【技術實現步驟摘要】
本申請涉及醫學圖像處理，特別涉及一種氣道分割模型的訓練方法、氣道分割方法及設備。
技術介紹
1、ct圖像上的氣道樹建模可以為醫生提供壁厚等三維測量數據，以輔助醫生進行肺部疾病診斷。現有肺部氣道樹建模普遍基于模型的方法，該方法需要大量的訓練圖像，并且對計算資源要求低，但是其氣道ct圖像的分割效果欠佳。
2、近年來，隨著深度學習在醫學圖像處理領域取得了良好效果，深度學習可以被用來進行氣道樹建模。然而，由于肺部存在許多小氣道分支，而小氣道分支形態尺寸小且空間分布分散，嚴重影響了基于深度學習構建的氣道分割模型的氣道分割性能。
技術實現思路
1、本申請要解決的技術問題在于，針對現有技術的不足，提供一種氣道分割模型的訓練方法、氣道分割方法及設備。
2、為了解決上述技術問題，本申請實施例第一方面提供了一種氣道分割模型的訓練方法，所述的氣道分割模型的訓練方法具體包括：
3、對初始訓練集中的各原始ct圖像進行frangi濾波，以得到各原始ct圖像對應的第一增強ct圖像；
4、將各原始ct圖像及其第一增強ct圖像進行拼接，以得到目標訓練集；
5、基于所述目標訓練集對初始分割模型進行訓練，以得到氣道分割模型。所述的氣道分割模型的訓練方法，其中，所述初始分割模型為基于unet3+網絡結構構建的雙通道3d-unet3+網絡。
6、所述的氣道分割模型的訓練方法，其中，所述基于所述目標訓練集對初始分割模型進行訓練，以得到氣道分割模型具體包括
7、將所述目標訓練集中的訓練圖像輸入初始分割模型，通過所述初始分割模型確定預測分割圖像；
8、基于所述預測分割圖像構建局部不平衡損失項，基于所述局部不平衡損失項對所述初始分割模型進行訓練，以得到氣道分割模型；
9、其中，所述局部不平衡損失項的構建過程為：
10、對于預測分割圖像中的每個體素，獲取所述體素對應的局部前景率，基于所述局部前景率確定所述體素對應的加權系數，根據各體素的加權系數、氣道體素預測值和背景體素預測值，計算所述訓練圖像對應的局部不平衡損失項。
11、所述的氣道分割模型的訓練方法，其中，所述對于預測分割圖像中的每個體素，獲取所述體素對應的局部前景率具體包括：
12、對于預測分割圖像中的每個體素，獲取所述體素對應的鄰域數據，其中，所述鄰域數據以所述體素為中心；
13、讀取所述鄰域數據中的各鄰域體素的真實標簽值，并基于讀取到的所有真實標簽值計算所述體素對應的局部前景率。
14、所述的氣道分割模型的訓練方法，其中，所述基于所述局部前景率確定所述體素對應的加權系數具體包括：
15、獲取所述體素對應的體素類別；
16、當體素類別為背景體素時，將預設數值作為所述體素對應的加權系數；
17、當體素類別為氣道體素時，獲取所述體素對應的氣道等級，根據所述氣道等級以及所述局部前景率計算所述體素對應的加權系數。
18、所述的氣道分割模型的訓練方法，其中，所述將所述目標訓練集中的訓練圖像輸入初始分割模型，通過所述初始分割模型確定所述訓練圖像對應的預測分割圖像之前，所述方法還包括：
19、對所述目標訓練集中的各訓練圖像進行隨機剪裁，以得到第一訓練集；
20、將第一訓練集中的第一訓練圖像輸入預設分割模型，通過預測分割模型輸出所述第一訓練圖像對應的第一預測分割圖像；
21、基于所述第一預測分割圖像和第一訓練圖像對應的真值分割數據構建dice損失項，并基于所述dice損失項對所述預設分割模型進行訓練，以得到初始分割模型。
22、所述的氣道分割模型的訓練方法，其中，所述基于所述局部不平衡損失項對所述初始分割模型進行訓練，以得到氣道分割模型之后，所述方法還包括：
23、對于所述目標訓練集中的每個訓練圖像，對所述訓練圖像進行隨機剪裁、小氣道分支剪裁和困難樣本剪裁中的一種剪裁操作，以得到第二訓練集；
24、將所述第二訓練集中的第二訓練圖像輸入所述氣道分割模型，通過所述氣道分割模型輸出第二預測分割圖像；
25、基于所述第二預測分割圖像和所述第二訓練圖像對應的真值分割數據確定dice損失項，并基于所述第二預測分割圖像構建局部不平衡損失項；
26、基于所述dice損失項和所述局部不平衡損失項訓練氣道分割模型。
27、本申請實施例第二方面提供了一種氣道分割方法，應用如上所述的氣道分割模型的訓練方法所訓練得到的氣道分割模型，所述的氣道分割方法具體包括：
28、對待分割氣道ct圖像進行frangi濾波，得到增強氣道ct圖像；
