【技术实现步骤摘要】
本专利技术涉及医学图像处理，具体涉及一种目标对象识别模型、模型参数确定方法、装置及设备。
技术介绍
1、在基于医学图像进行人体结构中的目标对象识别时，由于人体结构和目标对象具备极强的个人异质性以及复杂的形态与影像表征，目标对象内的信号也因血流速度、尺寸等不同而有显著的区别，甚至可能体素强度远低于血管管腔或其他关联的组织结构而难以识别为感兴趣区域，因此仅凭借监督学习下对有限数据集的学习，依然避免不了检测模型在面临血管解剖结构、感兴趣区域、管腔密度分布、目标对象形态等等均与训练数据分布相去甚远的情况下，出现局部的小样本学习甚至零样本学习的场景，而在这种场景下，检测模型的检测精度低。
技术实现思路
1、有鉴于此，本专利技术提供了一种目标对象识别模型、模型参数确定方法、装置及设备，以解决基于医学图像进行目标对象识别的准确度低的问题。
2、第一方面，本专利技术提供了一种目标对象识别模型，该模型包括：
3、目标对象识别网络，用于从目标医学结构的医学图像中识别得到感兴趣区域，并从所述感兴趣区域中识别目标对象；
4、元学习网络，用于基于支撑样本集和查询样本集，确定所述目标对象识别网络的参数值；
5、其中，所述支撑样本集包括多条支撑样本，每一所述支撑样本包括对第一对象识别网络进行训练得到第二对象识别网络的训练数据；所述第一对象识别网络、所述第二对象识别网络和所述目标对象识别网络的结构相同、且部分或全部参数不同；不同的所述支撑样本中，所述第二对象识别网络
6、在一种可选的实施方式中，所述元学习网络为域对抗网络，包括域分类器、特征提取器和标签预测器；
7、其中，所述域分类器包括双通道上下文感知元样本增强模块。
8、在一种可选的实施方式中，所述医学图像为脑动脉图像；
9、所述目标对象为脑动脉瘤；
10、所述支撑样本中，所述第二对象识别网络识别的对象为正常血管或血管迂曲或分叉点或狭窄血管，或者与所述目标对象识别网络识别的脑动脉瘤在不同感兴趣区域的脑动脉瘤。
11、在一种可选的实施方式中，所述目标对象识别网络包括基础结构网络和并行的图卷积网络，所述基础结构网络采用编码-解码框架的多监督网络，并行的所述图卷积网络用于进行多层维度下关键语义知识的提取；
12、所述图卷积网络的输入为目标医学结构数据融合图；
13、所述基础结构网络的输入为所述医学图像和第一多层次目标医学结构-知识融合数据，所述目标医学结构具有多个层次，所述目标对象为所述目标医学结构中的一个层次上的部分或全部结构。
14、第二方面，本专利技术提供了一种模型参数确定方法，应用于上述第一方面所述的任一种目标对象识别模型，所述方法包括：
15、利用元学习网络对所述支撑样本集中各个所述支撑样本对应的元训练任务的识别过程和目标对象识别任务的识别过程进行相似性判断；
16、利用所述元学习网络基于所述相似性判断的判断结果确定所述目标对象识别网络中各参数的第一参数值；
17、利用所述元学习网络基于所述查询样本集，对所述第一参数值进行微调得到所述目标对象识别网络的各个参数的最终值。
18、在一种可选的实施方式中，利用所述元学习网络对所述支撑样本集中各个所述支撑样本对应的元训练任务的识别过程和目标对象识别任务的识别过程进行相似性判断之前，还包括：
19、针对多个所述元训练任务，分别对第一对象识别网络进行元训练，得到第二对象识别网络；
20、分别获取每一所述元训练任务的训练数据，形成所述支撑样本。
21、在一种可选的实施方式中，所述支撑样本集中的所述支撑样本所对应的元训练任务的识别对象，包括：医学图像上不同区域、不同位置和/或不同类型的结构对象。
22、在一种可选的实施方式中，所述医学图像为脑动脉图像；
23、所述支撑样本集中的所述支撑样本所对应的元训练任务的识别对象，包括：脑动脉不同分段、不同分区和/或不同类型的脑动脉结构对象。
24、在一种可选的实施方式中，所述目标对象识别网络包括：基础结构网络和并行的图卷积网络；
25、所述基础结构网络采用编码-解码框架的多监督网络，并行的所述图卷积网络用于进行多层维度下关键语义知识的提取；
26、所述图卷积网络的输入为目标医学结构数据融合图；
27、所述基础结构网络的输入为所述医学图像和第一多层次目标医学结构-知识融合数据；
28、所述元训练任务的训练样本包括伪噪声数据，所述伪噪声数据是基于目标医学结构分割数据与最优知识表征集形成，所述最优知识表征集为目标医学结构知识引导的知识量化表征数据集。
29、在一种可选的实施方式中，所述最优知识表征集是通过以下方法生成：
30、获取包括目标医学结构的医学图像、目标对象的标注数据，以及所述目标医学结构的知识，所述目标医学结构的知识包括结构层次信息、分布信息和所述目标对象的识别标准；
31、针对所述目标医学结构的医学图像、所述目标对象的标注数据，以及所述目标医学结构的知识，分别进行知识量化，得到多种知识表征数据；
32、从所述多种知识表征数据中，选择部分知识表征数据形成最优知识表征集。
