[发明专利]重建模型训练方法、异常检测方法、装置、设备及介质

说明书

本发明实施例公开了一种重建模型训练方法、异常检测方法、装置、设备及介质。重建模型训练方法包括：获取至少一个正样本图像；对于任一正样本图像中的任一像素区域，确定当前像素区域在第一模态下的第一相关像素区域，以及当前像素区域在至少一个第二模态下的第二像素区域；获取任一正样本图像中的各像素区域的第一相关像素区域和第二像素区域的融合区域特征，并基于各所述像素区域的融合区域特征以及各所述像素区域在各个模态下的各模态区域图像，对当前图像重建模型进行迭代训练，直到满足迭代停止条件，得到训练后的目标图像重建模型。通过本发明实施例的技术方案，实现了提高医学图像中异常检测的准确性，从而降低医生漏诊异常疾病的可能性。

技术领域

本发明实施例涉及图像处理技术领域，尤其涉及一种重建模型训练方法、异常检测方法、装置、设备及介质。

背景技术

大脑是人体的重要组成，许多脑部异常的发现与评估依赖于对MRI的诊断分析，比如血栓，动脉瘤等。除了专家诊断之外，计算机辅助诊断技术也在脑部异常诊断中逐步发挥更大的作用，这主要依赖于深度学习技术的发展。

深度学习技术通过对大量影像数据的学习，可以模仿人类专家的诊断过程，给出辅助诊断意见，还可以通过检测、分割等技术实现进一步的病灶计数，病灶量化等。

但是，目前基于MRI的深度学习辅助脑部异常检测的方法主要受到（1）异常样本数据量不足；（2）疾病模式多样导致类别不平衡的影响；（3）异常样本类别有限等原因导致准确率较低，鲁棒性较差。因此，如何提高异常检测方法的准确率以及对多种疾病异常的鲁棒性，成为亟需解决的问题。

发明内容

本发明提供一种重建模型训练方法、异常检测方法、装置、设备及介质，利用图像重建作为间接任务，来解决因异常疾病的数据样本难以收集导致的异常检测方法准确性和鲁棒性受限的问题，从而实现降低医生误诊或者漏诊异常疾病的可能性。

第一方面，本发明实施例提供了一种图像重建模型训练方法，该方法包括：

获取至少一个正样本图像；

对于任一正样本图像中的任一像素区域，确定当前像素区域在第一模态下的第一相关像素区域，以及所述当前像素区域在至少一个第二模态下的第二像素区域；

获取任一正样本图像中的各像素区域的第一相关像素区域和第二像素区域的融合区域特征，并基于各所述像素区域的融合区域特征以及各所述像素区域在各个模态下的各模态区域图像，对当前图像重建模型进行迭代训练，直到满足迭代停止条件，得到训练后的目标图像重建模型。

可选的，在获取至少一个正样本图像之后，还包括：

基于所述正样本图像中像素点的像素数据确定所述正样本图像的有效图像区域；

基于预设划分条件，确定所述有效图像区域中的至少一个像素区域。

可选的，在确定当前像素区域在第一模态下的第一相关像素区域之前，还包括：

对于任一正样本图像，获取所述正样本图像在第一模态下的第一模态图像，以及所述正样本图像在至少一个第二模态下的第二模态图像；

基于预设配准规则对所述第一模态图像以及各所述第二模态图像进行配准；

获取所述正样本图像中的预设位置线条，并基于所述预设位置线条对所述第一模态图像以及各所述第二模态图像中的各图像内容进行位置校正。

可选的，在确定当前像素区域在第一模态下的第一相关像素区域之前，还包括：