【技术实现步骤摘要】
本公开涉及图像处理，特别地涉及一种病灶分割模型的训练方法、装置、设备及存储介质。
技术介绍
1、随着人工智能（artificial intelligence，ai）技术的飞速发展，ai在病灶自动检测方面发挥着越来越重要的作用，大大减轻了医生的负担。但是，病灶位置的多样性和形态的复杂性给ai模型的训练带来了挑战。要想取得令人满意的效果，需要大规模数据的支持。然而，获取足够数量且质量较好的数据是一项艰巨的任务，这使得病灶分割模型训练过程变得更加困难和耗时，如何实现提高模型的病灶检出率的模型训练至关重要。
技术实现思路
1、本公开提供一种病灶分割模型的训练方法、装置、设备及存储介质，以提高
2、模型在病灶分割中的检出率。
3、第一方面，本公开提供了一种病灶分割模型的训练方法，包括：
4、读取和预处理数据集，所述数据集包含ct数据，所述ct数据包括ct图像及对应的标注图像；
5、基于读取和预处理的结果、第一损失函数和第二损失函数，训练第一病灶分割模型和第二病灶分割模型；
6、其中，所述第一病灶分割模型和所述第二病灶分割模型均为神经网络模型，所述第一病灶分割模型的训练使用第一损失函数，所述第二病灶分割模型的前预设轮训练使用第一损失函数，所述第二病灶分割模型的其他轮训练使用第二损失函数，以使训练得到的第二病灶分割模型分割的病灶尺寸小于训练得到的第一病灶分割模型分割的病灶尺寸。
7、在一些实施例中，所述第二损失函数表达式如下
8、
9、其中，表示第 i个病灶的损失权重，的数值基于第 i个病灶占有的像素数量确定，第 i个病灶占有的像素数量越少，的数值越大；表示第 i个病灶的交叉熵损失；表示第 i个病灶的tversky损失； a0和 b0分别表示和的系数；表示未正确检测的病灶损失，未正确检测的病灶越多，的数值越大。
10、在一些实施例中，通过如下计算式确定第 i个病灶的损失权重：
11、
12、其中， a1和 b1均表示可调节的参数，通过调节 a1和 b1能够控制第 i个病灶的损失权重；表示第 i个病灶占有的像素数量，表示所有病灶占有的像素数量。
13、在一些实施例中，通过如下计算式确定未正确检测的病灶损失：
14、
15、其中， a和 b均表示可调节的参数，通过调节 a和 b能够控制未正确检测的病灶的惩罚大小； numneg表示未正确检测的病灶数量。
16、在一些实施例中，所述未正确检测的病灶数量按照如下方法得到：在所述第二病灶分割模型每一次训练结束时，计算数据集的标注图像中每一个病灶和预测标注图像中每一个病灶的dice指标值，基于计算得到的dice指标值统计得到未正确检测的病灶数量。
17、在一些实施例中，所述未正确检测的病灶数量按照如下方法得到：
18、在所述第二病灶分割模型每一次训练结束时，从数据集的标注图像中逐个抽取病灶，将抽取的病灶分别与预测标注图像中的病灶进行dice指标值计算，将计算得到的dice指标值记录到第一列表中，第一列表的行表示数据集的标注图像中的病灶，第一列表的列表示预测标注图像中的病灶；
19、根据dice指标值的大小对第一列表的每一列分别进行排序；
20、针对第一列表的每一列确定最大的dice指标值是否不小于第一数值；
21、若是，则该dice指标值对应的病灶被所述第二病灶分割模型正确检测，所述未正确检测的病灶数量的值不变；
22、否则，该病灶未被所述第二病灶分割模型正确检测，所述未正确检测的病灶数量的值加一；
23、统计得到最终的未正确检测的病灶数量的值。
24、在一些实施例中，所述读取和预处理数据集，包括：
25、打乱所述数据集中各ct数据的顺序并读取打乱顺序后的各ct数据；
26、将读取的各ct数据中的ct图像对应标注图像中的病灶标注进行膨胀运算；
27、将每一例ct图像及其标注图像的方向转换为rai方向；
28、对每一例ct图像，进行窗宽窗位的调整；
29、对每一例ct图像进行像素归一化处理；
30、将每一例ct图像及对应标注图像，根据感兴趣区域进行三维裁剪；
31、将裁剪后的ct图像及对应标注图像的x轴和y轴进行尺度缩放；
32、将每一例ct图像及对应标注图像进行切片处理，得到一组切片图像；
33、将各ct数据对应的所有组切片图像打乱顺序，得到读取和预处理的结果。
34、在一些实施例中，所述基于读取和预处理的结果、第一损失函数和第二损失函数，训练第一病灶分割模型和第二病灶分割模型，训练过程如下：
35、从读取和预处理的结果中按批次抽取图像数据进行在线数据增强处理；
36、基于在线数据增强后的图像数据进行第一病灶分割模型或第二病灶分割模型的训练，并计算当前轮中每一次的损失函数值；
37、计算当前平均损失函数值；
