医学影像分割模型的训练方法、装置、介质及电子设备与流程

本公开属于图像处理，尤其涉及一种医学影像分割模型的训练方法、医学影像分割模型的训练装置、计算机可读存储介质及电子设备。

背景技术：

1、脑血管分割是进行脑血管分析的关键环节，对于脑血管疾病的早期诊断和治疗具有重要意义。由于脑部血管形状复杂多变、脑部影像灰度动态变化等原因，人工方法进行分割难度大、耗时长。

2、随着深度学习技术的发展，基于深度学习技术的医疗图像分割得到了广泛应用。但是，用于训练模型的标注数据集通常难以获得，这使得训练的模型精度以及泛化性能较差。

技术实现思路

1、为克服相关技术中存在的问题，本公开提供一种医学影像分割模型的训练方法、医学影像分割模型的训练装置、计算机可读存储介质及电子设备。

2、根据本公开实施例的第一方面，提供一种医学影像分割模型的训练方法，所述方法包括：

3、获取目标医学影像，并对所述目标医学影像进行图像提取处理得到关键部分影像；

4、获取所述关键部分影像的第一标注数据，并利用所述关键部分影像和所述第一标注数据对待训练的医学影像分割模型进行初始训练得到预训练的医学影像分割模型；

5、获取所述目标医学影像的第二标注数据，并利用所述目标医学影像和所述第二标注数据对预训练的医学影像分割模型进行迁移训练得到训练好的医学影像分割模型。

6、可选地，所述获取目标医学影像，包括：

7、获取原始医学影像，并对所述原始医学影像进行阈值分割处理得到第一医学影像；

8、对所述第一医学影像进行形态学处理得到第二医学影像，并在所述原始医学影像中去除所述第二医学影像得到目标医学影像。

9、可选地，所述对所述原始医学影像进行阈值分割处理得到第一医学影像，包括：

10、获取所述原始医学影像的第一影像参数以及与所述第一影像参数对应的参数阈值，并对所述第一影像参数和所述参数阈值进行比较得到第一比较结果；

11、根据所述第一比较结果对所述原始医学影像进行阈值分割处理得到第一医学影像。

12、可选地，所述对所述目标医学影像进行图像提取处理得到关键部分影像，包括：

13、对所述目标医学影像进行图像提取处理得到第一区域影像；

14、对所述第一区域影像进行切割处理得到第二区域影像；

15、对所述第二区域影像进行连通域校验得到关键部分影像。

16、可选地，所述对所述目标医学影像进行图像提取处理得到第一区域影像，包括：

17、获取所述目标医学影像的影像层以及与所述目标医学影像对应的目标层；

18、在所述影像层中去除除所述目标层之外的其他层，以得到第一区域影像。

19、可选地，所述对所述第一区域影像进行切割处理得到第二区域影像，包括：

20、获取所述第一区域影像的第二影像参数，并对所述第二影像参数进行计算得到第三影像参数；

21、根据所述第三影像参数确定目标影像参数，并获取与所述目标影像参数对应的预设参数；

22、根据所述目标影像参数和所述预设参数在所述第一区域影像中进行切割处理得到第二区域影像。

23、可选地，所述对所述第二区域影像进行连通域校验得到关键部分影像，包括：

24、利用连通域标记算法确定所述第二区域影像中的连通域，并统计所述连通域的连通个数；

25、获取与所述连通个数对应的个数阈值，并对所述连通个数和所述个数阈值进行比较得到第二比较结果；

26、根据所述第二比较结果对所述第二区域影像进行连通域校验得到关键部分影像。

27、可选地，所述医学影像分割模型，包括：nnunet模型。

28、根据本公开实施例的第二方面，提供一种医学影像分割模型的训练装置，包括：

29、图像提取模块，被配置为获取目标医学影像，并对所述目标医学影像进行图像提取处理得到关键部分影像；

30、初始训练模块，被配置为获取所述关键部分影像的第一标注数据，并利用所述关键部分影像和所述第一标注数据对待训练的医学影像分割模型进行初始训练得到预训练的医学影像分割模型；

31、迁移训练模块，被配置为获取所述目标医学影像的第二标注数据，并利用所述目标医学影像和所述第二标注数据对预训练的医学影像分割模型进行迁移训练得到训练好的医学影像分割模型。

32、可选地，所述图像提取模块，被配置为：

33、获取原始医学影像，并对所述原始医学影像进行阈值分割处理得到第一医学影像；

34、对所述第一医学影像进行形态学处理得到第二医学影像，并在所述原始医学影像中去除所述第二医学影像得到目标医学影像。

35、可选地，所述图像提取模块，被配置为：

36、获取所述原始医学影像的第一影像参数以及与所述第一影像参数对应的参数阈值，并对所述第一影像参数和所述参数阈值进行比较得到第一比较结果；

37、根据所述第一比较结果对所述原始医学影像进行阈值分割处理得到第一医学影像。

38、可选地，所述图像提取模块，被配置为：

39、对所述目标医学影像进行图像提取处理得到第一区域影像；

40、对所述第一区域影像进行切割处理得到第二区域影像；

41、对所述第二区域影像进行连通域校验得到关键部分影像。

42、可选地，所述图像提取模块，被配置为：

43、获取所述目标医学影像的影像层以及与所述目标医学影像对应的目标层；

44、在所述影像层中去除除所述目标层之外的其他层，以得到第一区域影像。

45、可选地，所述图像提取模块，被配置为：

46、获取所述第一区域影像的第二影像参数，并对所述第二影像参数进行计算得到第三影像参数；

47、根据所述第三影像参数确定目标影像参数，并获取与所述目标影像参数对应的预设参数；

48、根据所述目标影像参数和所述预设参数在所述第一区域影像中进行切割处理得到第二区域影像。

49、可选地，所述图像提取模块，被配置为：

50、利用连通域标记算法确定所述第二区域影像中的连通域，并统计所述连通域的连通个数；

51、获取与所述连通个数对应的个数阈值，并对所述连通个数和所述个数阈值进行比较得到第二比较结果；

52、根据所述第二比较结果对所述第二区域影像进行连通域校验得到关键部分影像。

53、在本公开的一些实施例中，所述医学影像分割模型，包括：nnunet模型。

54、根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所提供的任一项的医学影像分割模型的训练方法的步骤。

55、根据本公开实施例的第四方面，提供一种电子设备，包括：

56、处理器；

57、用于存储处理器可执行指令的存储器；

58、其中，所述处理器被配置为：执行所述可执行指令以实现本公开第一方面所提供的任一项的医学影像分割模型的训练方法的步骤。

59、本公开的实施例提供的技术方案可以包括以下有益效果：

60、在本公开的示例性实施例提供的方法及装置中，通过对图像提取处理得到的关键部分影像的预训练和对目标医学影像的迁移训练能够得到训练好的医学影像分割模型，解决了标注数据集难以获得的问题，降低了人工标注的技术难度和时间成本，提高了医学影像分割模型的训练效率，优化了少量数据集训练医学影像分割模型的分割效果，也有效提升了医学影像分割模型的推理准确性和泛化性能，为脑血管疾病的诊断和治疗做出了巨大的贡献。

61、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。