29、將待分割氣道ct圖像和增強氣道ct圖像進行拼接，以得到拼接圖像；
30、將所述拼接圖像輸入所述氣道分割模型，通過所述氣道分割模型輸出所述待分割氣道ct圖像對應的氣道分割圖。
31、本申請實施例第三方面提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有一個或者多個程序，所述一個或者多個程序可被一個或者多個處理器執行，以實現如上任一所述的氣道分割模型的訓練方法中的步驟。
32、本申請實施例第四方面提供了一種終端設備，其包括：處理器和存儲器；
33、所述存儲器上存儲有可被所述處理器執行的計算機可讀程序；
34、所述處理器執行所述計算機可讀程序時實現如上任一所述的氣道分割模型的訓練方法中的步驟。
35、有益效果：與現有技術相比，本申請實施例提供了一種氣道分割模型的訓練方法、氣道分割方法及設備，方法包括對初始訓練集中的各原始ct圖像進行frangi濾波，以得到各原始ct圖像對應的第一增強ct圖像；將各原始ct圖像及其第一增強ct圖像進行拼接，以得到目標訓練集；基于所述目標訓練集對初始分割模型進行訓練，以得到氣道分割模型。本申請實施例通過對原始ct圖像進行frangi濾波來提取管狀特征，然后將提取到的管狀特征與原始ct圖像共同作為輸入項，以輔助初始分割模型可以學習到小氣道分支的特征，提高了氣道樹中小氣道分支的分割效果，進而可以提高氣道分割模型的氣道分割性能。
本文檔來自技高網...【技術保護點】
1.一種氣道分割模型的訓練方法，其特征在于，所述的氣道分割模型的訓練方法具體包括：
2.根據權利要求1所述的氣道分割模型的訓練方法，其特征在于，所述初始分割模型為基于UNet3+網絡結構構建的雙通道3D-UNet3+網絡。
3.根據權利要求1所述的氣道分割模型的訓練方法，其特征在于，所述基于所述目標訓練集對初始分割模型進行訓練，以得到氣道分割模型具體包括：
4.根據權利要求3所述的氣道分割模型的訓練方法，其特征在于，所述對于預測分割圖像中的每個體素，獲取所述體素對應的局部前景率具體包括：
5.根據權利要求3所述的氣道分割模型的訓練方法，其特征在于，所述基于所述局部前景率確定所述體素對應的加權系數具體包括：
6.根據權利要求3所述的氣道分割模型的訓練方法，其特征在于，所述將所述目標訓練集中的訓練圖像輸入初始分割模型，通過所述初始分割模型確定所述訓練圖像對應的預測分割圖像之前，所述方法還包括：
7.根據權利要求3所述的氣道分割模型的訓練方法，其特征在于，所述基于所述局部不平衡損失項對所述初始分割模型進行訓練，以得
8.一種氣道分割方法，其特征在于，應用依據權利要求1-7任意一項所述的氣道分割模型的訓練方法所訓練得到的氣道分割模型，所述的氣道分割方法具體包括：
9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有一個或者多個程序，所述一個或者多個程序可被一個或者多個處理器執行，以實現如權利要求1-7任意一項所述的氣道分割模型的訓練方法中的步驟，和/或以實現如權利要求8所述的氣道分割方法中的步驟。
10.一種終端設備，其特征在于，包括：處理器和存儲器；
...【技術特征摘要】
1.一種氣道分割模型的訓練方法，其特征在于，所述的氣道分割模型的訓練方法具體包括：
2.根據權利要求1所述的氣道分割模型的訓練方法，其特征在于，所述初始分割模型為基于unet3+網絡結構構建的雙通道3d-unet3+網絡。
3.根據權利要求1所述的氣道分割模型的訓練方法，其特征在于，所述基于所述目標訓練集對初始分割模型進行訓練，以得到氣道分割模型具體包括：
4.根據權利要求3所述的氣道分割模型的訓練方法，其特征在于，所述對于預測分割圖像中的每個體素，獲取所述體素對應的局部前景率具體包括：
5.根據權利要求3所述的氣道分割模型的訓練方法，其特征在于，所述基于所述局部前景率確定所述體素對應的加權系數具體包括：
6.根據權利要求3所述的氣道分割模型的訓練方法，其特征在于，所述將所述目標訓練集中的訓練圖...
【專利技術屬性】
技術研發人員：史頌輝，涂世鵬，白曉淞，
申請(專利權)人：深圳英美達醫療技術有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。