38、计算当前轮中每一次的损失函数值与当前平均损失函数值的大小：若当前轮中每一次的损失函数值≥当前平均损失函数值，则将当前批次图像数据存储到第二列表中；
39、当前轮图像数据训练结束后，读取第二列表中图像数据进行补充训练，若第二列表中任一批次图像数据对应的损失函数值≥当前平均损失函数值，则将该批次图像数据存储到第三列表中；
40、每一轮训练结束后，将第二列表中的内容更新为第三列表中的内容；
41、判断当前平均损失函数值是否大于预设阈值：若是，则继续进行下一轮训练；否则结束训练，保存平均损失函数值最小时的第一病灶分割模型或第二病灶分割模型。
42、在一些实施例中，所述读取和预处理数据集之前，还包括：对数据集中的ct数据进行离线数据增强，以对数据集的ct数据扩增。
43、第二方面，本公开提供了一种病灶分割方法，包括：
44、获取ct图像；
45、将ct图像进行切片，得到一组切片图像；
46、将该组切片图像依次放入第一病灶分割模型和第二病灶分割模型本文档来自技高网...
【技术保护点】
1.一种病灶分割模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的病灶分割模型的训练方法，其特征在于，所述第二损失函数表达式如下：
3.根据权利要求2所述的病灶分割模型的训练方法，其特征在于，通过如下计算式确定第i个病灶的损失权重：
4.根据权利要求2所述的病灶分割模型的训练方法，其特征在于，通过如下计算式确定未正确检测的病灶损失：
5.根据权利要求4所述的病灶分割模型的训练方法，其特征在于，所述未正确检测的病灶数量按照如下方法得到：在所述第二病灶分割模型每一次训练结束时，计算数据集的标注图像中每一个病灶和预测标注图像中每一个病灶的Dice指标值，基于计算得到的Dice指标值统计得到未正确检测的病灶数量。
6.根据权利要求5所述的病灶分割模型的训练方法，其特征在于，所述未正确检测的病灶数量按照如下方法得到：
7.根据权利要求1所述的病灶分割模型的训练方法，其特征在于，所述读取和预处理数据集，包括：
8.根据权利要求1所述的病灶分割模型的训练方法，其特征在于，所述基于读取和预处理的结果、第
9.根据权利要求1所述的病灶分割模型的训练方法，其特征在于，所述读取和预处理数据集之前，还包括：对数据集中的CT数据进行离线数据增强，以对数据集的CT数据扩增。
10.一种病灶分割方法，其特征在于，包括：
11.根据权利要求10所述的病灶分割方法，其特征在于，还包括：对第一病灶分割模型分割结果和第二病灶分割模型分割结果求并集或者交集。
12.一种病灶分割模型的训练装置，其特征在于，包括：
13.一种病灶分割装置，其特征在于，包括：
14.一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1至11中任一项所述方法的步骤。
15.一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，该计算机程序被处理器执行时实现权利要求1至11中任一项所述方法的步骤。
16.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序被处理器执行时实现权利要求1至11中任一项所述方法的步骤。
...【技术特征摘要】
1.一种病灶分割模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的病灶分割模型的训练方法，其特征在于，所述第二损失函数表达式如下：
3.根据权利要求2所述的病灶分割模型的训练方法，其特征在于，通过如下计算式确定第i个病灶的损失权重：
4.根据权利要求2所述的病灶分割模型的训练方法，其特征在于，通过如下计算式确定未正确检测的病灶损失：
5.根据权利要求4所述的病灶分割模型的训练方法，其特征在于，所述未正确检测的病灶数量按照如下方法得到：在所述第二病灶分割模型每一次训练结束时，计算数据集的标注图像中每一个病灶和预测标注图像中每一个病灶的dice指标值，基于计算得到的dice指标值统计得到未正确检测的病灶数量。
6.根据权利要求5所述的病灶分割模型的训练方法，其特征在于，所述未正确检测的病灶数量按照如下方法得到：
7.根据权利要求1所述的病灶分割模型的训练方法，其特征在于，所述读取和预处理数据集，包括：
8.根据权利要求1所述的病灶分割模型的训练方法，其特征在于，所述基于读取和预处理的结果、第一损失函数和第二损...
【专利技术属性】
技术研发人员：张雨萌，池琛，罗富良，黄乾富，
申请(专利权)人：海杰亚北京医疗器械有限公司，
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。