[发明专利]医学影像分割模型训练方法、分割方法及装置

说明书

本发明提供一种医学影像分割模型训练方法、分割方法及装置，所述医学影像分割模型训练方法在源域通基于元学习的方式，在源域内循环中利用支持集和查询集连续调节模型参数，在外循环中基于查询集的模型参数作为更新方向调节原始的基础模型，通过多批次的源域训练数据连续训练得到对目标域任务变化敏感的模型参数。在将源域分割模型迁移到目标域时，能够更好地适应目标域的新任务，提高泛化效果。本发明所述训练方法得到的目标域分割模型相对于先进的元学习方法有明显的提升，在减轻域迁移问题并提升分割精度的同时，也能一定程度减轻过拟合问题。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种医学影像分割模型训练方法、分割方法及装置。

背景技术

在计算机辅助诊疗的医学图像分析阶段，语义分割通常是一个基础任务。由于医学图像的特殊性质，其分割任务具有一定挑战性和复杂性。由于高人力成本和时间消耗，手动分割已经逐渐被自动分割所取代。

现阶段深度学习方法被广泛应用于医学图像分割，在图像分割的稳定性和准确性方面取得了极大的成就。但是，深度学习对于训练数据的要求是极高的，为了获得优秀的图片分割处理效果，往往需要大量的数据用于前期训练，但是大量的训练数据具有极大的人工标注成本，并且在医学领域这往往涉及到病患隐私，大量获取临床数据容易引起法律纠纷。因此，医学图像分割处理的模型训练过程中，往往训练数据是极其有限的，这直接导致了训练产生的模型达不到分割要求，无法完成图像分割任务。

发明内容

本发明实施例提供了一种医学影像分割模型训练方法、分割方法及装置，以消除医学图像分割处理过程中由于样本较小导致的分割精度和稳定性低的问题。

本发明的技术方案如下：

一方面，本发明提供一种医学影像分割模型训练方法，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。

在一些实施例中，所述基准模型为U-Net网络。

在一些实施例中，所述外循环中所述U-Net网络的学习率设置为1e^-3，步长设置为0.4，周期数为300，所述内循环中k取3。

在一些实施例中，所述U-Net网络采用交叉熵函数作为损失函数。

在一些实施例中，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3×3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2×2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2×2的转置卷积层，两个3×3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。