[发明专利]多器官分割方法、训练方法、介质及电子设备

说明书

本发明提供一种多器官分割方法、训练方法、介质及电子设备。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。所述多器官分割方法具有效率高、速度快等优点，同时能够避免人为主观错误导致的分割误差。

技术领域

本发明涉及一种医学影像处理方法，特别是涉及一种多器官分割方法、训练方法、介质及电子设备。

背景技术

器官分割，指确定医学影像中属于各器官的区域，识别医学影像中的器官。CT图像腹部多器官分割，能够识别医学影像中的多种腹腔器官。人体腹腔内有多种重要器官，包含肝脏、胆、胰脏、脾脏和肾脏。多器官分割，指分割出图像中每个目标器官包括的区域，目标器官的数量为多个。腹部CT图像的对比度低，且图像中各个器官的边界模糊、种类繁多，受到腹部压力影响，人体中的某些器官(例如胃、胰脏、肝脏等)存在较大的变形及不同器官之间存在结构重叠，人工手动进行分割是十分费时费力的，因此利用多器官分割技术实现腹部多器官的自动分割具有十分重要的意义。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种多器官分割方法、训练方法、介质及电子设备，用于实现多器官的自动分割。

为实现上述目的及其他相关目的，本发明的第一方面提供一种多器官分割方法。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。

于所述第一方面的一实施例中，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。

于所述第一方面的一实施例中，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。

于所述第一方面的一实施例中，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。

于所述第一方面的一实施例中，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。

于所述第一方面的一实施例中，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。