机可读程序被运行时，执行如上所述的方法。

12、本技术实施例提供的上述技术方案与现有技术相比至少具有如下优点：

13、本技术提供的实施例中，充分利用了第一器官勾画模型从来自源医疗机构的第二训练数据集学到的知识，仅需要利用少量针对目标医疗机构的器官勾画任务独有特点的第一训练数据集，快速优化第一器官勾画模型的部分参数，得到性能良好的目标器官勾画模型；利用目标器官勾画模型，对目标扫描图像中包含目标器官的感兴趣区域进行勾画。因此，在本技术提供的实施例中，可以利用其他医疗机构训练好的器官勾画模型，高效、精确的完成目标医疗机构的扫描图像中感兴趣区域的勾画任务。