医学图像的异常区域分割方法、模型的训练方法及其装置与流程

本申请涉及医学图像处理领域，特别是涉及一种医学图像的异常区域分割方法、模型的训练方法及其装置。

背景技术：

1、医学图像成像技术，如超声成像技术由于其具有非侵入式、经济便捷、实时性高、无辐射等特点，目前被广泛应用于临床人体组织成像、病理诊断中。

2、病变组织由于与正常组织之间因其声学特性不同，在超声图像中与正常组织区域呈现一定的形态学差异，识别超声图像中的异常区域是超声科诊断中的关键，需要依赖经验丰富的超声科医生。然而，实际超声图像模态复杂且每日超声扫查量逐渐增大，这些问题导致超声科医生工作强度增高、对于医生的专业要求越来越高，因此需要更加自动化的超声图像异常区域分割技术来提高超声扫查诊断的效率和准确率。

3、目前随着人工智能的发展，基于人工智能的医学图像识别与分割方法越来越多，大大提高了超声检测的效率和准确率。然而现有的方案中对于异常区域分割任务，模型训练前需要对不规则的异常区域进行精细的人工划分标注，这些过程费时费力，且无法穷尽所有可能的异常模式，导致医学图像的异常区域的分割不准确。

技术实现思路

1、本申请实施例中提供了一种医学图像的异常区域分割方法、模型的训练方法及其装置，以解决现有技术中医学图像的异常区域的分割不准确的问题。

2、第一个方面，本申请实施例中提供了一种医学图像的异常区域分割方法，所述方法包括：

3、将待分割的医学图像输入至目标对抗判别模型，确定所述待分割的医学图像的图像类型；

4、当所述待分割的医学图像的图像类型为异常医学图像时，获取输入所述目标对抗判别模型的待分割的医学图像与所述目标对抗判别模型输出的判别结果之间的关系函数；所述关系函数用于表示所述目标对抗判别模型的输入对输出的贡献度；

5、根据所述关系函数，对所述医学图像的异常区域进行分割。

6、在其中的一些实施例中，所述根据所述关系函数，对所述医学图像的异常区域进行分割，包括：

7、根据所述关系函数构造模型残差函数；

8、根据所述模型残差函数，对所述医学图像的异常区域进行分割。

9、在其中的一些实施例中，所述根据所述模型残差函数，对所述医学图像的异常区域进行分割，包括：

10、根据所述模型残差函数，计算所述待分割的医学图像的每个像素的显著性分数；

11、根据所述显著性分数，对所述医学图像的异常区域进行分割。

12、在其中的一些实施例中，所述关系函数用于表示输入所述目标对抗判别模型的待分割的医学图像的像素值与所述目标对抗判别模型输出的判别结果之间的关系，所述方法还包括：

13、根据所述目标对抗判别模型的模型参数，生成所述关系函数。

14、在其中的一些实施例中，所述将待分割的医学图像输入至目标对抗判别模型，确定所述待分割的医学图像的图像类型，包括：

15、将待分割的医学图像输入至目标对抗判别模型，得到所述待分割的医学图像的判别结果；

16、当所述判别结果满足预设条件时，确定所述待分割的医学图像的图像类型为异常医学图像；

17、其中，所述预设条件根据所述目标对抗判别模型的模型参数确定。

18、第二个方面，本申请实施例中提供了一种模型的训练方法，所述方法包括：

19、根据正常医学图像数据，构造第一训练集；

20、根据随机数据，构造第二训练集；

21、根据所述第一训练集和所述第二训练集，对初始对抗判别模型进行训练，得到目标对抗判别模型。

22、在其中的一些实施例中，所述根据所述第一训练集和所述第二训练集，对初始对抗判别模型进行训练，得到目标对抗判别模型，包括：

23、获取所述第一训练集的第一判别结果；

24、获取所述第二训练集的第二判别结果；

25、根据所述第一判别结果和所述第二判别结果构造目标函数；

26、根据所述目标函数对所述初始对抗判别模型进行训练，得到目标对抗判别模型。

27、第三个方面，本申请实施例中提供了一种医学图像的异常区域分割装置，所述装置包括：

28、判别模块，用于将待分割的医学图像输入至目标对抗判别模型，确定所述待分割的医学图像的图像类型；

29、关系函数获取模块，用于当所述待分割的医学图像的图像类型为异常医学图像时，获取输入所述目标对抗判别模型的待分割的医学图像与所述目标对抗判别模型输出的判别结果之间的关系函数；所述关系函数用于表示所述目标对抗判别模型的输入对输出的贡献度；

