技术特征：
1.一种脑区的图像处理方法，所述方法包括：获取目标对象对应的目标年龄及目标脑部三维图像；根据所述目标年龄，从预设的模型库中获取脑区图像预测模型，作为目标预测模型，其中，所述脑区图像预测模型是根据初始模型得到的模型，所述初始模型是改进的unet模型；将所述目标脑部三维图像输入所述目标预测模型进行脑区掩膜预测，得到目标脑区掩膜集。2.根据权利要求1所述的脑区的图像处理方法，其特征在于，所述根据所述目标年龄，从预设的模型库中获取脑区图像预测模型，作为目标预测模型的步骤之前，还包括：对所述unet模型的在下采样后的第一次卷积时的通道数翻倍进行关闭处理，得到第一模型；在所述第一模型的在下采样或上采样前的卷积中添加通道数翻倍，得到第二模型；将所述第二模型的反卷积操作的通道数调整为保持不变，得到第三模型；将所述第三模型中的batch normalization替换成instance norm，得到第四模型；将所述第四模型中的relu激活函数替换成leaky relu激活函数，得到脑区图像预测单元；将预设的预处理单元和所述脑区图像预测单元依次拼接，得到所述初始模型。3.根据权利要求2所述的脑区的图像处理方法，其特征在于，所述根据所述目标年龄，从预设的模型库中获取脑区图像预测模型，作为目标预测模型的步骤之前，还包括：获取所述初始模型、待训练年龄段对应的多个训练样本及多个测试样本，其中，所述训练样本和所述测试样本均是根据未被增强处理过的头部三维图像生成的样本；将所述初始模型作为待训练模型；采用各个所述训练样本，对所述待训练模型进行脑区掩膜预测的训练，并将达到预设的训练结束条件的所述待训练模型作为待测试模型；采样各个所述测试样本，对所述待测试模型进行验证，得到验证结果；若所述验证结果为不通过，则将所述待测试模型作为所述待训练模型，重复执行采用各个所述训练样本，对所述待训练模型进行脑区掩膜预测的训练，并将训练结束的所述待训练模型作为待测试模型的步骤，直至所述验证结果为通过；若所述验证结果为通过，则将所述待测试模型中的所述脑区图像预测单元作为所述待训练年龄段对应的所述脑区图像预测模型；将所述待训练年龄段和所述待训练年龄段对应的所述脑区图像预测模型作为关联数据更新所述模型库。4.根据权利要求3所述的脑区的图像处理方法，其特征在于，所述采样各个所述测试样本，对所述待测试模型进行验证，得到验证结果的步骤，包括：将每个测试样本中的头部三维图像样本输入所述待测试模型进行脑区掩膜预测，得到待分析脑区掩膜集；根据同一个所述测试样本对应的脑区掩膜标签集和所述待分析脑区掩膜集进行各个脑区的dice值计算，得到单脑区dice值集；若各个所述单脑区dice值集中的每个单脑区dice值均大于预设的单项阈值，并且，各个所述单脑区dice值集的平均值大于预设的平均阈值，则确定所述验证结果为通过，否则，
则确定所述验证结果为不通过。5.根据权利要求3所述的脑区的图像处理方法，其特征在于，所述获取所述初始模型、待训练年龄段对应的多个训练样本及多个测试样本的步骤之前，还包括：获取所述待训练年龄段对应的多个待处理头部三维图像；将各个所述待处理头部三维图像中的任一个所述待处理头部三维图像作为待分析图像；将所述待分析图像输入预设的脑影像分析工具进行脑区掩膜预测，得到待评估脑区掩膜集；判断所述待评估脑区掩膜集中是否存在脑区掩膜欠分割；若不存在，则将所述待分析图像作为初始样本的头部三维图像样本，根据预设的脑区剔除配置，对所述待评估脑区掩膜集进行脑区掩膜的剔除处理，根据预设的脑区融合配置，对剔除处理之后的所述待评估脑区掩膜集进行脑区掩膜的融合处理，得到所述初始样本的脑区掩膜标签集；若存在，则将所述待分析图像进行丢弃处理；按预设的划分比例，对各个所述初始样本进行划分，得到所述待训练年龄段对应的多个所述训练样本及多个所述测试样本。6.