[发明专利]医学图像分割模型的生成方法及装置、系统

说明书

本申请公开了一种医学图像分割模型的生成方法及装置、系统。其中，该方法包括：获取训练医学图像分割模型的数据集，其中，数据集包括：医学图像，以及医学图像对应的标签；将数据集输入至神经网络模型进行训练，得到训练完成的医学图像分割模型；对训练完成的医学图像分割模型的效果进行评估，依据评估结果生成目标医学图像分割模型；将目标医学图像分割模型部署在医学图像处理平台，以实现对待分割的医学图像进行分割处理。本申请解决了在医学图像处理领域，用于实现医学图像分割的机器学习模型实现难度较大，导致医学影像处理效果较差，无法适应复杂的实际场景的技术问题。

技术领域

本申请涉及图像处理领域，具体而言，涉及一种医学图像分割模型的生成方法及装置、系统。

背景技术

在计算机中，图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，为定量、定性分析提供基础。医学影像分割属于图像分割方法的一个子领域，图像分割在医疗影像中有很多的应用。自动的图像分割能帮助医生确定感兴趣器官、病变肿瘤的边界，从而依据相关统计信息进行诊断和治疗，还能定量评价治疗前后的效果。例如在放疗中，医生需要花费大量的时间确定危及器官(OAR)和癌变区域的边界，从而进行后续的放疗计划设计，来达到减少危及器官放射剂量的目标。在医学影像中，存在多种图像模态，如MRI、CT、PET、超声等，每一种模态都反映了部分人体的生理和物理特性，通常图像分割也会结合多个图像模态的信息，进行分析，得到最佳的结果。

在进行医学影像的图像分割中，会面临大量与自然图像不同的特征，如模糊、图像密度不均匀、病人个体差异大，还有部分影像会存在伪影和噪声，以及部分病变存在边缘不明确，这些都会对分割的结果造成很大的影响。有很多的学者都对医学影像进行了研究，也提出了很多分割的方法，但由于上述存在的问题，一些传统的图像分割算法的精度都没有能够达到令人满意的结果。

传统的图像处理技术中的一个重要部分是进行图像特征的提取，特征提取算法通常都非常复杂，而且会局限于具体的应用，并且在面临不同的图像时会不够稳定，这些都限制着图像处理技术的发展。深度学习的出现，使端到端的图像处理成为可能，在深度学习训练的过程中，通过数据驱动的方法来更新模型的参数，从而能达到自动提取特征，这种通过大量数据训练得到的特征提取，已经在多个领域中被验证会比传统图像处理算法达到更优的效果。在深度学习领域中，目前主要包含有卷积神经网络(Convolutional NeuralNetwork)、递归神经网络(Recurrent Neural Network)，这些模型在图像识别、语音识别领域取得了巨大的成功。而由于卷积神经网络在进行图像处理时，具有优良的特征提取能力和良好的特征表达能力，其在医学影像领域如分割、辅助诊断中都得到广泛的应用。

在使用卷积神经网络进行医学影像分析时，用户需要通过使用一些深度学习框架如Tensorflow、Pytorch等自己进行编程实现，这需要用户同时具备计算机的专业知识，以及医学相关的专业知识，这大大提高了模型开发的难度。

针对在医学图像处理领域，用于实现医学图像分割的机器学习模型实现难度较大，导致医学影像处理效果较差，无法适应复杂的实际场景的问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种医学图像分割模型的生成方法及装置、系统，来解决在医学图像处理领域，用于实现医学图像分割的机器学习模型实现难度较大，导致医学影像处理效果较差，无法适应复杂的实际场景的技术问题。

根据本申请实施例的一个方面，提供了一种医学图像分割模型的生成方法，包括：获取训练医学图像分割模型的数据集，其中，数据集包括：医学图像，以及医学图像对应的标签；将数据集输入至神经网络模型进行训练，得到训练完成的医学图像分割模型；对训练完成的医学图像分割模型的效果进行评估，依据评估结果生成目标医学图像分割模型；将目标医学图像分割模型部署在医学图像处理平台，以实现对待分割的医学图像进行分割处理。