30、分割模块，用于根据所述关系函数，对所述医学图像的异常区域进行分割。

31、第四个方面，本申请实施例中提供了一种模型的训练装置，所述装置包括：

32、第一训练集构造模块，用于根据正常医学图像数据，构造第一训练集；

33、第二训练集构造模块，用于根据随机数据，构造第二训练集；

34、模型训练模块，用于根据所述第一训练集和所述第二训练集，对初始对抗判别模型进行训练，得到目标对抗判别模型。

35、第五个方面，本申请实施例中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第一个方面所述的医学图像的异常区域分割方法的步骤，或者所述计算机程序被处理器执行时实现第二个方面所述的模型的训练方法的步骤。

36、与现有技术相比，本申请实施例中提供的一种医学图像的异常区域分割方法、模型的训练方法及其装置、存储介质，通过将待分割的医学图像输入至目标对抗判别模型，得到待分割的医学图像的判别结果；根据判别结果，确定待分割的医学图像的图像类型；当待分割的医学图像的图像类型为异常医学图像时，获取输入目标对抗判别模型的待分割的医学图像与目标对抗判别模型输出的判别结果之间的关系函数；关系函数用于表示目标对抗判别模型的输入对输出的贡献度；根据关系函数，即利用目标对抗判别模型的输入对输出的贡献度对医学图像的异常区域进行分割，从而实现医学图像的异常区域的准确分割。从而解决了现有技术中模型训练前需要对不规则的异常区域进行精细的人工划分标注，这些过程费时费力，且无法穷尽所有可能的异常模式，导致医学图像的异常区域的分割不准确的问题。

37、本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

技术特征：

1.一种医学图像的异常区域分割方法，其特征在于，所述方法包括：

2.根据权利要求1所述的医学图像的异常区域分割方法，其特征在于，所述根据所述关系函数，对所述医学图像的异常区域进行分割，包括：

3.根据权利要求2所述的医学图像的异常区域分割方法，其特征在于，所述根据所述模型残差函数，对所述医学图像的异常区域进行分割，包括：

4.根据权利要求1所述的医学图像的异常区域分割方法，其特征在于，所述关系函数用于表示输入所述目标对抗判别模型的待分割的医学图像的像素值与所述目标对抗判别模型输出的判别结果之间的关系，所述方法还包括：

5.根据权利要求1所述的医学图像的异常区域分割方法，其特征在于，所述将待分割的医学图像输入至目标对抗判别模型，确定所述待分割的医学图像的图像类型，包括：

6.一种模型的训练方法，其特征在于，所述方法包括：

7.根据权利要求6所述的模型的训练方法，其特征在于，所述根据所述第一训练集和所述第二训练集，对初始对抗判别模型进行训练，得到目标对抗判别模型，包括：

8.一种医学图像的异常区域分割装置，其特征在于，所述装置包括：

9.一种模型的训练装置，其特征在于，所述装置包括：

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5中任一项所述的医学图像的异常区域分割方法的步骤，或者所述计算机程序被处理器执行时实现权利要求6至7中任一项所述的模型的训练方法的步骤。

技术总结
本申请涉及一种医学图像的异常区域分割方法、模型的训练方法及其装置，所述医学图像的异常区域分割方法包括：将待分割的医学图像输入至目标对抗判别模型，确定所述待分割的医学图像的图像类型；当所述待分割的医学图像的图像类型为异常医学图像时，获取输入所述目标对抗判别模型的待分割的医学图像与所述目标对抗判别模型输出的判别结果之间的关系函数；所述关系函数用于表示所述目标对抗判别模型的输入对输出的贡献度；根据所述关系函数，对所述医学图像的异常区域进行分割。通过本申请，解决了现有技术中医学图像的异常区域的分割不准确的问题。

技术研发人员：夏启,林方略
受保护的技术使用者：北京联影智能影像技术研究院
技术研发日：
技术公布日：2025/1/2