[发明专利]图像分割模型的训练方法及装置，分割方法及装置，设备

说明书

本申请公开了一种图像分割模型的训练方法及装置，分割方法及装置，设备。该训练方法包括：通过对医学样本图像上的目标物体的原始标签进行形态学操作，获得所述目标物体的新标签，其中，所述目标物体的新标签仅包括正确标注的标签；基于所述目标物体的新标签，训练所述图像分割模型。通过该图像分割模型对医学样本图像上的目标物体进行分割，能够提高目标物体的分割的准确率。

技术领域

本申请涉及深度学习技术领域，具体涉及一种图像分割模型的训练方法及装置，分割方法及装置，设备。

背景技术

图像分割在影像学诊断中大有用处，但是现有的图像分割的结果并不理想。例如，肺血管特别是肺动脉，大多伴行于气管，由于气管壁较薄，且在平扫CT中，气管壁的HU(Hounsfield Unit)值与肺血管的HU值相近，因此，在肺血管分割过程中，经常会将气管壁错误分割为肺血管，从而导致在两根肺血管中间形成通路(即，气管壁假阳)，降低了肺血管分割的准确率。

发明内容

有鉴于此，本申请的实施例致力于提供一种图像分割模型的训练方法及装置，分割方法及装置，设备，能够提高医学图像上的目标物体的分割的准确率。

根据本申请实施例的第一方面，提供了一种图像分割模型的训练方法，包括：通过对医学样本图像上的目标物体的原始标签进行形态学操作，获得所述目标物体的新标签，其中，所述目标物体的新标签仅包括正确标注的标签；基于所述目标物体的新标签，训练所述图像分割模型。

在一实施例中，所述目标物体包括背景、血管、气管以及气管壁，其中，所述通过对医学样本图像上的目标物体的原始标签进行形态学操作，获得所述目标物体的新标签，包括：对所述气管的原始标签进行第一膨胀操作，以获得所述气管相关的新标签，其中，所述气管相关的新标签包括所述气管的原始标签和所述气管壁的新标签；对所述气管的原始标签进行第二膨胀操作，以获得所述气管相关的辅助标签，并将所述气管相关的辅助标签被所述气管相关的新标签进行差集操作，以获得不确定为所述气管壁还是所述血管的不确定标签，其中，所述第一膨胀操作的膨胀系数小于所述第二膨胀操作的膨胀系数；将所述血管的原始标签被所述不确定标签进行所述差集操作，以得到所述血管的新标签；将所述背景的原始标签被所述不确定标签进行所述差集操作，以得到所述背景的新标签。

在一实施例中，所述基于所述目标物体的新标签，训练所述图像分割模型，包括：通过神经网络中的第一分支子网络，获取所述血管和所述背景的第一分割结果，并根据所述第一分割结果、所述背景的新标签以及所述血管的新标签，获取所述第一分支子网络的损失函数值；通过所述神经网络中的第二分支子网络，获取所述气管、所述气管壁以及所述背景的第二分割结果，并根据所述第二分割结果、所述背景的新标签以及所述气管相关的新标签，获取所述第二分支子网络的损失函数值；根据所述第一分支子网络的损失函数值和所述第二分支子网络的损失函数值，更新所述神经网络中的参数，以获得所述图像分割模型。

在一实施例中，所述训练方法还包括：通过所述神经网络中的第三分支子网络，获取所述气管、所述气管壁以及所述血管的分类结果，并根据所述分类结果、所述血管的新标签和所述气管相关的新标签，获取所述第三分支子网络的损失函数值，其中，所述根据所述第一分支子网络的损失函数值和所述第二分支子网络的损失函数值，更新所述神经网络中的参数，以获得所述图像分割模型，包括：根据所述第一分支子网络的损失函数值、所述第二分支子网络的损失函数值以及所述第三分支子网络的损失函数值，更新所述神经网络中的参数，以获得所述图像分割模型。