[发明专利]肿瘤图像分割方法、装置及终端设备

权利要求书

1.一种肿瘤图像分割方法，其特征在于，包括：

获取待分割图像，其中所述待分割图像包括肿瘤区域；

获取训练样本图像和验证样本图像，其中所述训练样本图像和所述验证样本图像均为具有标注信息的肿瘤图像；

根据所述训练样本图像对初始网络模型进行训练，得到训练后的初始网络模型；将所述训练后的初始网络模型作为目标全卷积网络模型；

将所述待分割图像输入至目标全卷积网络模型中，以使所述目标全卷积网络模型对所述待分割图像进行图像分割，并输出所述待分割图像对应的分割结果，其中所述分割结果是根据所述目标全卷积网络模型中的多个卷积层输出的结果和/或多个池化层输出的结果确定的，所述卷积层输出的结果包括卷积图像，所述池化层输出的结果包括池化图像；

其中所述分割结果包括所述肿瘤区域在所述待分割图像中的位置信息和边界信息中的至少一种；

所述根据所述训练样本图像对初始网络模型进行训练，包括：

将第一训练样本图像输入至所述初始网络模型中，并获取所述初始网络模型中的第一预设池化层输出的第一池化图像、第二预设池化层输出的第二池化图像以及最后一层卷积层输出的第一卷积图像，其中所述第一训练样本图像为所述训练样本图像中的任意一张样本图像；所述第一预设池化层和所述第二预设池化层均为预先设定的需要在进行相应的池化操作后，需要输出相应的结果的网络层；

根据所述第一池化图像计算第一损失值；

根据所述第二池化图像计算第二损失值；

根据所述第一卷积图像计算第三损失值；

根据所述第一损失值、所述第二损失值和所述第三损失值计算总损失值；

根据所述总损失值调整所述初始网络模型的参数。

2.根据权利要求1所述的方法，其特征在于，在所述将所述待分割图像输入至目标全卷积网络模型中之前，还包括：

将所述验证样本图像输入至所述训练后的初始网络模型中，以使所述初始网络模型对所述验证样本图像进行图像分割，并输出所述验证样本图像对应的预测分割结果，其中所述预测分割结果包括以下中的至少一种：所述验证样本图像中的肿瘤区域的位置信息、所述验证样本图像中的肿瘤区域的边界信息；

根据所述预测分割结果与所述验证样本图像对应的标注信息进行分割精确度计算，得到模型评估指标值；

若所述模型评估指标值满足预设条件，则将所述训练后初始网络模型作为所述目标全卷积网络模型。

3.根据权利要求2所述的方法，其特征在于，所述初始网络模型包括多个依次连接的组合层，其中所述组合层包括至少两个连接的卷积层和池化层，所述至少两个连接的卷积层和池化层连接。

4.根据权利要求1所述的方法，其特征在于，所述根据所述第一卷积图像计算第三损失值，包括：

获取第一预设卷积层输出的第二卷积图像和第二预设卷积层输出的第三卷积图像；其中，所述第一预设卷积层和所述第二预设卷积层均为预先设定的需要在进行相应的卷积操作后，需要输出相应的结果的网络层；

对所述第一卷积图像进行上采样，并将进行上采样后的第一卷积图像与所述第三卷积图像进行融合，得到初始融合图像；

对所述初始融合图像进行上采样，并将进行上采样后的初始融合图像与所述第二卷积图像进行融合，得到目标卷积图像；

根据所述目标卷积图像和所述第一训练样本图像计算所述第三损失值。