[发明专利]一种基于增量学习的多场景下的危及器官分割方法及设备

权利要求书

1.一种基于增量学习的多场景下的危及器官分割方法，其特征在于，包括以下步骤：

选取若干个不同场景下的数据集，所述数据集之间至少具有不同场景下的同一待分割器官，每一所述数据集均包括含有相应场景下的若干待分割器官的若干阳性切片以及不含待分割器官的若干阴性切片，从每一数据集中均划分出与每一待分割器官一一对应的若干数据子集，每一所述数据子集均含有相应场景下的待分割器官的若干阳性切片以及不含所述待分割器官的若干阴性切片，且每一所述数据子集中的阳性切片的数量大于阴性切片的数量，对每一所述数据子集的阳性切片进行预处理；

构建基于U-Net的分割模型，选取任意一个所述数据集，以其中一个数据子集进行训练，得到相应待分割器官对应于该数据集的最优分割模型Model0，基于Model0，以所述数据集的下一个数据子集进行训练，得到相应待分割器官对应于该数据集的最优分割模型Model1，依次迭代训练，直至完成所述数据集中所有i个数据子集的训练，得到的最优分割模型Modeli；基于Modeli，采用同样的方法对下一个数据集的每个数据子集依次进行迭代训练，直至完成所有所述数据集中每个数据子集的训练，得到最优分割模型Modelk。

2.根据权利要求1所述的基于增量学习的多场景下的危及器官分割方法，其特征在于，基于前一个最优分割模型，通过相应数据子集训练出后一个最优分割模型的过程中，还包括步骤：

基于训练出所述前一个最优分割模型的相应数据子集，得到所述前一个最优分割模型与所述后一个最优分割模型在训练过程中的K-L散度，所述后一个最优分割模型的训练过程中通过所述K-L散度作用权重的更新。

3.根据权利要求1所述的基于增量学习的多场景下的危及器官分割方法，其特征在于，基于前一个最优分割模型，通过相应数据子集进行训练之前，还包括步骤：

将相应数据子集中的所有切片分为两部分子集，将第一部分子集中的所有切片执行灰度域的图像变换；

基于第二部分子集和执行完灰度域的图像变换的第一部分子集对所述前一个最优分割模型进行训练，以第一部分子集和第二部分子集之间的K-L散度作用所述前一个最优分割模型的损失函数，直至训练得到相应的后一个最优分割模型。

4.根据权利要求3所述的基于增量学习的多场景下的危及器官分割方法，其特征在于，相应数据子集在输入模型之前，还包括步骤：将相应数据子集中所有阳性切片的对应器官区域进行裁剪。

5.根据权利要求1所述的基于增量学习的多场景下的危及器官分割方法，其特征在于，所述对每一所述数据子集的阳性切片进行预处理，包括步骤：

标注每个切片body的mask，将切片body外的灰度置0；

基于灰度空间，对切片执行对比度，gamma调节，和clahe增强；

对切片执行平移、旋转、翻转和网格扭曲处理；

对切片进行基于灰度直方图均衡化，将切片归一化到固定尺寸。

6.一种基于增量学习的多场景下的危及器官分割设备，其特征在于，包括：至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至5任一项所述的基于增量学习的多场景下的危及器官分割方法。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至5任一项所述的基于增量学习的多场景下的危及器官分割方法。