醫學圖像分割模型的獲取方法、系統、電子設備和介質技術方案

本發明專利技術提供了一種醫學圖像分割模型的獲取方法、系統、血管醫學圖像的分割方法、電子設備和介質。醫學圖像分割模型獲取方法包括：獲取醫學圖像分割模型的第一訓練樣本，第一訓練樣本包括第一醫學訓練圖像以及與所述第一醫學訓練圖像對應的第一標簽圖像；獲取第一醫學訓練圖像中目標區域的形狀約束信息；根據第一醫學訓練圖像和目標區域的形狀約束信息，對初始化后的第一神經網絡模型進行訓練，直至滿足第一預設訓練結束條件，得到所述醫學圖像分割模型。本發明專利技術能夠提高醫學圖像的分割效率、分割精度以及分割結果的穩定性。割精度以及分割結果的穩定性。割精度以及分割結果的穩定性。

【技術實現步驟摘要】
醫學圖像分割模型的獲取方法、系統、電子設備和介質


[0001]本專利技術涉及醫學圖像處理
，特別涉及一種醫學圖像分割模型的獲取方法、系統、血管醫學圖像的分割方法、電子設備和介質。

技術介紹

[0002]腦血管疾病是全球死亡率最高的疾病，并且發病率和死亡率逐年上升，腦血管疾病嚴重威脅著人類的生命健康。有相關數據統計和研究發現，缺血性腦血管病在腦血管疾病中占據著很大的比例，而頭頸部血管的動脈粥樣硬化斑塊是發生缺血性腦血管病的重要病因之一。對血管壁和血管壁斑塊進行準確的分割，是進行后續狹窄分析，斑塊分析的基礎，是實現快速自動頭頸動脈粥樣硬化斑塊檢測的基礎，同時也對動脈粥樣硬化斑塊的治療有著指導意義。
[0003]目前相關研究主要集中于超聲圖像的頸動脈血管壁分割，但是由于超聲圖像本身的成像限制，能夠提供的臨床解剖信息有限。而磁共振血管壁序列相對而言在圖像上能提供更多的臨床解剖信息，在頸動脈動脈粥樣硬化疾病的診斷上得到越來越多的關注，但是基于磁共振序列實現自動準確的頭頸部血管壁分割和斑塊分割的方案在現有公開的資料并不多見。現有技術中基于磁共振序列進行血管醫學圖像分割的方法主要有以下幾種：
[0004]其中一種是采用手動或交互式的方式來實現管腔管壁和斑塊的分割，該方法由于需要人工參與，分割過程比較繁復，不僅效率低下，而且對操作人員的專業性要求較高，分割結果難以重復(穩定性差)。為了提高分割效率，另外兩種分別是結合形狀約束的主動輪廓方法以及在圖像信號中添加距離特征的方法，然而，對于弱邊界和不連續邊界，這兩種方法可能難以準確分割。還有一種是基于多模態配準的分割方法，首先對TOF(Time
?
of
?
Flight，飛行時間)序列進行自動分割，然后利用配準關系將TOF序列的分割結果配準到其他序列上作為先驗信息，從而實現其模態的自動分割，該方法過于依賴多模態之間的準確配準，分割的準確性依賴于多模態之間的配準程度，不易保證分割結果的穩定性。
[0005]需要說明的是，公開于該專利技術
技術介紹
部分的信息僅僅旨在加深對本專利技術一般
技術介紹
的理解，而不應當被視為承認或以任何形式暗示該信息構成已為本領域技術人員所公知的現有技術。

