医学图像分割方法、模型训练方法、装置及电子设备

本技术涉及但不限于图像处理，尤其涉及一种医学图像分割方法、模型训练方法、装置及电子设备。

背景技术：

1、相关技术中，通常将医学图像输入单器官的分割模型，基于分割模型分割出特定的器官，现有的分割模型无法分割出多种器官及肿瘤，而且，当肿瘤周边的器官受到挤压而发生形变时，无法精确分割出发生形变的器官，医学图像的分割效果较差。

技术实现思路

1、以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

2、本技术实施例提供了一种医学图像分割方法、模型训练方法、装置及电子设备，能够在医学图像中分割出多种器官及肿瘤，也可对肿瘤周边发生形变的器官进行精准的分割，医学图像的分割效果较好。

3、为实现上述目的，本技术实施例的第一方面提出了一种医学图像分割方法，包括：获取第一医学图像和第二医学图像，其中，所述第二医学图像中各个像素均标注有属于多个关键部位的标签概率，所述关键部位包括器官和肿瘤；基于教师模型对所述第一医学图像进行语义分割，确定所述第一医学图像中各个像素的伪标签预测概率；基于学生模型对所述第一医学图像进行语义分割，确定所述第一医学图像中各个像素的第一预测概率，以及对所述第二医学图像进行语义分割，确定所述第二医学图像中各个像素的第二预测概率，其中，所述学生模型的参数量小于所述教师模型的参数量；根据所述第一预测概率和对应的所述伪标签预测概率确定第一模型损失，根据所述第二预测概率和对应的所述标签概率确定第二模型损失；根据所述第一模型损失和所述第二模型损失训练所述学生模型，以及基于所述学生模型调整所述教师模型的模型参数；获取目标医学图像，基于训练后的所述学生模型对所述目标医学图像进行语义分割，确定所述目标医学图像的语义分割结果。

4、在一些实施例中，所述学生模型包括第一学生主干网络、第二学生主干网络和多个学生支路网络，所述第二学生主干网络与所述第一学生主干网络之间参数共享，所述基于学生模型对所述第一医学图像进行语义分割，确定所述第一医学图像中各个像素的第一预测概率，以及对所述第二医学图像进行语义分割，确定所述第二医学图像中各个像素的第二预测概率，包括：基于所述第一学生主干网络和多个所述学生支路网络，对所述第一医学图像进行语义分割，确定所述第一医学图像中各个像素的第一预测概率；基于所述第二学生主干网络和多个所述学生支路网络，对所述第二医学图像进行语义分割，确定所述第二医学图像中各个像素的第二预测概率。

5、在一些实施例中，所述基于所述第一学生主干网络和多个所述学生支路网络，对所述第一医学图像进行语义分割，确定所述第一医学图像中各个像素的第一预测概率，包括：基于所述第一学生主干网络对所述第一医学图像进行语义分割，确定所述第一医学图像中各个像素的第一对象标签，其中，所述第一对象标签用于指示像素所属的所述关键部位；基于预设的第一映射关系和所述第一对象标签，将所述第一医学图像裁剪为多个第一区域图像，其中，所述第一映射关系用于指示各个所述关键部位所位于的区域位置，所述第一区域图像包括至少一个位于相同所述区域位置的所述关键部位；基于所述学生支路网络和所述区域位置之间的第二映射关系，将各个所述第一区域图像分别输入对应的所述学生支路网络；基于所述学生支路网络对所述第一区域图像进行语义分割，确定所述第一区域图像中各个像素属于对应的目标关键部位的第一预测概率，其中，任意两个所述学生支路网络分别对应不同的目标关键部位。

6、在一些实施例中，所述基于所述第二学生主干网络和多个所述学生支路网络，对所述第二医学图像进行语义分割，确定所述第二医学图像中各个像素的第二预测概率，包括：基于所述第二学生主干网络对所述第二医学图像进行语义分割，确定所述第二医学图像中各个像素的第二对象标签，其中，所述第二对象标签用于指示像素所属的所述关键部位；基于预设的第一映射关系和所述第二对象标签，将所述第二医学图像裁剪为多个第二区域图像，其中，所述第一映射关系用于指示各个所述关键部位所位于的区域位置，所述第二区域图像包括至少一个位于相同所述区域位置的所述关键部位；基于所述学生支路网络和所述区域位置之间的第二映射关系，将各个所述第二区域图像分别输入对应的所述学生支路网络；基于所述学生支路网络对所述第二区域图像进行语义分割，确定所述第二区域图像中各个像素属于对应的所述目标关键部位的第二预测概率，其中，任意两个所述学生支路网络分别对应不同的目标关键部位。

