[发明专利]模型训练方法、目标器官的分割方法及相关产品

说明书

本申请公开了一种模型训练方法、目标器官的分割方法及相关产品。该模型训练方法包括：获取待训练模型；获取训练图像集，所述训练图像集包括第一CT图像和第二CT图像，所述训练图像集的融合标签通过将所述第一CT图像的第一标签和所述第二CT图像的第二标签进行融合得到，所述第一标签和所述第二标签均包括所述目标器官中的组织在CT图像中的位置；通过使用所述待训练模型对所述训练图像集中的所述目标器官的组织进行分割处理，得到所述目标器官的组织的第一三维分割结果；根据所述第一三维分割结果与融合标签的差异，得到所述待训练模型的损失，所述损失与所述差异呈正相关；根据所述损失更新所述待训练模型的参数得到目标模型。

技术领域

本申请涉及医疗影像处理技术领域，尤其涉及一种模型训练方法、目标器官的分割方法及相关产品。

背景技术

随着深度学习技术的快速发展，深度学习技术的应用越来越广，其中就包括通过深度学习技术对电子计算机断层扫描（computed tomography，CT）图像中的目标器官的组织进行分割，以得到目标器官的组织的三维分割结果。

在目前的方法中，通常是先通过深度学习模型分别对不同时期的增强CT图像中的目标器官的组织进行分割处理，得到各增强CT图像的分割结果，其中，增强CT图像为在对目标器官注射造影剂的情况下采集的包括目标器官的CT图像，分割结果包括目标器官的组织在增强CT图像中的位置。然后对不同时期的增强CT图像的分割结果进行配准，并对配准后的分割结果进行三维重建，得到目标器官的组织的三维分割结果。

但在该方法中，由于一个深度学习模型只能对一个时期的增强CT图像进行分割处理，对不同时期的增强CT图像进行分割处理需要通过不同的深度学习模型实现，而且在基于深度学习模型得到增强CT图像的分割结果后，还需基于各增强CT图像的分割结果得到目标器官的组织的三维分割结果。因此，该方法的处理时间长、所消耗的计算资源多，而且所需维护的深度学习模型的数量多导致维护成本高。

发明内容

本申请提供一种模型训练方法、目标器官的分割方法及相关产品，以训练得到可直接对至少两张不同时期的增强CT图像进行分割处理，得到目标器官的组织的三维分割结果的深度学习模型。这样，使用基于本申请提供的模型训练方法训练得到的深度学习模型，对不同时期的增强CT图像进行分割处理，可直接得到目标器官的组织的三维分割结果，进而可减少处理时间、所消耗的计算资源，而且可降低模型维护成本。

第一方面，提供了一种模型训练方法，所述方法包括：

获取待训练模型；

获取训练图像集，所述训练图像集包括第一CT图像和第二CT图像，所述第一CT图像为在第一时期对目标器官注射造影剂的情况下对目标器官进行CT扫描得到的CT图像，所述第二CT图像为在第二时期对目标器官注射造影剂的情况下对目标器官进行CT扫描得到的CT图像，所述第一时期与所述第二时期不同；所述训练图像集的融合标签通过将所述第一CT图像的第一标签和所述第二CT图像的第二标签进行融合得到，所述第一标签和所述第二标签均包括所述目标器官中的组织在CT图像中的位置；

通过使用所述待训练模型对所述训练图像集中的所述目标器官的组织进行分割处理，得到所述目标器官的组织的第一三维分割结果；

根据所述第一三维分割结果与所述融合标签的差异，得到所述待训练模型的损失，所述损失与所述差异呈正相关；

根据所述损失更新所述待训练模型的参数得到目标模型。

结合本申请任一实施方式，所述获取训练图像集，包括：

获取所述第一CT图像和所述第二CT图像；

获取融合优先级，所述融合优先级表征在对所述目标器官中的不同组织进行融合的情况下，所述目标器官中的组织被保留的优先级；