[发明专利]前列腺超声分割模型的训练方法、分割方法及装置

权利要求书

1.前列腺超声分割模型的训练方法，其特征在于：包括如下步骤：

获取每个患者成对的前列腺超声图像和Mask图；

对每个患者成对的前列腺超声图像和Mask图进行数据预处理，划分出训练集，并对所述训练集中每个患者成对的前列腺超声图像和Mask图进行数据增强处理；

将注意力机制结合到3D-UNet中构建前列腺超声分割模型，并根据所述训练集对前列腺超声分割模型进行训练；

根据所述训练集提取出前列腺轮廓的先验知识并构建损失函数；

根据所述损失函数调整前列腺超声分割模型的模型参数，获得优化后的前列腺超声分割模型。

2.根据权利要求1所述的前列腺超声分割模型的训练方法，其特征在于：所述损失函数包括主动形状损失函数和均方损失函数，根据所述损失函数调整前列腺超声分割模型的模型参数包括如下步骤：

联合主动形状损失函数和均方损失函数，以Adam算法为优化器，通过余弦退火重启动方法动态调整前列腺超声分割模型的学习率，以使损失函数反向传播迭代更新权重。

3.根据权利要求1所述的前列腺超声分割模型的训练方法，其特征在于：所述训练集提取出前列腺轮廓的先验知识并构建损失函数包括如下步骤：

根据训练集中每个患者成对的前列腺超声图像和Mask图，对每个患者的前列腺轮廓进行提取，得到每个患者的前列腺轮廓的三维点云数据，将各个三维点云数据对应作为每个患者的训练样本X＝[x₁,y₁,z₁,x₂,y₂,z₂,…,x_n,y_n,z_n,]^T，其中，训练样本中的x_n，y_n，z_n表示第n个点的三维坐标，生成训练样本集J＝{X₁,X₂,…,X_j}，其中，训练样本集中的X_j表示为第j个训练样本；

根据每个训练样本的三维点云数据计算出所有训练样本的平均形状，平均形状的计算公式为：

公式(1)中，为平均形状，X_i为第i个训练样本，j为训练样本的总数；

将训练样本集中所有训练样本通过仿射变换配准到平均形状，并计算每个配准后的样本相较于平均形状的偏移量，偏移量的计算公式为：

公式(2)中，dX_i为第i个训练样本配准后与平均形状的偏移量，X_i为第i个训练样本，为平均形状；

根据所述偏移量计算出所述训练样本集的协方差矩阵，协方差矩阵的计算公式为：

公式(3)中，为第i个配准后样本相较于平均形状的偏移量的转置；

对协方差矩阵进行奇异值分解，获得特征值和特征向量，计算公式为：

Sp_i＝λ_ip_i       (4)；

公式(4)中，λ_i是协方差矩阵的第i个特征值、p_i是协方差矩阵第i个特征向量；

选取最大的前t个特征值表示训练样本的主要形状，得到样本形状向量的统计模型；

其中，t满足：

公式(5)中，Ratio表示主要形状能解释原始模型中所有形变的比例；

主要形状的表达式为：

公式(6)中，P是特征向量，B是特征向量对应的特征值；

则样本形状向量的统计模型为：

公式(7)中，P_t为前t个特征向量，为P_t的转置，B_t为前t个特征向量的特征值；

根据所述统计模型构建局部灰度模型计算每个特征点的局部特征，以用于调整迭代参数，获取目标的最佳匹配模型；其中，每个特征点的局部灰度模型的协方差矩阵为：

公式(8)中，g_ij为第j个训练样本的第i个特征点，为第i个样本的局部灰度模型均值；

通过计算马氏距离比较匹配过程中移动的特征点与移动后得到的新特征点之间的相似度，作为主动形状损失函数的评价指标，马氏距离越小，两个特征点的相似度越大；两个特征点马氏距离的计算公式为：

公式(9)中，g_s为新特征点，为g_i协方差矩阵的倒数；

在前列腺超声分割模型的训练过程中，通过计算预测点和Mask图对应点的误差获得主动形状损失函数，主动形状损失函数为：

公式(10)中，表示金标准中第j个样本的第i个特征点，表示模型预测结果中第j个样本的第i个特征点；

在前列腺超声分割模型的训练过程中，通过计算模型预测值和样本真实值的方差获得均方损失函数，均方损失函数为：

公式(11)中，y_i表示第i个样本中模型的预测值，表示第i个样本中的真实值。