[发明专利]医学影像分割模型训练方法、分割方法及装置

权利要求书

1.一种医学影像分割模型训练方法，其特征在于，包括：

获取多个批次源域训练数据，每个批次源域训练数据均包含一组支持集和一组查询集，所述支持集和所述查询集包含多个医学影像，所述医学影像中标记指定人体器官的区块作为标签；其中，每个批次源域训练数据仅包含一种人体器官的标签；

获取预设的基准模型，在一个内循环中，所述基准模型利用单个批次源域训练数据中的支持集进行k步梯度下降由第一模型参数集得到第二模型参数集，再经过查询集经一步梯度下降得到第三模型参数集；在一个外循环中，以原基准模型的第一模型参数集为起点，以第三模型参数集为更新方向，按设定步长、学习率和周期数更新得到第四模型参数集；利用各批次源域训练数据按照内循环和外循环的步骤对所述基准模型连续训练，得到源域分割模型；其中，k为自然数；

获取目标域训练数据，所述目标域训练数据包含多个医学影像，并标记目标人体器官的区块作为标签；

采用层冻结迁移的方法利用目标域训练数据对所述源域分割模型进行训练，得到目标域分割模型;

其中，所述基准模型为U-Net网络；所述U-Net网络包含编码器、解码器和跳跃连接三部分，所述编码器包含四个下采样模块，每个下采样模块包含两个卷积层，每个卷积层紧跟一个批量归一化层和一个修正线性单元，在下采样模块末尾为步长为2的最大池化层；所述解码器包含四个上采样模块以及一个激活函数层，每个上采样模块包含一个的转置卷积层，两个卷积层，每个卷积层紧跟一个批量归一化层和一个修正线性单元；跳跃用于连接同一深度下采样模块的最大池化层之前的特征图与上采样模块中转置卷积层输出的特征图。

2.根据权利要求1所述的医学影像分割模型训练方法，其特征在于，所述外循环中所述U-Net网络的学习率设置为，步长设置为0.4，周期数为300，所述内循环中k取3。

3.根据权利要求2所述的医学影像分割模型训练方法，其特征在于，所述U-Net网络采用交叉熵函数作为损失函数。

4.根据权利要求1所述的医学影像分割模型训练方法，其特征在于，采用层冻结迁移的方法利用目标域训练数据对所述源域分割模型进行训练，得到目标域分割模型，包括：

冻结所述编码器中的前两个下采样模块，以的学习率在目标域训练数据上微调；

解冻所述编码器中的第二个下采样模块，以的初始学习率以及0.0077的衰减率再次在目标域训练数据上微调；

解冻所述编码器中的前两个下采样模块，以的学习率在目标域训练数据上微调。

5.根据权利要求1所述的医学影像分割模型训练方法，其特征在于，对各批次源域训练数据中支持集的医学影像进行数据增强处理，包括0至180度的随机角度翻转、图像平移、横切变换和/或图像拉伸。

6.一种医学影像分割方法，其特征在于，包括：

获取待分割处理的医学影像，并按照预设尺寸进行图像裁剪；

将裁剪后的待分割处理的医学影像输入至如权利要求1至5任意一项所述的医学影像分割模型训练方法中得到的目标域分割模型，以输出分割结果。

7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至6任一项所述方法的步骤。