技術實現思路

[0006]本專利技術的目的在于針對現有技術中存在的在對磁共振血管圖像進管腔、管壁及斑塊等分割時效率低下、精度低等技術問題，提供一種醫學圖像分割模型的獲取方法、系統、血管醫學圖像的分割方法、電子設備和介質，以提高血管醫學圖像的分割效率、分割精度以及分割結果的穩定性。
[0007]為達到上述目的，本專利技術提供以下技術方案實現：一種醫學圖像分割模型的獲取方法，包括：
[0008]獲取醫學圖像分割模型的第一訓練樣本；所述第一訓練樣本包括第一醫學訓練圖
像以及與所述第一醫學訓練圖像對應的第一標簽圖像；
[0009]獲取所述第一醫學訓練圖像中目標區域的形狀約束信息；
[0010]根據所述第一醫學訓練圖像和所述目標區域的形狀約束信息，對初始化后的第一神經網絡模型進行訓練，直至滿足第一預設訓練結束條件，得到所述醫學圖像分割模型。
[0011]可選地，所述獲取所述第一醫學訓練圖像中目標區域的形狀約束信息，包括：
[0012]采用預訓練的第二神經網絡模型，獲取所述第一醫學訓練圖像中目標區域的形狀約束信息。
[0013]可選地，所述第一神經網絡模型包括StudentNet結構，所述第二神經網絡模型包括TeacherNet結構；所述TeacherNet結構通過對所述StudentNet結構的預測結果的形狀進行判斷以實現形狀約束信息的監督。
[0014]可選地，還包括通過以下步驟訓練得到所述第二神經網絡模型：
[0015]獲取第二訓練樣本；其中，所述第二訓練樣本包括第二醫學訓練圖像；
[0016]設置第二神經網絡模型的模型參數的初始值；以及
[0017]根據所述第二訓練樣本和所述第二神經網絡模型的模型參數的初始值對預先搭建的第二神經網絡模型進行訓練，直至滿足第二預設訓練結束條件。
[0018]可選地，所述獲取所述第一醫學訓練圖像中目標區域的形狀約束信息，包括：
[0019]對所述第一醫學訓練圖像進行圖像變換，獲取所述第一醫學訓練圖像中目標區域的形狀約束信息。
[0020]為了實現上述目的，本專利技術還提供了一種醫學圖像分割模型獲取系統，所述醫學圖像分割模型獲取系統包括：
[0021]醫學訓練圖像獲取單元，配置為獲取醫學圖像分割模型的第一訓練樣本；所述第一訓練樣本包括第一醫學訓練圖像以及與所述第一醫學訓練圖像對應的第一標簽圖像；
[0022]形狀約束信息獲取單元，配置為獲取所述第一醫學訓練圖像中目標區域的形狀約束信息；
[0023]醫學圖像分割模型獲取單元，配置為根據所述第一醫學訓練圖像和所述目標區域的形狀約束信息，對初始化后的第一神經網絡模型進行訓練，直至滿足第一預設訓練結束條件，得到所述醫學圖像分割模型。
[0024]為了實現上述目的，本專利技術還提供了一種血管醫學圖像的分割方法，所述分割方法，包括：
[0025]獲取待分割血管醫學圖像；
[0026]采用血管醫學圖像分割模型對所述待分割血管醫學圖像進行分割，以得到目標區域的分割醫學圖像；其中，所述血管醫學圖像分割模型采用如上述任一項所述的醫學圖像分割模型的獲取方法得到。
[0027]可選地，所述待分割血管醫學圖像包括T1增強圖像、T1圖像、T2圖像或質子密度圖像；
[0028]在采用血管醫學圖像分割模型對所述待分割血管醫學圖像進行分割之前，還包括：
[0029]對所述待分割血管醫學圖像進行預處理，以濾除所述待分割血管醫學圖像的噪聲。
[0030]為了實現上述目的，本專利技術還提供了一種電子設備，所述電子設備包括處理器和存儲器，所述存儲器上存儲有計算機程序，所述計算機程序被所述處理器執行時，實現上述任一項所述的醫學圖像分割模型的獲取方法和/或上述任一項所述的血管醫學圖像的分割方法。
[0031]為了實現上述目的，本專利技術還提供了一種可讀存儲介質，所述可讀存儲介質內存儲有計算機程序，所述計算機程序被處理器執行時，實現上述任一項所述的醫學圖像分割模型的獲取方法和/或上述任一項所述的血管醫學圖像的分割方法。
[0032]與現有技術相比，本專利技術提供的醫學圖像分割模型的獲取方法、系統、血管醫學圖像的分割方法、電子設備和介質具有以下優點：
[0033]本專利技術提供的醫學圖像分割模型的獲取方法，首先獲取醫學圖像分割模型的第一訓練樣本；所述第一訓練樣本包括第一醫學訓練圖像以及與所述第一醫學訓練圖像對應的第一標簽圖像；然后獲取所述第一醫學訓練圖像中目標區域的形狀約束信息；最后根據所述第一醫學訓練圖像和所述目標區域的形狀約束信息，對初始化后的第一神經網絡模型進行訓練，直至滿足第一預設訓練結束條件，得到所述醫學圖像分割模型。由此可見，本專利技術提供的醫學圖像分割模型的獲本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種醫學圖像分割模型的獲取方法，其特征在于，包括：獲取醫學圖像分割模型的第一訓練樣本；所述第一訓練樣本包括第一醫學訓練圖像以及與所述第一醫學訓練圖像對應的第一標簽圖像；獲取所述第一醫學訓練圖像中目標區域的形狀約束信息；根據所述第一醫學訓練圖像和所述目標區域的形狀約束信息，對初始化后的第一神經網絡模型進行訓練，直至滿足第一預設訓練結束條件，得到所述醫學圖像分割模型。2.根據權利要求1所述的醫學圖像分割模型的獲取方法，其特征在于，所述獲取所述第一醫學訓練圖像中目標區域的形狀約束信息，包括：采用預訓練的第二神經網絡模型，獲取所述第一醫學訓練圖像中目標區域的形狀約束信息。3.根據權利要求2所述的醫學圖像分割模型的獲取方法，其特征在于，所述第一神經網絡模型包括StudentNet結構，所述第二神經網絡模型包括TeacherNet結構；所述TeacherNet結構通過對所述StudentNet結構的預測結果的形狀進行判斷以實現形狀約束信息的監督。4.根據權利要求3所述的醫學圖像分割模型的獲取方法，其特征在于，還包括通過以下步驟訓練得到所述第二神經網絡模型：獲取第二訓練樣本；其中，所述第二訓練樣本包括第二醫學訓練圖像；設置第二神經網絡模型的模型參數的初始值；以及根據所述第二訓練樣本和所述第二神經網絡模型的模型參數的初始值對預先搭建的第二神經網絡模型進行訓練，直至滿足第二預設訓練結束條件。5.根據權利要求1所述的醫學圖像分割模型的獲取方法，其特征在于，所述獲取所述第一醫學訓練圖像中目標區域的形狀約束信息，包括：對所述第一醫學訓練圖像進行圖像變換，獲取所述第一醫學訓練圖像中目標區域的形狀約束信息。6.一種醫學圖像分割模型獲取系統，其特征在于，包括：醫學訓練圖像獲取單...

【專利技術屬性】
技術研發人員：楊雄，毛玉妃，蘇賽賽，李京東，
申請(專利權)人：上海聯影醫療科技股份有限公司，
類型：發明
國別省市：