[发明专利]模型训练方法、病灶分割方法、装置、计算机设备和介质

说明书

本申请涉及一种模型训练方法、病灶分割方法、装置、计算机设备和存储介质，其中，该模型训练方法应用于PET图像的病灶分割，包括：获取预训练神经网络模型，预训练神经网络模型基于初始数据训练得到；获取目标任务数据；基于目标任务数据对预训练神经网络模型进行训练，得到目标神经网络模型。通过本申请，解决了因可用训练数据少，导致分割模型的误报率、漏报率高，准确率低的问题，从而提高了分割模型的准确度。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种模型训练方法、病灶分割方法、装置、计算机设备和介质。

背景技术

现有基于深度学习的医学图像分割算法，面临的问题是病灶像素在整个正电子发射型计算机断层(Positron Emission Computed Tomography，PET)图像序列总像素中的占比小，而深度学习的算法结果想要达到较低的误报率、漏报率和较高的准确率，则需要训练数据集的有效数据量大，而且单个病种数据要足够多，以增加正样本的数据量。同时，针对不同型号的医学图像系统，不同的重建参数，医学图像的参数各不相同，导致已有数据无法充分得到利用。

针对相关技术中存在可用训练数据少，导致分割模型的误报率、漏报率高，准确率低的问题，目前还没有提出有效的解决方案。

发明内容

在本实施例中提供了一种模型训练方法、病灶分割方法、装置、计算机设备和介质，以解决相关技术中存在可用训练数据少，导致分割模型的误报率、漏报率高，准确率低的问题。

第一个方面，在本实施例中提供了一种模型训练方法，应用于PET图像的病灶分割，所述方法包括：

获取预训练神经网络模型，所述预训练神经网络模型基于初始数据训练得到；

获取目标任务数据；

基于所述目标任务数据对所述预训练神经网络模型进行训练，得到目标神经网络模型。

在其中的一些实施例中，所述基于所述目标任务数据对所述预训练神经网络模型进行训练包括：

将所述目标任务数据与所述初始数据进行比对；

基于比对结果对所述目标任务数据进行预处理，得到训练数据；

基于所述训练数据对所述预训练神经网络模型进行训练。

在其中的一些实施例中，所述将所述目标任务数据与所述初始数据进行比对包括：

确定所述目标任务数据与所述初始数据的重合度；

将所述重合度与预设阈值进行比对，得到比对结果。

在其中的一些实施例中，所述基于比对结果对所述目标任务数据进行预处理，得到训练数据包括：

若所述重合度大于所述预设阈值，则将所述目标任务数据中与所述初始数据不重合的数据进行剔除，得到所述训练数据；

若所述重合度不大于所述预设阈值，则将所述目标任务数据插值到所述初始数据中，得到所述训练数据。

在其中的一些实施例中，所述将所述目标任务数据与所述初始数据进行比对包括：

将所述目标任务数据与所述初始数据的分布情况进行比对，所述分布情况包括图像的层间距、每层像素大小、每个图像序列的像素最大值、最小值、平均值、方差中的至少一项。

在其中的一些实施例中，所述基于所述目标任务数据对所述预训练神经网络模型进行训练，得到目标神经网络模型还包括：

基于所述目标任务数据确定任务参数；

基于所述任务参数确定神经网络模型的目标输出层；