模型生成方法、医学图像分割方法、装置、设备及介质制造方法及图纸

本发明专利技术实施例公开了一种模型生成方法、医学图像分割方法、装置、设备及介质。该模型生成方法包括：获取样本胸部的样本图像、样本图像中已知肺部的肺部掩膜图像、以及肺部掩膜图像的形状先验知识；将样本图像、肺部掩膜图像和形状先验知识作为一组训练样本，基于多组训练样本对原始分割模型进行训练，生成肺部分割模型；其中，原始分割模型包括特征提取网络，以及与特征提取网络分别连接的图像分割网络和先验知识回归网络。本发明专利技术实施例的技术方案，解决了现有分割模型未将肺部区域的形状先验知识有效利用起来的问题，基于形状先验知识设置的先验知识回归网络，与已有的图像分割网络相互配合，提高了肺部分割模型与肺部区域分割的匹配程度。

【技术实现步骤摘要】
模型生成方法、医学图像分割方法、装置、设备及介质
本专利技术实施例涉及医学图像处理
，尤其涉及一种模型生成方法、医学图像分割方法、装置、设备及介质。
技术介绍
X光成像技术因辐射剂量较小且成本较低，是医学检查中最为常用的成像手段。基于X光成像技术获取的X光胸片可用于研究胸腔内各种结构，例如，从X光胸片中提取出的肺部区域信息如大小、不规则形状和总肺体积等等，可作为医护人员诊断肺气肿、肺癌、肺结核、肺气肿、气胸、心脏病和尘肺等等临床疾病的重要参考因素。因此，从X光胸片中精准分割出肺部区域，对后续的医学图像分析流程起着至关重要的作用。但是，从X光胸片中精准分割出肺部区域存在许多困难和挑战，首先，因各位患者的性别、年龄和健康状况的差异性，肺部区域的形状和外观存在较大差异；其次，胸骨线、手术夹和起搏器等外部物体的存在将会进一步增加肺部区域的分割难度；再次，肺部的某些解剖结构也可能导致分割困难。近年来，随着深度学习特别是卷积神经网络(Convolutionalneuralnetwork，CNN)模型的快速发展，大量的可应用于医学图像分割的网络模型被相继提出，这些网络模型也可应用于X光胸片中的肺部区域分割。但是，这些网络模型在设置时并未考虑到肺部区域的独有特性，其对几乎全部的分割任务都采用同样的网络结构，这使得肺部区域的分割精度有待提高。
技术实现思路
本专利技术实施例提供了一种模型生成方法、医学图像分割方法、装置、设备及介质，以生成与肺部区域分割相匹配的肺部分割模型。第一方面，本专利技术实施例提供了一种模型生成方法，可以包括：获取样本胸部的样本图像、样本图像中已知肺部的肺部掩膜图像、以及肺部掩膜图像的形状先验知识；将样本图像、肺部掩膜图像和形状先验知识作为一组训练样本，基于多组训练样本对原始分割模型进行训练，生成肺部分割模型；其中，原始分割模型包括特征提取网络，以及与特征提取网络分别连接的图像分割网络和先验知识回归网络。可选的，基于多组训练样本对原始分割模型进行训练，生成肺部分割模型，可以包括：将样本图像输入至原始分割模型中，根据原始分割模型的输出结果，得到肺部预测图像和形状预测知识；根据肺部预测图像和肺部掩膜图像确定图像分割网络的分割损失函数，并根据肺部预测图像、形状预测知识和形状先验知识确定先验知识回归网络的回归损失函数；根据分割损失函数和回归损失函数确定原始分割模型的损失函数，并将损失函数反向输入至原始分割模型，调节原始分割模型的网络参数，生成肺部分割模型。可选的，根据肺部预测图像、形状预测知识和形状先验知识确定先验知识回归网络的回归损失函数，可以包括：根据形状先验知识和形状预测知识，确定第一回归损失函数；根据肺部预测图像计算出形状计算知识，并根据形状先验知识和形状计算知识，确定第二回归损失函数；根据第一回归损失函数和第二回归损失函数，确定先验知识回归网络的回归损失函数。可选的，图像分割网络和先验知识回归网络分别连接在特征提取网络的瓶颈层后，和/或，特征提取网络包括残差连接层。可选的，形状先验知识包括肺部掩膜图像中连通域的个数、面积、边界周长和边界长宽中的至少一个；和/或，先验知识回归网络包括自适应平均池化层以及连续的全连接层；和/或，样本图像是基于X光成像技术获取的。第二方面，本专利技术实施例还提供了一种医学图像分割方法，可以包括：获取受检胸部的受检图像，以及按照上述任一项的模型生成方法生成的已训练完成的肺部分割模型；将受检图像输入至肺部分割模型中，根据肺部分割模型的输出结果，从受检图像中提取出肺部区域的分割图像。第三方面，本专利技术实施例还提供了一种模型生成装置，该装置可以包括：第一获取模块，用于获取样本胸部的样本图像、样本图像中已知肺部的肺部掩膜图像、以及肺部掩膜图像的形状先验知识；模型生成模块，用于将样本图像、肺部掩膜图像和形状先验知识作为一组训练样本，基于多组训练样本对原始分割模型进行训练，生成肺部分割模型，其中，原始分割模型包括特征提取网络，以及与特征提取网络分别连接的图像分割网络和先验知识回归网络。第四方面，本专利技术实施例还提供了一种医学图像分割装置，该装置可包括：第二获取模块，用于获取受检胸部的受检图像，以及按照本专利技术任意实施例所提供的模型生成方法生成的已训练完成的肺部分割模型；图像分割模块，用于将受检图像输入至肺部分割模型中，根据肺部分割模型的输出结果，从受检图像中提取出肺部区域的分割图像。第五方面，本专利技术实施例还提供了一种设备，该设备可以包括：一个或多个处理器；存储器，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本专利技术任意实施例所提供的模型生成方法或是医学图像分割方法。第六方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本专利技术任意实施例所提供的模型生成方法或是医学图像分割方法。本专利技术实施例的技术方案，通过已获取的样本胸部的样本图像、样本图像中已知肺部的肺部掩膜图像、以及肺部掩膜图像的形状先验知识构成一组训练样本，并基于多组训练样本对原始分割模型进行训练，该原始分割模型充分考虑了已知肺部的形状先验知识，是一种可以同时学习图像分割任务和全局图像回归任务的多任务学习框架，由此生成的已训练完成的肺部分割模型的泛化性能较强。上述技术方案，解决了现有分割模型未将肺部区域的形状先验知识有效利用起来的问题，基于形状先验知识设置的先验知识回归网络，与已有的图像分割网络相互配合，提高了肺部分割模型与肺部区域分割的匹配程度。附图说明图1是本专利技术实施例一中的一种模型生成方法的流程图；图2是本专利技术实施例一中的一种模型生成方法中肺部区域分割的示意图；图3是本专利技术实施例一中的一种模型生成方法中残差连接的原理图；图4a是本专利技术实施例一中的一种模型生成方法中现有分割模型的示意图；图4b是本专利技术实施例一中的一种模型生成方法中原始分割模型的示意图；图4c是本专利技术实施例一中的一种模型生成方法中原始分割模型中的瓶颈层和先验知识回归网络的局部放大示意图；图5是本专利技术实施例二中的一种医学图像分割方法的流程图；图6是本专利技术实施例三中的一种模型生成装置的结构框图；图7是本专利技术实施例四中的一种医学图像分割装置的结构框图；图8是本专利技术实施例五中的一种设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1是本专利技术实施例一中提供的一种模型生成方法的流程图。本实施例可适用于生成与肺部区域分割相匹配的肺部分割本文档来自技高网...

