[发明专利]一种困难样本挖掘方法、系统、终端以及存储介质

说明书

本申请涉及一种困难样本挖掘方法、系统、终端以及存储介质。方法包括：收集包括K种标签类型的医学图像数据；根据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；从医学图像数据中随机剪裁设定数量的训练样本，将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模板形状的奖励期望值；根据模板形状上的奖励期望值分布从医学图像数据中挖掘困难样本，根据困难样本对分割模型进行训练。本申请通过将训练样本的困难程度抽象为可被估计的奖励值，能够更加科学的评估样本的困难程度，并更充分地挖掘出对分割模型而言更具代表性的困难样本。

技术领域

本申请属于医学影像处理技术领域，特别涉及一种困难样本挖掘方法、系统、终端以及存储介质。

背景技术

在基于CT(Computed Tomography，电子计算机断层扫描)或MR(MagneticResonance,磁共振检查)等三维医学图像的器官分割任务中，通常需要从图像中裁剪出3Dpatch(即原始3D医学图像中的3D局部)作为样本来训练分割模型。以3D patch的形式对原始三维医学图像中进行采样时，会面临样本选择的问题。常用的随机采样策略通常会面临以下两个问题：一是不同类别的被采样概率不同，体素占比大的类别被采样概率会更大，使得最终训练得到的模型对背景区域或者大器官(如肝脏)的分割效果较好，而对于小器官(如肾上腺)的分割常存在漏检；二是对于难以识别的解剖区域关注度不够，例如对比度低的器官边界(如胰腺)或是个体间差异较大的解剖结构(如胃)，使得最终训练得到的模型对这些区域的分割存在漏检或者误检。在训练过程中引入困难样本挖掘策略可以有效缓解以上问题，即在训练过程中，从训练集中挖掘出那些对当前模型而言分割存在困难的样本，强迫模型去学习这些困难样本的特征，从而提高模型的整体分割精度。

现有的困难样本挖掘方案包括：

一、在每一个训练批次内，首先随机选取大量的样本进行前向传播计算损失，然后挑选损失较大的那部分样本作为困难样本，使用这些困难样本进行反向传播更新模型参数。该方案中，由于3Dpatch样本内存较大，在每一个训练批次内，只能选取少量的样本，即batchsize较小，在少量的候选样本集中选择损失较大的样本作为困难样本是不够全面的；此外，对3Dpatch进行前向传播计算量较大，而只选择部分样本进行反向传播会导致许多无用的计算，不太适用于医学图像分割领域。

二、为每个样本维护一个采样概率，训练过程中，根据样本的被采样次数以及平均损失值来更新采样概率，被采样次数少或者平均损失值大的样本的采样概率更大。该方案中，由于原始三维医学图像的尺寸通常较大，因此从训练集中可以挖掘的3Dpatch样本非常多，在训练过程中为每个样本维护并更新一个采样概率，对内存与计算资源要求很高，同样不太适用于医学图像分割领域。

发明内容

本申请提供了一种困难样本挖掘方法、系统、终端以及存储介质，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本申请提供了如下技术方案：

一种困难样本挖掘方法，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。

本申请实施例采取的技术方案还包括：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：