动脉瘤分割模型的训练方法、动脉瘤区域分割方法及产品与流程

本披露一般涉及人工智能。更具体地，本披露涉及一种动脉瘤分割模型的训练方法、动脉瘤区域分割方法及产品。

背景技术：

1、动脉瘤是由于动脉壁的病变或损伤，形成动脉壁局限性或弥漫性扩张或膨出的表现。动脉瘤具有大小范围较宽、位置不定以及形态各异的特点，其直径可小至两毫米，大至几十毫米，并且其发生位置可能出现在全脑血管的任意地方。另外在形态上，动脉瘤具有囊形以及带有子囊等形态，因此十分难以辨认，导致漏诊可能性大幅增加。

2、鉴于动脉瘤的大小范围较宽、位置不定以及形态各异的特点，仅凭肉眼难以将其从医疗影像背景中区分出来，容易造成误检、漏检，影响筛查结果的准确性。另外，在大型医院以及体检场景下，放射科医生或者体检医生需要对大量病患及其医学图像进行检查，人工精力有限且检查工作繁重，极易出现误检漏检的情况。

3、有鉴于此，亟需提供一种动脉瘤分割方案，以提供能够快速准确地从图像中分割出动脉瘤区域的动脉瘤分割模型，辅助医生完成动脉瘤筛查。

技术实现思路

1、为了至少解决如上所提到的一个或多个技术问题，本披露在多个方面中提出了动脉瘤分割方案。

2、在第一方面中，本披露提供一种动脉瘤分割模型的训练方法包括：提取初步分割模型输出的预测动脉瘤区域的边界像素点；根据预测动脉瘤区域的边界像素点计算初步分割模型的混合损失函数，混合损失函数包括：添加了边界约束的dice损失函数和单独对边界像素点计算的交叉熵损失函数；以及响应于混合损失函数收敛，确定初步分割模型为训练好的动脉瘤分割模型。

3、在一些实施例中，混合损失函数loss如下：其中，ω表示像素点的权重，r表示边界像素点的集合，p表示预测动脉瘤区域的概率值，g表示动脉瘤区域的标注信息，c表示类别数量，n表示像素点个数。

4、在一些实施例中，其中在提取初步分割模型输出的预测动脉瘤区域的边界像素点之前，该方法还包括：利用样本图像集训练初步分割模型，样本图像集标注有动脉瘤区域标签；利用训练好的初步分割模型处理原始图像集，以得到标注有动脉瘤区域伪标签的伪样本图像集；修正伪样本图像集中的动脉瘤区域伪标签，以得到更新后的样本图像集；以及返回利用样本图像集训练初步分割模型的步骤，直至满足迭代结束条件。

5、在一些实施例中，其中在利用样本图像集训练初步分割模型之前，该方法还包括：对原始图像进行灰度归一化处理和/或重采样处理；以及在处理后的原始图像上标注动脉瘤区域标签，以形成样本图像集。

6、在一些实施例中，其中在利用样本图像集训练初步分割模型之前，该方法还包括：对原始图像进行数据增强操作；以及在增强后的原始图像上标注动脉瘤区域标签，以形成样本图像集。

7、在一些实施例中，其中在利用样本图像集训练初步分割模型之前，该方法还包括：将原始图像裁剪成预设尺寸的图像块；以及在图像块上标注动脉瘤区域标签，以形成样本图像集。

8、在第二方面中，本披露提供一种动脉瘤区域分割方法包括：将三维医疗影像输入至训练好的动脉瘤分割模型，以获得动脉瘤分割模型输出的动脉瘤区域，动脉瘤分割模型通过执行如第一方面中任一项的训练方法进行训练；以及剔除动脉瘤区域中满足预设条件的连通域，预设条件包括：连通域中的像素点数量小于预设数量阈值。

9、在一些实施例中，其中动脉瘤分割模型的输出结果还包括动脉瘤区域的概率图，概率图包括动脉瘤区域中每一像素点的概率值；该方法还包括：剔除动脉瘤区域中满足预设条件的像素点，预设条件还包括：像素点的概率值小于预设概率阈值。

10、在第三方面中，本披露提供一种电子设备包括：处理器；以及存储器，其存储有可执行的程序指令，当程序指令由处理器执行时，使得设备实现根据第一方面或第二方面任意一项的方法。

11、在第四方面中，本披露提供一种计算机可读存储介质，其上存储有计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现如第一方面或第二方面任意一项的方法。

12、通过如上所提供的动脉瘤分割模型的训练方法，本披露实施例通过提取动脉瘤区域的边界像素点，并利用这些提取到的边界像素点设计一种混合损失函数对动脉瘤分割模型进行优化。该混合损失函数包括添加了边界约束的dice损失函数和单独对边界像素点计算的交叉熵损失函数，能够有针对性地对动脉瘤分割模型的预测动脉瘤区域进行评估，并以此评估动脉瘤分割模型的分割性能，进而得到高精度和高泛化性的动脉瘤分割模型。利用该动脉瘤分割模型对临床图像数据中的动脉瘤进行自动化智能筛查，自动完成动脉瘤分割以辅助医生进诊断，加快诊断效率，降低误诊率和漏诊率。

技术特征：

1.一种动脉瘤分割模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的训练方法，其特征在于，所述混合损失函数loss如下：

3.根据权利要求1所述的训练方法，其特征在于，其中在提取初步分割模型输出的预测动脉瘤区域的边界像素点之前，所述方法还包括：

4.根据权利要求3所述的训练方法，其特征在于，其中在利用样本图像集训练初步分割模型之前，所述方法还包括：

5.根据权利要求3所述的训练方法，其特征在于，其中在利用样本图像集训练初步分割模型之前，所述方法还包括：

6.根据权利要求3所述的训练方法，其特征在于，其中在利用样本图像集训练初步分割模型之前，所述方法还包括：

7.一种动脉瘤区域分割方法，其特征在于，包括：

8.根据权利要求7所述的动脉瘤区域分割方法，其特征在于，其中所述动脉瘤分割模型的输出结果还包括动脉瘤区域的概率图，所述概率图包括所述动脉瘤区域中每一像素点为动脉瘤区域像素点的概率值；

9.一种电子设备，其特征在于，包括：

10.一种计算机可读存储介质，其上存储有计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现如权利要求1-8任意一项所述的方法。

技术总结
本披露公开了一种动脉瘤分割模型的训练方法、动脉瘤区域分割方法及产品。该训练方法包括：提取初步分割模型输出的预测动脉瘤区域的边界像素点；根据预测动脉瘤区域的边界像素点计算初步分割模型的混合损失函数，混合损失函数包括：添加了边界约束的Dice损失函数和单独对边界像素点计算的交叉熵损失函数；以及响应于混合损失函数收敛，确定初步分割模型为训练好的动脉瘤分割模型。通过本披露实施例的方案，能够利用包括添加了边界约束的dice损失函数和单独对边界像素点计算的交叉熵损失函数在内的混合损失函数对动脉瘤分割模型进行优化，有针对性地对动脉瘤分割模型的性能进行评估，进而得到高精度和高泛化性的动脉瘤分割模型。

技术研发人员：杨光明,林付梁,方刚,秦岚,印胤
受保护的技术使用者：强联智创（北京）科技有限公司
技术研发日：
技术公布日：2024/4/24