图像处理装置、模型训练装置以及模型训练方法与流程

实施方式涉及图像处理装置、模型训练装置以及模型训练方法。

背景技术：

1、目前，能够利用ct装置、x射线摄影装置、磁共振装置等图像采集装置对被检体进行摄像来采集被检体的医用图像，通过对医用图像进行分割处理来提取出血管、器官等特定部位的数据从而更加有利于进行阅片。

2、对医用图像进行分割处理的现有分割算法一般是基于像素阈值进行分割的传统分割算法、深度学习算法或者将这两种算法结合而成的算法。

3、基于深度学习的大多数算法只针对基本相同的几何结构来分割或者不同的结构使用不同的标签(label)，如分割肺血管时只分割肺内血管，而不考虑血管粗细及肺外血管主干等。

4、但是，现有这些分割方法在针对一些复杂结构时无法保证分割精度，例如在对肺血管进行分割时，肺血管在肺的不同部位体现出不同的结构特点，例如，根部的血管较粗且不同血管间缠绕关系复杂，另一方面，末梢的血管却较细且不同血管间距离相对较远，同时，肺部图像中的其他结构例如肺门、心房等并非管状的结构掺杂在一起且体积较大，这种分割对象的形态上的差异都会降低血管分割算法的效率和精度。

5、针对肺血管这类的复杂管状结构的分割，还提出过先提取肺血管的中心线，基于中心线进行神经网络的学习以及分割的方法。具体来说，该方法中，先对医用图像粗分割，划分出包括指定血管的感兴趣区域之后，获得感兴趣区域中的血管的中心线，然后沿中心线走向，获取中心线上的多个采样点处垂直于中心线的二维切片数据，针对该二维切片数据，使用通过神经网络学习而得到的预测模型进行肺血管分割并输出分割结果(参照专利文献1：cn107563983b)。

6、但是，在这种利用中心线进行血管分割的技术中，同样并不区分分割对象的几何学的结构，而是仅将中心线用于采样点的确定，血管分割算法的效率和精度并不高。

技术实现思路

1、本发明就是鉴于以上问题而完成的，其目的在于提供一种自适应地进行结构感知从而能够提高医用图像的分割处理的精度的图像处理装置、模型训练装置以及模型训练方法。

2、本发明的一个技术方案是一种模型训练装置，用于训练医用图像的分割模型，具备：取得部，取得包括管状物分割结果的样本医用图像作为训练数据；中心线提取部，提取所述样本医用图像中的管状物的中心线；膨胀部，对所述中心线提取部提取的中心线进行膨胀，得到膨胀后的中心线；损失函数设定部，设定将包含所述膨胀后的中心线的像素矩阵作为权重矩阵的损失函数；以及学习部，使用所述损失函数设定部设定的所述损失函数，对所述训练数据进行学习，从而输出用于分割所述医用图像中的所述管状物的分割模型。

3、本发明的另一技术方案是模型训练方法，用于训练医用图像的分割模型，包括：取得步骤，取得包括管状物分割结果的样本医用图像作为训练数据；中心线提取步骤，提取所述样本医用图像中的管状物的中心线；膨胀步骤，对所述中心线提取步骤提取的中心线进行膨胀，得到膨胀后的中心线；损失函数设定步骤，设定将包含所述膨胀后的中心线的像素矩阵作为权重矩阵的损失函数；以及学习步骤，使用所述损失函数设定步骤设定的所述损失函数，对所述训练数据进行学习，从而输出用于分割所述医用图像中的所述管状物的分割模型。

4、根据本发明的以上模型训练装置和模型训练方法，通过在损失函数中应用包括膨胀后的中心线在内的权重矩阵，能够自适应地进行结构感知，从而在血管较粗、排布紧密的根部，使得血管拓扑结构正确，连接性提升，提高分割模型的分割精度。