根据权利要求5所述的脑区的图像处理方法，其特征在于，所述根据预设的脑区融合配置，对剔除处理之后的所述待评估脑区掩膜集进行脑区掩膜的融合处理，得到所述初始样本的脑区掩膜标签集的步骤，包括：将剔除处理之后的所述待评估脑区掩膜集中的与所述脑区融合配置中的每个左右合并脑区集对应的各个所述脑区掩膜合并成一个所述脑区掩膜，其中，所述左右合并脑区集包括同一类脑区对应的左子脑区及右子脑区；将所述待评估脑区掩膜集中的与所述脑区融合配置中的每个分段合并脑区集对应的各个所述脑区掩膜合并成一个所述脑区掩膜，其中，所述分段合并脑区集包括同一类脑区的各个分段子脑区；将所述待评估脑区掩膜集作为所述初始样本的所述脑区掩膜标签集。7.根据权利要求5所述的脑区的图像处理方法，其特征在于，所述采用各个所述训练样本，对所述待训练模型进行脑区掩膜预测的训练的步骤，包括：将各个所述训练样本中的任一个所述训练样本作为待训练样本；采用所述待训练模型的所述预处理单元，对所述待训练样本中的头部三维图像样本分别进行nii格式转换、脑部图像裁剪、预设的采样分辨率的重采样、体素值的归一化处理、数据增强处理，得到预处理后图像样本，其中，所述采样分辨率为所述脑影像分析工具的输出分辨率，其中，所述数据增强处理包括：旋转、翻转、缩放、对比度变换、伽马校正中的一种操作或多种操作的组合；将所述预处理后图像样本输入所述待训练模型的所述脑区图像预测单元中进行脑区掩膜预测，得到脑区掩膜训练集；根据所述脑区掩膜训练集和所述待训练样本的所述脑区掩膜标签集进行损失值计算；根据所述损失值更新所述待训练模型的所述脑区图像预测单元的网络参数；重复执行所述将各个所述训练样本中的任一个所述训练样本作为待训练样本的步骤，
直至达到所述训练结束条件；其中，所述待训练模型的所述脑区图像预测单元依次包括：n+1个编码子单元、n个解码子单元和分类层，n+1个所述编码子单元串联设置，n个所述解码子单元串联设置，n是大于2的整数；第1至第n个所述编码子单元均依次包括：两个串联设置的编码层和尺寸为2
×
2的最大池化层，所述编码层依次包括：卷积核为3
×
3的卷积层、instance norm层和采用leaky relu激活函数的激活层，第n+1个所述编码子单元均包括：两个串联设置的所述编码层，其中，所述卷积层在卷积操作时将通道数翻倍；所述解码子单元依次包括：反卷积层、特征融合层和两个串联设置的解码层，所述解码层依次包括：卷积核为3
×
3的卷积层、instance norm层和采用leaky relu激活函数的激活层，其中，所述反卷积层在反卷积操作时通道数保持不变；所述分类层依次包括：卷积核为1
×
1的卷积层、instance norm层和采用leaky relu激活函数的激活层；第n+1个所述编码子单元的输出作为第1个所述解码子单元的输入，第n+1-i个所述编码子单元的最后一个所述编码层的输出作为第i个所述解码子单元的所述特征融合层的输入，i为大于0的整数，i小于n+1。8.一种脑区的图像处理方法装置，其特征在于，所述装置包括：数据获取模块，用于获取目标对象对应的目标年龄及目标脑部三维图像；目标预测模型确定模块，用于根据所述目标年龄，从预设的模型库中获取脑区图像预测模型，作为目标预测模型，其中，所述脑区图像预测模型是根据初始模型得到的模型，所述初始模型是改进的unet模型；目标脑区掩膜集确定模块，用于将所述目标脑部三维图像输入所述目标预测模型进行脑区掩膜预测，得到目标脑区掩膜集。9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
技术总结
本发明实施例公开了一种脑区的图像处理方法、装置、计算机设备及存储介质，其中方法包括：获取目标对象对应的目标年龄及目标脑部三维图像；根据所述目标年龄，从预设的模型库中获取脑区图像预测模型，作为目标预测模型，其中，所述脑区图像预测模型是根据初始模型得到的模型，所述初始模型是改进的Unet模型；将所述目标脑部三维图像输入所述目标预测模型进行脑区掩膜预测，得到目标脑区掩膜集。根据改进的Unet模型得到的模型进行脑区掩膜预测，从而提高了预测的准确性。而提高了预测的准确性。而提高了预测的准确性。
技术研发人员：王思伦 邱湘哲
受保护的技术使用者：深圳市铱硙医疗科技有限公司
技术研发日：2022.09.23
技术公布日：2022/12/19