[发明专利]一种困难样本挖掘方法、系统、终端以及存储介质

权利要求书

1.一种困难样本挖掘方法，其特征在于，包括：

收集包括K种标签类型的医学图像数据；

根据所述医学图像数据的标签构建点云形状模型，并选取一个包含K种标签类型的点云形状模型作为模板形状；

从所述医学图像数据中随机剪裁设定数量的训练样本，将所述训练样本输入分割模型进行训练，并在一个批次训练结束后，根据当前批次的训练样本的训练损失值更新所述模板形状的奖励期望值；

当所述分割模型的训练批次达到设定次数后，根据所述模板形状上的奖励期望值分布从所述医学图像数据中挖掘困难样本，根据所述困难样本对分割模型进行训练。

2.根据权利要求1所述的困难样本挖掘方法，其特征在于，所述根据所述医学图像数据的标签构建点云形状模型包括：

针对所述医学图像数据中的每一个标签L_i(i∈[1,N])，N为所述医学图像数据的数量，通过移动立方体算法对每种标签对应的器官进行网格化，得到每种器官的表面网格；

通过抽取算法对所有表面网格进行降采样，将相邻且法向量相似的网格近似合并为一个网格；

提取合并后的表面网格的顶点，根据所述顶点组成多器官点云形状模型。

3.根据权利要求2所述的困难样本挖掘方法，其特征在于，所述选取一个包含K种标签类型的点云形状模型作为模板形状包括：

设基于标签L_i所得到的点云形状模型为S_i，其中第k个器官的形状模型为在S_i∈[1,N]中任意选取一个包含K种标签类型的形状模型作为模板形状S_m。

4.根据权利要求3所述的困难样本挖掘方法，其特征在于，所述根据所述医学图像数据的标签构建点云形状模型，并选取一个包含K种标签类型的点云形状模型作为模板形状还包括：

对于所述点云形状模型S_i中的每个点，分别维护坐标和法向量；

对于所述模板形状S_m中的每个点，分别维护点的索引、点的器官类别、邻接点、被采样频次c、奖励平均值和奖励值期望v。

5.根据权利要求4所述的困难样本挖掘方法，其特征在于，所述根据所述医学图像数据的标签构建点云形状模型，并选取一个包含K种标签类型的点云形状模型作为模板形状还包括：

基于弹性点云配准算法计算模板形状与各个点云形状模型中所有器官的点云对应关系；

所述点云对应关系计算方式包括：

将所述模板形状S_m中的第k个器官的点云与第i个点云形状模型S_i中的第k个器官的点云进行配准，得到两个点云之间的映射矩阵

分别将每个点云形状模型中每个器官的点云与模板形状中相应器官的点云进行配准，在进行(N-1)×K次配准后，得到所述模板形状与点云形状模型中所有器官的点云映射矩阵。

6.根据权利要求5所述的困难样本挖掘方法，其特征在于，所述从所述医学图像数据中随机剪裁设定数量的训练样本，将所述训练样本输入分割模型进行训练具体为：

从第i个医学图像数据中裁剪出训练样本，并根据训练样本的剪裁坐标范围从所述点云形状模型S_i的点云中检索出所述训练样本包含的点集

对于点集中的每个点获取距离其半径r以内的训练样本体素，并计算所有体素的训练损失值均值，得到点在本轮训练中获得的奖励值

根据所述模板形状S_m与点云形状模型S_i之间的映射矩阵得到点集在S_m中的对应点集

利用本轮训练中获得的奖励值更新点中维护的被采样频次c_i、奖励平均值以及奖励值期望v_i：

c_i←c_i+1

上式中，以加权平均的方式更新奖励平均值β为权重，通过上限置信区间算法计算奖励值期望v_i。