5、本发明的另一个技术方案是一种模型训练装置，用于训练医用图像的分割模型，具备：取得部，取得包括管状物分割结果的样本医用图像作为训练数据；子区域划分部，识别所述样本医用图像中的几何结构特征的差异，基于所述几何结构特征的差异将所述样本医用图像划分为多个子区域；损失函数设定部，设定如下损失函数，该损失函数中，以对每个子区域使用各自的权重矩阵的方式进行损失函数的计算，其中，针对某个子区域，将包含该子区域中的所述管状物分割结果的像素矩阵作为该子区域的权重矩阵，对不同子区域中的管状物分割结果的像素赋予不同的值来构成权重矩阵；以及学习部，使用所述损失函数设定部设定的所述损失函数，对所述训练数据进行学习，从而输出用于分割所述医用图像中的所述管状物的分割模型。

6、此外，本发明的另一个技术方案是一种模型训练方法，用于训练医用图像的分割模型，具备：取得步骤，取得包括管状物分割结果的样本医用图像作为训练数据；子区域划分步骤，识别所述样本医用图像中的几何结构特征的差异，基于所述几何结构特征的差异将所述样本医用图像划分为多个子区域；损失函数设定步骤，设定如下损失函数，该损失函数中，以对每个子区域使用各自的权重矩阵的方式进行损失函数的计算，其中，针对某个子区域，将包含该子区域中的所述管状物分割结果的像素矩阵作为该子区域的权重矩阵，对不同子区域中的管状物分割结果的像素赋予不同的值来构成权重矩阵；以及学习步骤，使用所述损失函数设定步骤设定的所述损失函数，对所述训练数据进行学习，从而输出用于分割所述医用图像中的所述管状物的分割模型。

7、根据以上技术方案，能够按照不同区域的特点设定损失函数，同样能够自适应地进行结构感知，能够提高分割模型的分割精度。

8、本发明的另一个技术方案是一种图像处理装置，具备：医用图像取得部，取得被检体的医用图像；以及分割部，使用由模型训练装置生成的分割模型，对所述医用图像取得部取得的所述医用图像进行分割。

9、根据以上技术方案，能够应用能够自适应地进行结构感知的分割模型，从而能够提高医用图像分割处理的分割精度。

技术特征：

1.一种模型训练装置，用于训练医用图像的分割模型，其特征在于，具备：

2.如权利要求1所述的模型训练装置，其特征在于，

3.如权利要求1所述的模型训练装置，其特征在于，

4.如权利要求3所述的模型训练装置，其特征在于，

5.如权利要求1所述的模型训练装置，其特征在于，

6.如权利要求1所述的模型训练装置，其特征在于，

7.如权利要求3所述的模型训练装置，其特征在于，

8.如权利要求3所述的模型训练装置，其特征在于，

9.一种模型训练装置，用于训练医用图像的分割模型，其特征在于，具备：

10.如权利要求9所述的模型训练装置，其特征在于，

11.如权利要求10所述的模型训练装置，其特征在于，

12.一种图像处理装置，其特征在于，具备：

13.一种模型训练方法，用于训练医用图像的分割模型，其特征在于，包括：

14.一种模型训练方法，用于训练医用图像的分割模型，其特征在于，具备：

技术总结
本发明提供自适应地进行结构感知从而能够提高医用图像的分割处理的精度的图像处理装置、模型训练装置以及模型训练方法。实施方式的模型训练装置用于训练医用图像的分割模型，具备：取得部，取得包括管状物分割结果的样本医用图像作为训练数据；中心线提取部，提取所述样本医用图像中的管状物的中心线；膨胀部，对所述中心线提取部提取的中心线进行膨胀，得到膨胀后的中心线；损失函数设定部，设定将包含所述膨胀后的中心线的像素矩阵作为权重矩阵的损失函数；以及学习部，使用所述损失函数设定部设定的所述损失函数，对所述训练数据进行学习，从而输出用于分割所述医用图像中的所述管状物的分割模型。

技术研发人员：王扶月,王艳华,肖其林
受保护的技术使用者：佳能医疗系统株式会社
技术研发日：
技术公布日：2024/1/11