一种基于增量学习的多场景下的危及器官分割方法及设备转让专利
申请号 : CN202011249376.8
文献号 : CN112070777B
文献日 : 2021-10-08
发明人 : 张子健 , 周蓉蓉 , 程婷婷 , 王姝婷 , 梁瞻 , 金泽夫 , 刘归 , 王一帆
申请人 : 中南大学湘雅医院
摘要 :
权利要求 :
1.一种基于增量学习的多场景下的危及器官分割方法,其特征在于,包括以下步骤:选取若干个不同场景下的数据集,所述数据集之间至少具有不同场景下的同一待分割器官,每一所述数据集均包括含有相应场景下的若干待分割器官的若干阳性切片以及不含待分割器官的若干阴性切片,从每一数据集中均划分出与每一待分割器官一一对应的若干数据子集,每一所述数据子集均含有相应场景下的待分割器官的若干阳性切片以及不含所述待分割器官的若干阴性切片,且每一所述数据子集中的阳性切片的数量大于阴性切片的数量,对每一所述数据子集的阳性切片进行预处理;
构建基于U‑Net的分割模型,选取任意一个所述数据集,以其中一个数据子集进行训练,得到相应待分割器官对应于该数据集的最优分割模型Model0,基于Model0,以所述数据集的下一个数据子集进行训练,得到相应待分割器官对应于该数据集的最优分割模型Model1,依次迭代训练,直至完成所述数据集中所有i个数据子集的训练,得到的最优分割模型Modeli;基于Modeli,采用同样的方法对下一个数据集的每个数据子集依次进行迭代训练,直至完成所有所述数据集中每个数据子集的训练,得到最优分割模型Modelk。
2.根据权利要求1所述的基于增量学习的多场景下的危及器官分割方法,其特征在于,基于前一个最优分割模型,通过相应数据子集训练出后一个最优分割模型的过程中,还包括步骤:
基于训练出所述前一个最优分割模型的相应数据子集,得到所述前一个最优分割模型与所述后一个最优分割模型在训练过程中的K‑L散度,所述后一个最优分割模型的训练过程中通过所述K‑L散度作用权重的更新。
3.根据权利要求1所述的基于增量学习的多场景下的危及器官分割方法,其特征在于,基于前一个最优分割模型,通过相应数据子集进行训练之前,还包括步骤:将相应数据子集中的所有切片分为两部分子集,将第一部分子集中的所有切片执行灰度域的图像变换;
基于第二部分子集和执行完灰度域的图像变换的第一部分子集对所述前一个最优分割模型进行训练,以第一部分子集和第二部分子集之间的K‑L散度作用所述前一个最优分割模型的损失函数,直至训练得到相应的后一个最优分割模型。
4.根据权利要求3所述的基于增量学习的多场景下的危及器官分割方法,其特征在于,相应数据子集在输入模型之前,还包括步骤:将相应数据子集中所有阳性切片的对应器官区域进行裁剪。
5.根据权利要求1所述的基于增量学习的多场景下的危及器官分割方法,其特征在于,所述对每一所述数据子集的阳性切片进行预处理,包括步骤:标注每个切片body的mask,将切片body外的灰度置0;
基于灰度空间,对切片执行对比度,gamma调节,和clahe增强;
对切片执行平移、旋转、翻转和网格扭曲处理;
对切片进行基于灰度直方图均衡化,将切片归一化到固定尺寸。
6.一种基于增量学习的多场景下的危及器官分割设备,其特征在于,包括:至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1至5任一项所述的基于增量学习的多场景下的危及器官分割方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至5任一项所述的基于增量学习的多场景下的危及器官分割方法。
说明书 :
一种基于增量学习的多场景下的危及器官分割方法及设备
技术领域
背景技术
的应用领域也由传统的自然图像领域扩展到了医学图像领域,但是相比自然图像领域,深
度学习在医学图像领域的应用面临着更大的挑战:数据少、数据标注成本高,场景更加复
杂。
不加处理直接放到一个模型中训练,则模型很难收敛,最终的分割性能也会很差;若每一个
场景任务下,都训练一个深度学习模型对数据进行建模,会带来成本的巨大上升,同时也无
法利用不同场景间数据的关系进行迁移学习。
发明内容
应的若干数据子集,每一所述数据子集均含有相应待分割器官的若干阳性切片以及不含所