33、在一种可选的实施方式中，所述从所述多种知识表征数据中，选择部分知识表征数据形成最优知识表征集，包括：
34、采用相似性测度，对所述知识表征数据进行聚类分组；
35、针对知识表征数据分组，分别抽取代表性知识表征数据；
36、评估所述代表性知识表征数据的引导性能；
37、选取引导性能靠前的n种知识表征方法，形成最优知识表征集。
38、在一种可选的实施方式中，所述第一多层次目标医学结构-知识融合数据是通过以下方法获取：
39、将目标医学结构知识按照所述目标医学结构的层次进行分层；
40、根据所述目标医学结构知识的知识来源与所述目标医学结构的对应关系，对所述目标医学结构的医学图像数据进行分层；
41、分别将各个分层的所述目标医学结构知识和所述目标医学结构的医学图像数据，进行相应的融合，形成所述第一多层次目标医学结构-知识融合数据。
42、在一种可选的实施方式中，所述第一多层次目标医学结构-知识融合数据的分层融合策略是按照以下方法确定：
43、采用多种不同的分层融合方法，将各个分层的所述目标医学结构知识和所述目标医学结构的其他医学图像数据，进行相应的融合，形成多种的第二多层次目标医学结构-知识融合数据；
44、将多种的所述第二多层次目标医学结构-知识融合数据，经过至少一层卷积后形成输出，并基于互信息计算输出三维信息熵，以所述三维信息熵进行所述第二多层次目标医学结构-知识融合数据的层次聚类，形成多个不同的第二多层次目标医学结构-知识融合数本文档来自技高网...
【技术保护点】
1.一种目标对象识别模型，其特征在于，所述目标对象识别模型包括：
2.根据权利要求1所述的模型，其特征在于，所述元学习网络为域对抗网络，包括域分类器、特征提取器和标签预测器；
3.根据权利要求1所述的模型，其特征在于，所述医学图像为脑动脉图像；
4.根据权利要求1所述的模型，其特征在于，所述目标对象识别网络包括基础结构网络和并行的图卷积网络，所述基础结构网络采用编码-解码框架的多监督网络，并行的所述图卷积网络用于进行多层维度下关键语义知识的提取；
5.一种模型参数确定方法，其特征在于，应用于权利要求1-4中任一项所述的目标对象识别模型，所述方法包括：
6.根据权利要求5所述的方法，其特征在于，利用所述元学习网络对所述支撑样本集中各个所述支撑样本对应的元训练任务的识别过程和目标对象识别任务的识别过程进行相似性判断之前，还包括：
7.根据权利要求5或6所述的方法，其特征在于，所述支撑样本集中的所述支撑样本所对应的元训练任务的识别对象，包括：医学图像上不同区域、不同位置和/或不同类型的结构对象。
8.根
9.根据权利要求5所述的方法，其特征在于，所述目标对象识别网络包括：基础结构网络和并行的图卷积网络；
10.根据权利要求9所述的方法，其特征在于，所述最优知识表征集是通过以下方法生成：
11.根据权利要求10所述的方法，其特征在于，所述从所述多种知识表征数据中，选择部分知识表征数据形成最优知识表征集，包括：
12.根据权利要求9-11中任一项所述的方法，其特征在于，所述第一多层次目标医学结构-知识融合数据是通过以下方法获取：
13.根据权利要求12所述的方法，其特征在于，所述第一多层次目标医学结构-知识融合数据的分层融合策略是按照以下方法确定：
14.一种模型参数确定装置，其特征在于，用于训练得到权利要求1-4中任一项所述的目标对象识别模型，所述装置包括：
15.一种计算机设备，其特征在于，包括：
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求5至13中任一项所述的方法。
...【技术特征摘要】
1.一种目标对象识别模型，其特征在于，所述目标对象识别模型包括：
2.根据权利要求1所述的模型，其特征在于，所述元学习网络为域对抗网络，包括域分类器、特征提取器和标签预测器；
3.根据权利要求1所述的模型，其特征在于，所述医学图像为脑动脉图像；
4.根据权利要求1所述的模型，其特征在于，所述目标对象识别网络包括基础结构网络和并行的图卷积网络，所述基础结构网络采用编码-解码框架的多监督网络，并行的所述图卷积网络用于进行多层维度下关键语义知识的提取；
5.一种模型参数确定方法，其特征在于，应用于权利要求1-4中任一项所述的目标对象识别模型，所述方法包括：
6.根据权利要求5所述的方法，其特征在于，利用所述元学习网络对所述支撑样本集中各个所述支撑样本对应的元训练任务的识别过程和目标对象识别任务的识别过程进行相似性判断之前，还包括：
7.根据权利要求5或6所述的方法，其特征在于，所述支撑样本集中的所述支撑样本所对应的元训练任务的识别对象，包括：医学图像上不同区域、不同位置和/或不同类型的结构对象。
8.根据权利要求7...
【专利技术属性】
技术研发人员：耿辰，戴亚康，戴斌，李凤美，周志勇，
申请(专利权)人：中国科学院苏州生物医学工程技术研究所，
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。