一种医疗图像分割模型的训练方法、分割方法及相关产品与流程

本技术涉及医疗图像处理，特别是涉及一种医疗图像分割模型的训练方法、分割方法及相关产品。

背景技术：

1、目前在医疗图像处理技术领域中，一般由医疗工作人员人工对医疗图像进行识别和分割，以标注医疗图像中的异常区域。但是由于医疗图像中阴影、噪声或邻近器官的虚假纹理的存在，会使医疗工作人员耗费较大的精力对医疗图像进行识别，图像分割效率较低，识别成本较高。此外，医疗工作人员对图像中异常区域的识别具有一定的主观性，在一定程度上也影响了图像分割的准确性。提高医疗图像的分割效率和图像分割的准确性是本领域技术人员关注的重点问题。

技术实现思路

1、基于上述问题，本技术提供了一种医疗图像分割模型的训练方法、分割方法及相关产品，以提高识别医疗图像的效率和准确性。

2、本技术实施例公开了如下技术方案：

3、本技术第一方面提供了一种医疗图像分割模型的训练方法。该训练方法包括：

4、获取样本医疗图像和所述样本医疗图像对应的病灶标注数据；

5、对所述样本医疗图像进行模糊处理，得到所述样本医疗图像对应的多个模糊处理图像；所述多个模糊处理图像的模糊程度不同；

6、将所述多个模糊处理图像按照模糊程度划分到多个训练阶段中，其中，模糊程度相对较高的模糊处理图像被划分到所述多个训练阶段中靠前的训练阶段，模糊程度相对较低的模糊处理图像被划分到所述多个训练阶段中靠后的训练阶段；

7、在对目标模型进行分阶段的训练时，在每个训练阶段基于所述病灶标注数据和训练阶段对应的模糊处理图像调整所述目标模型的参数，直至所述多个训练阶段中最后一个训练阶段结束，得到医疗图像分割模型。

8、可选的，所述在每个训练阶段基于所述病灶标注数据和训练阶段对应的模糊处理图像调整所述目标模型的参数，包括：

9、在每个训练阶段将对应的模糊处理图像作为所述目标模型的输入，通过所述目标模型基于所输入的模糊处理图像进行图像分割，预测所输入的模糊处理图像中的病灶区域，得到病灶区域预测数据；

10、基于所述病灶区域预测数据和所述病灶标注数据的差距，调整所述目标模型的参数。

11、可选的，所述目标模型具有unet网络的编码器-解码器结构；所述编码器-解码器结构中设置有多尺度融合模块，所述多尺度融合模块用于将所述编码器-解码器结构中卷积层输出的特征图分割后进行多尺度融合以形成新的特征图。

12、可选的，所述编码器-解码器结构包括作为编码器的特征提取结构和作为解码器的上采样结构；

13、所述特征提取结构包括5个特征提取模块，具体为依次连接的第一特征提取模块，第二特征提取模块，第三特征提取模块，第四特征提取模块和第五特征提取模块；

14、所述上采样结构包括4个上采样模块，具体为依次连接的第一上采样模块，第二上采样模块，第三上采样模块和第四上采样模块；

15、所述第一特征提取模块、所述第二特征提取模块、所述第三特征提取模块和所述第四特征提取模块均包括依次连接的第一卷积层、第一多尺度融合模块、第二卷积层、第二多尺度融合模块和最大池化层；所述第五特征提取模块包括一个卷积层和一个多尺度融合模块；所述5个特征提取模块中，前一个特征提取模块的最大池化层连接其后一个特征提取模块的第一卷积层；

16、所述第一上采样模块、所述第二上采样模块和所述第三上采样模块均包括一个去卷积层、一个特征拼接层、第三卷积层、第三多尺度融合模块、第四卷积层和第四多尺度融合模块；所述第四上采样模块包括一个去卷积层、一个特征拼接层、第三卷积层、第三多尺度融合模块、第四卷积层和第四多尺度融合模块和第五卷积层；所述4个上采样模块中，前一个上采样模块的第四多尺度融合模块连接其后一个上采样模块的去卷积层；

17、所述第一上采样模块的特征拼接层还与所述第四特征提取模块的第二多尺度融合模块连接，所述第二上采样模块的特征拼接层与所述第三特征提取模块的第二多尺度融合模块连接，所述第三上采样模块的特征拼接层与所述第二特征提取模块的第二多尺度融合模块连接，所述第四上采样模块的特征拼接层与所述第一特征提取模块的第二多尺度融合模块连接。

18、可选的，所述多尺度融合模块的工作方式为：

19、将所述多尺度融合模块接收到的特征图划分为n个子集；

20、将所述n个子集中的一个或多个子集直接生成对应的待拼接子集；

21、将所述n个子集中的一个或多个子集直接进行卷积操作，得到的卷积结果直接作为对应的待拼接子集；

22、将所述n个子集中的一个或多个子集与其他子集的卷积结果进行拼接后，进一步执行卷积操作，再将得到的进一步的卷积结果作为对应的待拼接子集；

23、将所述n个子集各自对应的待拼接子集进行拼接，得到新的特征图；所述n个子集中各子集与对应的待拼接子集具有相同的空间大小；所述多尺度融合模块采用针对于不同子集进行的卷积操作采用不同尺寸的卷积核。

