[发明专利]模型训练方法、膝关节分割方法、装置及设备

说明书

本说明书公开了一种模型训练方法、膝关节分割方法、装置及设备，该模型训练方法包括：获取病灶区影像的标注结果，所述病灶区影像的标注结果为病灶区轮廓线，所述病灶区轮廓线为封闭曲线；将所述病灶区影像的标注结果作为输入，采用多尺度特征进行目标分割，回归获得预设个数的傅立叶级数权重，获得分割模型；基于所述傅立叶级数权重，采用损失函数对所述分割模型进行优化，获得最优的分割模型。

技术领域

本说明书涉及医学影像及计算机技术领域，尤其涉及一种模型训练方法、膝关节分割方法、装置及设备。

背景技术

基于语义分割的深度学习，在提升分割效果方面具有重要作用。现有技术中，在卷积神经网络的结构上进行调整，提升信息的传递效率；或者，在分割之后添加优化模块；或者，通过更有效的预训练模型提升分割效果；或者，通过引入transformer扩大模型感受野提升效果，均可以提升分割效果。但是上述算法，均未在轮廓优化的分割算法上予以足够关注。

轮廓分割表现的好坏对于医学图像分析极其重要，直接关系到分割结果的准确性。基于CRF(conditional random field，随机条件场)等方式进行掩模后处理改进边缘表现效果，但是该方法的计算时间长且难以取得较好的效果，并且无法实现端到端优化。随后，出现了使用点集的形式进行轮廓表示，通过优化点集的方法，该方法最大的问题是要将轮廓表示成稀疏点集，但目前没有好的度量方法保证稀疏化的点集是唯一的。通过距离等方式寻找点集之间的对应关系，要求算法输出的点集尽可能贴近稀疏后的点集，因为稀疏后点集并不唯一，所以完全可以存在很多组输出点集已经很好的靠近轮廓但离稀疏点集有一定距离，从而带来难以优化的问题，模型很难根据图像特征特定输出某一个随机稀疏化的点集。同时，对于这个问题满足要求(贴合轮廓)的点集不唯一，无法实现深度学习的优化。

基于此，需要一种新的方法。

发明内容

本说明书实施例提供一种模型训练方法、膝关节分割方法、装置及设备，用于解决以下技术问题：

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例提供的一种模型训练方法，该方法包括：

获取病灶区影像的标注结果，所述病灶区影像的标注结果为病灶区轮廓线，所述病灶区轮廓线为封闭曲线；

将所述病灶区影像的标注结果作为输入，采用多尺度特征进行目标分割，回归获得预设个数的傅立叶级数权重，获得分割模型；

基于所述傅立叶级数权重，采用损失函数对所述分割模型进行优化，获得最优的分割模型。

本说明书实施例还提供一种膝关节分割方法，该方法包括：

获取待处理的膝关节影像数据；

将所述待处理的膝关节影像数据，通过如权利要求1-6任一项所述的模型训练方法获得的最优的分割模型，获得所述待处理的膝关节影像数据的分割结果。

本说明书实施例还提供一种模型训练装置，该装置包括：

获取模块，获取病灶区影像的标注结果，所述病灶区影像的标注结果为病灶区轮廓线，所述病灶区轮廓线为封闭曲线；

分割模块，将所述病灶区影像的标注结果作为输入，采用多尺度特征进行目标分割，回归获得预设个数的傅立叶级数权重，获得分割模型；

优化模块，基于所述傅立叶级数权重，采用损失函数对所述分割模型进行优化，获得最优的分割模型。

本说明书实施例还提供一种膝关节分割装置，该装置包括：

获取模块，获取待处理的膝关节影像数据；