7、在一些实施例中，所述第二学生主干网络包括编码器、解码器和分类器，所述解码器的输入端与所述编码器的输出端连接，所述分类器的输入端与所述编码器的输出端连接，所述第二医学图像中各个像素均标注有标签位置，所述根据所述第一模型损失和所述第二模型损失训练所述学生模型，包括：基于所述编码器确定所述第二区域图像的图像特征；基于所述图像特征和所述分类器，确定所述第二区域图像中各个像素的预测位置；根据所述预测位置和对应的所述标签位置，确定第三模型损失；基于所述第一模型损失、所述第二模型损失和所述第三模型损失，确定总模型损失；根据所述总模型损失训练所述学生模型。

8、在一些实施例中，所述根据所述第二预测概率和对应的所述标签概率确定第二模型损失，包括：基于所述标签概率和对应的所述第二预测概率，计算出所述第二医学图像中各个像素的交叉熵损失；基于所述标签概率确定所述第二医学图像中各个像素所属的所述关键部位，得到所述第二医学图像中各个像素的真实部位；基于所述第二预测概率再次确定所述第二医学图像中各个像素所属的所述关键部位，得到所述第二医学图像中各个像素的预测部位；对所述第二医学图像中各个像素的所述真实部位和所述预测部位进行比较，将比较结果指示所述真实部位和所述预测部位相同的像素的总数量作为像素交集数量，以及将所述第二医学图像中所有像素的数量作为像素总数量；基于所述像素交集数量和所述像素总数量，确定所述第二医学图像的预测相似度；计算预设的目标数值与所述预测相似度之间的差值，得到相似度损失；基于所述交叉熵损失和所述相似度损失，确定第二模型损失。

9、为实现上述目的，本技术实施例的第二方面提出了一种模型训练方法，包括：获取第一医学图像和第二医学图像，其中，所述第二医学图像中各个像素均标注有属于多个关键部位的标签概率，所述关键部位包括器官和肿瘤；基于教师模型对所述第一医学图像进行语义分割，确定所述第一医学图像中各个像素的伪标签预测概率；基于学生模型对所述第一医学图像进行语义分割，确定所述第一医学图像中各个像素的第一预测概率，以及对所述第二医学图像进行语义分割，确定所述第二医学图像中各个像素的第二预测概率，其中，所述学生模型的参数量小于所述教师模型的参数量；根据所述第一预测概率和对应的所述伪标签预测概率确定第一模型损失，根据所述第二预测概率和对应的所述标签概率确定第二模型损失；根据所述第一模型损失和所述第二模型损失训练所述学生模型，以及基于所述学生模型调整所述教师模型的模型参数。

10、为实现上述目的，本技术实施例的第三方面提出了一种医学图像分割装置，包括：第一获取模块，用于获取第一医学图像和第二医学图像，其中，所述第二医学图像中各个像素均标注有属于多个关键部位的标签概率，所述关键部位包括器官和肿瘤；第一分割模块，用于基于教师模型对所述第一医学图像进行语义分割，确定所述第一医学图像中各个像素的伪标签预测概率；第二分割模块，用于基于学生模型对所述第一医学图像进行语义分割，确定所述第一医学图像中各个像素的第一预测概率，以及对所述第二医学图像进行语义分割，确定所述第二医学图像中各个像素的第二预测概率，其中，所述学生模型的参数量小于所述教师模型的参数量；第一确定模块，用于根据所述第一预测概率和对应的所述伪标签预测概率确定第一模型损失，根据所述第二预测概率和对应的所述标签概率确定第二模型损失；第一训练模块，用于根据所述第一模型损失和所述第二模型损失训练所述学生模型，以及基于所述学生模型调整所述教师模型的模型参数；第三分割模块，用于获取目标医学图像，基于训练后的所述学生模型对所述目标医学图像进行语义分割，确定所述目标医学图像的语义分割结果。

11、为实现上述目的，本技术实施例的第四方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的医学图像分割方法，或者实现上述第二方面所述的模型训练方法。

12、为实现上述目的，本技术实施例的第五方面提出了一种存储介质，所述存储介质为计算机可读存储介质，所述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实现上述第一方面所述的医学图像分割方法，或者实现上述第二方面所述的模型训练方法。

13、本技术实施例至少包括以下有益效果：通过将无标注的第一医学图像分别输入教师模型和学生模型，以及将带标注的第二医学图像输入学生模型，基于模型的语义分割，分别得到伪标签预测概率、第一预测概率和第二预测概率，通过伪标签预测概率和第一预测概率所确定的第一模型损失对学生模型进行训练，相当于利用教师模型指导学生模型进行训练，可以加快学生模型的收敛速度，还可以提高学生模型的泛化性能，提高学生模型语义分割的准确性，通过第二预测概率和标签概率所确定的第二模型损失对学生模型进行训练，可以提高学生模型语义分割的准确性，另外，在学生模型的半监督学习过程中调整教师模型的模型参数，可以进一步提高模型的学习效果，因此，训练后的学生模型能够提供多种关键部位的语义分割，能够在医学图像中分割出多种器官及肿瘤，也可对肿瘤周边发生形变的器官进行精准的分割，医学图像的分割效果较好。

14、本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。