24、可选的，所述获取样本医疗图像和所述样本医疗图像对应的病灶标注数据，包括：

25、从医疗系统获取原始超声图像；

26、采用图像增强技术对所述原始超声图像进行处理，得到所述原始超声图像的增强图像；

27、获取所述原始超声图像的病灶标注数据，并将所述原始超声图像的病灶标注数据作为所述增强图像的病灶标注数据；

28、将所述原始超声图像和所述增强图像构建模型训练样本数据集，所述模型样本数据集中包括多个样本医疗图像。

29、可选的，所述将所述原始超声图像和所述增强图像构建模型训练样本数据集，包括：

30、对所述原始超声图像和所述增强图像中不符合目标尺寸的图像，采用裁剪和/或缩放的方式进行图像尺寸调整，以使调整后的图像尺寸符合所述目标尺寸；所述目标尺寸为所述目标模型的图像输入尺寸。

31、可选的，所述对所述样本医疗图像进行模糊处理，得到所述样本医疗图像对应的多个模糊处理图像，包括：

32、设置多种尺寸的高斯核，所述高斯核的横向尺寸对应于横向扫描的像素数量，所述高斯核的纵向尺寸对应于纵向扫描的像素数量；

33、采用所设置的高斯核分别扫描所述样本医疗图像，以对所述样本医疗图像进行不同程度的高斯模糊处理，得到所述样本医疗图像对应的多个模糊处理图像；其中，高斯核尺寸越大，对应于高斯模糊处理得到的模糊处理图像的模糊程度越高；高斯核尺寸越小，对应于高斯模糊处理得到的模糊处理图像的模糊程度越低。

34、本技术第二方面提供了一种医疗图像分割方法。医疗图像分割方法包括：

35、获取待分割的医疗图像；

36、将所述待分割的医疗图像作为医疗图像分割模型的输入，通过所述医疗图像分割模型对所述待分割的医疗图像进行处理，得到所述医疗图像分割模型输出的图像分割结果；所述图像分割结果包括所述医疗图像分割模型预测的病灶区域；所述医疗图像分割模型为根据第一方面所述的医疗图像分割模型的训练方法训练得到的模型。本技术第三方面提供了一种医疗图像分割模型的训练装置。该训练装置包括：

37、样本数据获取单元，用于获取样本医疗图像和所述样本医疗图像对应的病灶标注数据；

38、图像模糊处理单元，用于对所述样本医疗图像进行模糊处理，得到所述样本医疗图像对应的多个模糊处理图像；所述多个模糊处理图像的模糊程度不同；

39、训练阶段划分单元，用于将所述多个模糊处理图像按照模糊程度划分到多个训练阶段中，其中，模糊程度相对较高的模糊处理图像被划分到所述多个训练阶段中靠前的训练阶段，模糊程度相对较低的模糊处理图像被划分到所述多个训练阶段中靠后的训练阶段；

40、模型参数调整单元，用于在对目标模型进行分阶段的训练时，在每个训练阶段基于所述病灶标注数据和训练阶段对应的模糊处理图像调整所述目标模型的参数，直至所述多个训练阶段中最后一个训练阶段结束，得到医疗图像分割模型。

41、本技术第四方面提供了一种医疗图像分割装置。医疗图像分割装置包括：

42、待分割图像获取单元，用于获取待分割的医疗图像；

43、分割结果获得单元，用于将所述待分割的医疗图像作为医疗图像分割模型的输入，通过所述医疗图像分割模型对所述待分割的医疗图像进行处理，得到所述医疗图像分割模型输出的图像分割结果；所述图像分割结果包括所述医疗图像分割模型预测的病灶区域；所述医疗图像分割模型为根据第一方面所述的医疗图像分割模型的训练方法训练得到的模型。

44、本技术第五方面提供了一种计算机设备。该识别设备包括：

45、存储器，其上存储有计算机程序；

46、处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面提供的医疗图像分割模型的训练方法的步骤，或者现第二方面提供的医疗图像分割方法的步骤。

47、本技术第六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。该程序被处理器执行时实现第一方面提供的医疗图像分割模型的训练方法的步骤，或者实现第二方面提供的医疗图像分割方法的步骤。

48、相较于现有技术，本技术具有以下有益效果：

49、在本技术中，首先获取样本医疗图像和样本医疗图像对应的病灶标注数据；在此阶段可以对样本医疗图像进行模糊处理，得到样本医疗图像对应的多个模糊处理图像；然后将多个模糊处理图像按照模糊程度划分到多个训练阶段中，具体的，将模糊程度相对较高的模糊处理图像被划分到多个训练阶段中靠前的训练阶段，将模糊程度相对较低的模糊处理图像被划分到多个训练阶段中靠后的训练阶段；最后在对目标模型进行分阶段的训练时，在每个训练阶段基于病灶标注数据和训练阶段对应的模糊处理图像调整目标模型的参数，直至多个训练阶段中最后一个训练阶段结束，得到医疗图像分割模型。在本技术中先通过模糊程度较高的图像训练模型学习全局特征，再通过模糊程度较低的图像训练模型学习更为细致的局部特征，由简入繁循序渐进地进行模型训练，从而更好地识别出图像中的阴影、噪声、虚假纹理等，避免以上细节对图像分割准确性的干扰。相比于医疗工作人员人工执行图像分割标注异常区域，本方案中利用所训练的医疗图像分割模型进行图像分割能够提升医疗图像分割效率，提升准确性。