【技术保护点】
1.一种模型生成方法，其特征在于，包括：/n获取样本胸部的样本图像、所述样本图像中已知肺部的肺部掩膜图像、以及所述肺部掩膜图像的形状先验知识；/n将所述样本图像、所述肺部掩膜图像和所述形状先验知识作为一组训练样本，基于多组所述训练样本对原始分割模型进行训练，生成肺部分割模型；/n其中，所述原始分割模型包括特征提取网络，以及与所述特征提取网络分别连接的图像分割网络和先验知识回归网络。/n

【技术特征摘要】
1.一种模型生成方法，其特征在于，包括：
获取样本胸部的样本图像、所述样本图像中已知肺部的肺部掩膜图像、以及所述肺部掩膜图像的形状先验知识；
将所述样本图像、所述肺部掩膜图像和所述形状先验知识作为一组训练样本，基于多组所述训练样本对原始分割模型进行训练，生成肺部分割模型；
其中，所述原始分割模型包括特征提取网络，以及与所述特征提取网络分别连接的图像分割网络和先验知识回归网络。


2.根据权利要求1所述的方法，其特征在于，所述基于多组所述训练样本对原始分割模型进行训练，生成肺部分割模型，包括：
将所述样本图像输入至原始分割模型中，根据所述原始分割模型的输出结果，得到肺部预测图像和形状预测知识；
根据所述肺部预测图像和所述肺部掩膜图像确定所述图像分割网络的分割损失函数，并根据所述肺部预测图像、所述形状预测知识和所述形状先验知识确定所述先验知识回归网络的回归损失函数；
根据所述分割损失函数和所述回归损失函数确定所述原始分割模型的损失函数，并将所述损失函数反向输入至所述原始分割模型，调节所述原始分割模型的网络参数，生成肺部分割模型。


3.根据权利要求2所述的方法，其特征在于，所述根据所述肺部预测图像、所述形状预测知识和所述形状先验知识确定所述先验知识回归网络的回归损失函数，包括：
根据所述形状先验知识和所述形状预测知识，确定第一回归损失函数；
根据所述肺部预测图像计算出形状计算知识，并根据所述形状先验知识和所述形状计算知识，确定第二回归损失函数；
根据所述第一回归损失函数和所述第二回归损失函数，确定所述先验知识回归网络的回归损失函数。


4.根据权利要求1所述的方法，其特征在于，所述图像分割网络和所述先验知识回归网络分别连接在所述特征提取网络的瓶颈层后，和/或，所述特征提取网络包括残差连接层。


5.根据权利要求1所述的方法，其特征在于，所述形状先验知识包括所述肺部掩膜图像中连通域的...

【专利技术属性】
技术研发人员：康清波，谭卫雄，张荣国，李新阳，王少康，陈宽，
申请(专利权)人：北京推想科技有限公司，
类型：发明
国别省市：北京;11