[发明专利]多器官分割方法、训练方法、介质及电子设备

权利要求书

1.一种多器官分割方法，其特征在于，所述多器官分割方法包括：

获取医学影像，所述医学影像包括多个器官；

利用基于对比学习的多器官分割模型对所述医学影像进行处理，以获取所述医学影像的多器官分割结果，其中，所述多器官分割模型包括编码器模块、特征投影模块和解码器模块，所述编码器模块的输出端分别与所述特征投影模块和所述解码器模块相连，所述特征投影模块用于获取对比学习需要的特征。

2.根据权利要求1所述的多器官分割方法，其特征在于，所述多器官分割模型的训练方法包括：

获取数据集，所述数据集包括单器官标注数据和/或多器官标注数据；

根据所述数据集获取训练数据集、测试数据集和验证数据集；

构建所述多器官分割模型；

利用所述训练数据集对所述多器官分割模型进行训练，在训练中利用所述验证数据集检验所述多器官分割模型的状态和收敛情况；

利用所述测试数据集对所述多器官分割模型的性能进行测试。

3.根据权利要求2所述的多器官分割方法，其特征在于，所述数据集包括CT序列影像，根据所述数据集获取训练数据集、测试数据集和验证数据集包括：

将所述CT序列影像三个维度的体素间距设置为相同值；

将所述CT序列影像的方向设置为相同；

对所述CT序列影像的CT值进行截取；

对所述CT序列影像进行归一化处理；

根据预设比例将所述CT序列影像划分为所述训练数据集、所述测试数据集和所述验证数据集。

4.根据权利要求2所述的多器官分割方法，其特征在于，利用所述训练数据集对所述多器官分割模型进行训练包括：

对所述训练数据集中的有标注区域采用有监督学习方式来更新所述多器官分割模型的网络参数，对所述训练数据集中的无标注区域使用对比学习方式来更新所述多器官分割模型的网络参数。

5.根据权利要求2所述的多器官分割方法，其特征在于，对于所述训练数据集中的任一图像数据，利用所述图像数据对所述多器官分割模型进行训练包括：

对所述图像数据及其标注数据进行采样以获取两个相互重叠的三维图像切片；

将所述两个相互重叠的三维图像切片输入所述多器官分割模型以获取两个分割概率图；

对于所述图像数据中的标注区域，使用有监督学习方式更新所述多器官分割模型的网络参数；

对于所述图像数据中的无标注区域，使用对比学习方式更新所述多器官分割模型的网络参数；

其中，所述监督学习和所述对比学习中采用的损失函数由所述两个分割概率图得到。

6.根据权利要求5所述的多器官分割方法，其特征在于，所述监督学习中采用的第一损失函数的获取方法包括：

根据所述图像数据的标注数据从所述两个分割概率图中筛选出有标注的体素集合；

从所述图像数据的标注数据中获取所述有标注的体素集合对应的真实标注集合；

根据所述有标注的体素集合及其对应的真实标注集合获取所述第一损失函数。

7.根据权利要求5所述的多器官分割方法，其特征在于，所述对比学习中采用的第二损失函数的获取方法包括：

对所述两个分割概率图的重叠区域进行筛选以获取无标注体素点的预测值；

利用所述特征投影模块获取所述无标注体素点对应的特征集合；

根据所述无标注体素点的预测值获取所述无标注体素点对应的置信度集合；

根据所述无标注体素点对应的特征集合及置信度集合获取所述第二损失函数。

8.一种多器官分割模型的训练方法，其特征在于，所述多器官分割模型的训练方法包括：

获取数据集，所述数据集包括单器官标注数据和/或多器官标注数据；

根据所述数据集获取训练数据集、测试数据集和验证数据集；

构建所述多器官分割模型；

利用所述训练数据集对所述多器官分割模型进行训练，在训练中利用所述验证数据集检验所述多器官分割模型的状态和收敛情况；

利用所述测试数据集对所述多器官分割模型的性能进行测试。