【技术实现步骤摘要】
本申请涉及图像分割，尤其涉及一种血管分割模型的训练方法、血管分割方法及装置。
技术介绍
1、血管是循环系统的主要组成部分，几乎分布在所有解剖结构中，其几何形态的变化与各种血管相关疾病密切相关。脑血管形态异常是疾病的标志，包括脑血栓形成和脑血管瘤，并且脑神经网络的可视化在优化治疗和神经外科规划中发挥着重要作用，因此，血管分析和可视化，特别是三维血管的分析和可视化对于临床诊断和治疗至关重要。对于三维血管分析和可视化，三维医学图像中的血管分割是前提条件，但由于复杂的形态变化和不同的成像方式和协议，3d血管的人工分割是费时费力的。
2、随着深度学习技术的发展，在医学领域的应用越来越广泛，深度学习任务往往依赖于大量的标注数据，医疗图像的样本标注又会涉及到较多的专业知识，标注人员需要对影像信息进行准确的判断，甚至需要经验丰富的专家进行两次以上的评判，目前医学影像的标注数据比较少，这增加了深度学习在医疗领域应用的难度。
技术实现思路
1、本申请实施例提供了一种血管分割模型的训练方法、血管分割方法及装置，能够提升血管分割模型的精度，减少数据标注工作量。
2、本申请实施例所提供的技术方案如下：
3、一种血管分割模型的训练方法，包括如下步骤：
4、构建血管分割模型；
5、获取待分割的3d血管数据所对应的2d标注数据；
6、基于所述血管分割模型，对待分割的3d血管数据进行分割，得到2d分割数据；
7、基于所述2d标注数据
8、示例性的，所述获取待分割的3d血管数据所对应的2d标注数据，具体包括：
9、将待分割的3d血管数据基于最大密度投影法，从横断面、矢状面和冠状面三个方向进行最大密度投影，得到三个面上的2d影像数据；
10、对得到的三个面上的2d影像数据进行标注，得到2d标注数据。
11、示例性的，所述基于所述血管分割模型，对待分割的3d血管数据进行分割，得到2d分割数据，具体包括：
12、基于所述血管分割模型，对待分割的3d血管数据进行分割，得到分割结果图像；
13、将所述分割结果图像基于最大密度投影法，分别从横断面、矢状面和冠状面三个方向进行最大密度投影，得到三个面上的2d分割数据。
14、示例性的，所述基于所述2d标注数据和所述2d分割数据，使用损失函数l对所述血管分割模型进行训练，具体包括：使用5倍交叉验证法，利用损失函数l对所述血管分割模型进行训练。
15、示例性的，所述损失函数l被配置为满足以下关系：l＝l1+l2；其中，l1为模型交叉熵损失函数，l2为模型dice损失函数。
16、示例性的，所述模型交叉熵损失函数l1的函数表达式如公式(i)所示：
17、
18、在公式(i)中，
19、i、j、k表示像素分别在三维空间中i、j、k三个方向上的位置；
20、表示2d标注数据中影像沿i方向的最大密度投影对应的标签；
21、表示2d标注数据中影像沿j方向上的最大密度投影对应的标签；
22、表示2d标注数据中影像沿k方向上的最大密度投影对应的标签；
23、表示血管分割模型输出的与对应的预测值；
24、表示血管分割模型输出的与对应的预测值；
25、表示血管分割模型输出的与对应的预测值；
26、lc表示交叉熵损失函数，lc的表达式如公式(ii)所示：
27、
28、在公式(ii)中，
29、n表示像素的个数；
30、y表示标签；
31、表示血管分割模型输出的分割数据预测值；
32、所述模型dice损失函数l2的函数表达式如公式(iii)所示：
33、
34、公式(ii)中，
35、i、j、k表示像素分别在三维空间中i、j、k三个方向上的位置；
36、表示2d标注数据中影像沿i方向的最大密度投影对应的标签；
37、表示2d标注数据中影像沿j方向上的最大密度投影对应的标签；
38、表示2d标注数据中影像沿k方向上的最大密度投影对应的标签；
39、表示血管分割模型输出的与对应的预测值；
40、表示血管分割模型输出的与对应的预测值；
41、表示血管分割模型输出的与对应的预测值；
42、ld表示dice损失函数，ld的表达式如公式(iv)所示：
43、
44、在公式(iv)中，
45、n表示像素的个数；
46、y表示标签；
47、表示血管分割模型输出的分割数据预测值。
48、示例性的，所述血管分割模型包括unet网络分割模型。
49、一种建立血管分割模型的装置，包括：
50、存储器；以及
51、与所述存储器连接的处理器，所述处理器被配置成：
52、构建血管分割模型；
53、获取待分割的3d血管数据所对应的2d标注数据；
54、基于所述血管分割模型，对待分割的3d血管数据进行分割，得到2d分割数据；
55、基于所述2d标注数据和所述2d分割数据，利用损失函数l对所述血管分割模型进行训练。
56、一种血管分割方法，包括：
57、获取待分割的3d血管数据；
58、将所述待分割的3d血管数据输入到如上所述的方法训练得到的血管分割模型中，获得血管分割结果图像。
59、一种血管分割装置，包括：
60、存储器；以及
61、与所述存储器连接的处理器，所述处理器被配置成：
62、获取待分割的3d血管数据；
63、将所述待分割的3d血管数据输入到如上所述的方法获得的血管分割模型中，获得血管分割结果图像。
64、本申请实施例所带来的有益效果如下：
65、本申请实施例所提供的血管分割模型的训练方法、血管分割方法及装置，使用2d标注数据来对血管分割模型进行训练，能够减少数据标注的工作量；在本申请进一步的实施例中，还通过优化损失函数，提升血管分割模型的性能。
本文档来自技高网...【技术保护点】
1.一种血管分割模型的训练方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，所述获取待分割的3D血管数据所对应的2D标注数据，具体包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述血管分割模型，对待分割的3D血管数据进行分割，得到2D分割数据，具体包括：
4.根据权利要求1所述的方法，其特征在于，所述基于所述2D标注数据和所述2D分割数据，使用损失函数L对所述血管分割模型进行训练，具体包括：使用5倍交叉验证法，利用损失函数L对所述血管分割模型进行训练。
5.根据权利要求4所述的方法，其特征在于，所述损失函数L被配置为满足以下关系：
6.根据权利要求5所述的方法，其特征在于，
7.根据权利要求1至6任一项所述的方法，其特征在于，所述血管分割模型包括Unet网络分割模型。
8.一种建立血管分割模型的装置，其特征在于，包括：
9.一种血管分割方法，其特征在于，包括：
10.一种血管分割装置，其特征在于，包括：
【技术特征摘要】
1.一种血管分割模型的训练方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，所述获取待分割的3d血管数据所对应的2d标注数据，具体包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述血管分割模型，对待分割的3d血管数据进行分割，得到2d分割数据，具体包括：
4.根据权利要求1所述的方法，其特征在于，所述基于所述2d标注数据和所述2d分割数据，使用损失函数l对所述血管分割模型进行训练，具体包括：使用5倍交叉...
【专利技术属性】
技术研发人员：张翠芳，
申请(专利权)人：京东方科技集团股份有限公司，
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。