[发明专利]一种深度学习模型的训练方法、图像处理方法及装置

说明书

本发明公开了一种深度学习模型的训练方法及装置，该方法包括：通过标记有磨玻璃结节的胸部医学图像对深度学习模型进行训练，得到训练好的深度学习模型，该训练好的深度学习模型提高了磨玻璃结节分割的效率，除此之外还有效的提高了分割的准确度，并简化了磨玻璃结节的分割流程。进一步的，在深度学习模型中添加了多级特征融合监督模块，这样增强了深度学习模型对图像中病灶区域的响应，由此实现了对整张图像进行处理，简化了操作流程；并且，还添加了自主分级监督模块，使得深度学习模型能够自主调节不同层级的特征对分割结果的影响。除此之外，对解码后的特征图进行上采样操作，使得深度学习模型能够更加准确的分割磨玻璃结节。

技术领域

本发明涉及图像处理领域，尤其涉及一种深度学习模型的训练方法、图像处理方法及装置。

背景技术

在做CT检查时，可能会出现密度增高的情况，或者可能会出现云雾一样的淡薄影，或者会出现圆形的结节，形状上看起来就像磨砂玻璃一样，所以称之为磨玻璃结节。磨玻璃结节的生长预测，能够帮助医生对癌症进行预测。

当前的磨玻璃结的分割方法，通常采用传统的分割方法，例如阈值处理或者区域生长方法，但是传统的分割方法容易受到噪声的影响，分割结果的准确度不高。

发明内容

有鉴于此，本发明实施例提供了一种深度学习模型训练方法、图像处理方法及装置，实现了对胸部医学图像中磨玻璃结节的自动分割，并且提升了分割效率和准确率。

本发明实施例公开一种深度学习模型训练方法，其特征在于，包括：

获取训练样本，并对所述训练样本进行预处理；所述训练样本时包含标记有磨玻璃结节的胸部医学图像；

基于深度学习模型对所述训练样本进行编码操作，得到不同尺度的特征图；

基于所述深度学习模型对所述不同尺度的特征图进行解码操作，得到解码后的特征图；

对解码后的特征图进行分类处理，确定训练样本中每个胸部医学图像的类别概率；

基于预设的损失函数计算训练样本中每个胸部医学图像与对应的标签之间的误差；

基于所述误差，更新所述深度学习模型中每一层的权值；

在所述误差和权值分别满足预设的条件后，得到训练好的深度学习模型。

可选的，还包括：

将不同尺度的特征图和/或解码后不同尺度的特征图进行特征融合，以对融合后的特征图进行解码操作。

可选的，所述将不同尺度的特征图和/或解码后的特征图进行特征融合，包括：

对待融合的特征图中的高分辨率特征图进行下采样，得到第一特征图；

对待融合的特征图中的低分辨率特征图进行压缩，得到第二特征图；

将第一特征图和第二特征图进行融合，得到第一融合特征图；

将所述第一融合特征图分别经过压缩处理和sigmoid函数激活处理；

对sigmoid函数激活处理的特征图中进行上采样；

对上采样后的特征图进行逐像素相乘。

可选的，还包括：

将解码后的特征图进行上采样操作，并对上采样操作后得到的特征图中每个像素进行加权操作。

可选的，所述对所述训练样本进行预处理，包括：

将训练样本中的待分割的胸部医学图像进行加窗处理；

将加窗处理后的胸部医学图像中的像素值进行归一化。