[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

说明书

本发明公开了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，本方法中通过增量学习的方法使模型能够将旧的任务上学习到的特征有效的迁移到新的任务上，提升新任务的分割效果，同时在也能保持在旧的场景下的器官的分割性能，用单个模型有效的解决了不同场景下多器官的分割问题。

技术领域

本发明涉及医学信息处理技术领域，特别涉及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。

背景技术

随着大数据兴起和计算能力的提升，深度学习在视觉领域取得了巨大的成功，每年都有新的模型和方法被提出来，图像检测和分割的精度也在不断的提高。同时深度学习的应用领域也由传统的自然图像领域扩展到了医学图像领域，但是相比自然图像领域，深度学习在医学图像领域的应用面临着更大的挑战：数据少、数据标注成本高，场景更加复杂。

在医学图像领域经常要面临的一类任务是多场景下器官的分割问题，每一个场景对应一系列分割任务，由于每一个场景的数据存在较大的差异，若将每一个场景下的数据不加处理直接放到一个模型中训练，则模型很难收敛，最终的分割性能也会很差；若每一个场景任务下，都训练一个深度学习模型对数据进行建模，会带来成本的巨大上升，同时也无法利用不同场景间数据的关系进行迁移学习。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出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。

本发明的第一方面，提供了一种基于增量学习的多场景下的危及器官分割方法，包括以下步骤：

选取若干个数据集，每一所述数据集均包括含有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。

根据本发明的实施例，至少具有如下技术效果：

本方法利用增量学习的方法能够将旧的任务上学习到的特征有效的迁移到新的任务上，提升新任务的分割效果，同时在也能保持在旧的场景下的器官的分割性能，用单个模型有效的解决了不同场景下多器官的分割问题。

根据本发明的一些实施例，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。

根据本发明的一些实施例，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。