[发明专利]模型生成方法、医学图像分割方法、装置、设备及介质

说明书

本发明实施例公开了一种模型生成方法、医学图像分割方法、装置、设备及介质。该模型生成方法包括：获取样本胸部的样本图像、样本图像中已知肺部的肺部掩膜图像、以及肺部掩膜图像的形状先验知识；将样本图像、肺部掩膜图像和形状先验知识作为一组训练样本，基于多组训练样本对原始分割模型进行训练，生成肺部分割模型；其中，原始分割模型包括特征提取网络，以及与特征提取网络分别连接的图像分割网络和先验知识回归网络。本发明实施例的技术方案，解决了现有分割模型未将肺部区域的形状先验知识有效利用起来的问题，基于形状先验知识设置的先验知识回归网络，与已有的图像分割网络相互配合，提高了肺部分割模型与肺部区域分割的匹配程度。

技术领域

本发明实施例涉及医学图像处理技术领域，尤其涉及一种模型生成方法、医学图像分割方法、装置、设备及介质。

背景技术

X光成像技术因辐射剂量较小且成本较低，是医学检查中最为常用的成像手段。基于X光成像技术获取的X光胸片可用于研究胸腔内各种结构，例如，从X光胸片中提取出的肺部区域信息如大小、不规则形状和总肺体积等等，可作为医护人员诊断肺气肿、肺癌、肺结核、肺气肿、气胸、心脏病和尘肺等等临床疾病的重要参考因素。因此，从X光胸片中精准分割出肺部区域，对后续的医学图像分析流程起着至关重要的作用。

但是，从X光胸片中精准分割出肺部区域存在许多困难和挑战，首先，因各位患者的性别、年龄和健康状况的差异性，肺部区域的形状和外观存在较大差异；其次，胸骨线、手术夹和起搏器等外部物体的存在将会进一步增加肺部区域的分割难度；再次，肺部的某些解剖结构也可能导致分割困难。

近年来，随着深度学习特别是卷积神经网络(Convolutional neural network，CNN)模型的快速发展，大量的可应用于医学图像分割的网络模型被相继提出，这些网络模型也可应用于X光胸片中的肺部区域分割。但是，这些网络模型在设置时并未考虑到肺部区域的独有特性，其对几乎全部的分割任务都采用同样的网络结构，这使得肺部区域的分割精度有待提高。

发明内容

本发明实施例提供了一种模型生成方法、医学图像分割方法、装置、设备及介质，以生成与肺部区域分割相匹配的肺部分割模型。

第一方面，本发明实施例提供了一种模型生成方法，可以包括：

获取样本胸部的样本图像、样本图像中已知肺部的肺部掩膜图像、以及肺部掩膜图像的形状先验知识；

将样本图像、肺部掩膜图像和形状先验知识作为一组训练样本，基于多组训练样本对原始分割模型进行训练，生成肺部分割模型；

其中，原始分割模型包括特征提取网络，以及与特征提取网络分别连接的图像分割网络和先验知识回归网络。

可选的，基于多组训练样本对原始分割模型进行训练，生成肺部分割模型，可以包括：

将样本图像输入至原始分割模型中，根据原始分割模型的输出结果，得到肺部预测图像和形状预测知识；

根据肺部预测图像和肺部掩膜图像确定图像分割网络的分割损失函数，并根据肺部预测图像、形状预测知识和形状先验知识确定先验知识回归网络的回归损失函数；

根据分割损失函数和回归损失函数确定原始分割模型的损失函数，并将损失函数反向输入至原始分割模型，调节原始分割模型的网络参数，生成肺部分割模型。

可选的，根据肺部预测图像、形状预测知识和形状先验知识确定先验知识回归网络的回归损失函数，可以包括：

根据形状先验知识和形状预测知识，确定第一回归损失函数；

根据肺部预测图像计算出形状计算知识，并根据形状先验知识和形状计算知识，确定第二回归损失函数；

根据第一回归损失函数和第二回归损失函数，确定先验知识回归网络的回归损失函数。