述待分割器官的若干阴性切片,且每一所述数据子集中的阳性切片的数量大于阴性切片的
数量,对每一所述数据子集的阳性切片进行预处理;
据集的下一个数据子集进行训练,得到相应待分割器官对应于该数据集的最优分割模型
Model1,依次迭代训练,直至完成所述数据集中所有i个数据子集的训练,得到的最优分割
模型Modeli;基于Modeli,采用同样的方法对下一个数据集的每个数据子集依次进行迭代
训练,直至完成所有所述数据集中每个数据子集的训练,得到最优分割模型Modelk。
模型有效的解决了不同场景下多器官的分割问题。
练过程中通过所述K‑L散度作用权重的更新。
优分割模型的损失函数,直至训练得到相应的后一个最优分割模型。
储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理
器执行,以使所述至少一个控制处理器能够执行如本发明第一方面所述的基于增量学习的
多场景下的危及器官分割方法。
述的基于增量学习的多场景下的危及器官分割方法。
附图说明
具体实施方式
图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
对应的若干数据子集,每一数据子集均含有相应待分割器官的若干阳性切片以及不含待分
割器官的若干阴性切片,且每一数据子集中的阳性切片的数量大于阴性切片的数量,对每
一数据子集的阳性切片进行预处理。
装数据集,后装数据集为宫颈癌后装放疗时体外拍摄的MR图像,后装数据集为宫颈癌照射
放疗时阴道的内窥镜拍摄到的MR图像)。
前模型更加关注当前的任务,使模型具有关注点,保证其收敛性;同时每个数据子集中加入
一定量阴性切片的样本,是为了保证模型训练时,也同时有一定的泛化能力。
中在body内的器官的特征)的干扰;
集的下一个数据子集进行训练,得到相应待分割器官对应于该数据集的最优分割模型
Model1,依次迭代训练,直至完成数据集中所有i个数据子集的训练,得到的最优分割模型
Modeli;基于Modeli,采用同样的方法对下一个数据集的每个数据子集依次进行迭代训练,
直至完成所有数据集中每个数据子集的训练,得到最优分割模型Modelk。
后装数据集主要包括阴性切片和Rectum(直肠)、Bladder(膀胱)、Sigmoid(乙状结肠)的阳
性切片。将后装数据集划分为三个数据子集S0(对应直肠)、S1(对应膀胱)和S2(对应乙状结
肠);外照射数据集划分为两个数据子集S3(对应直肠)和S4(对应乙状结肠);每个数据子集
上的总切片数量选择200个(以200为例,但不仅限于200);本实施例考虑当前任务和模型泛
化的一个平衡比例,将每个数据子集对应待分割器官的阳性切片数量占每个数据子集的
90%(以90%为例,但不仅限于90%)。
模型有效的解决了不同场景下多器官的分割问题。
度作用权重的更新。
输入计算模型和Model0输出的KL散度,得到的两个输出的KL散度(其对应损失函数可参考
后文的 )。利用这两部分的输出对模型的权重进行调整(可参考后文损失函数中的
式(7)),直至训练得到最优分割模型Model1(这两部分的数据是混在一起的,在网络同一个
批次的输入里,存在这两部分的数据,模型根据这两部分的数据训练,对权重进行调整,最
终得到Model1)。
模型的损失函数,直至训练得到相应的后一个最优分割模型。
B同时输入至模型中,模型在进行训练的过程中,将输入A和B之间的K‑L散度作用于当前的
损失函数(可参考后文损失函数中的式(7)、(8)),使得基于Model0,用S1训练成的Modle1能
够最大程度的聚焦到图像上的核心特征,提高模型Modle1的抗噪能力和Modle1的鲁棒性和
泛化性。
注到相应待分割器官的局部信息。
, 分别设定为0.25,2。
个控制处理器为例。控制处理器和存储器可以通过总线或者其他方式连接,图5中以通过总
线连接为例。
官分割设备对应的程序指令/模块。控制处理器通过运行存储在存储器中的非暂态软件程
序、指令以及模块,从而执行上述方法实施例所述的基于增量学习的多场景下的危及器官
分割方法。
存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施
方式中,存储器可选包括相对于控制处理器远程设置的存储器,这些远程存储器可以通过
网络连接至该基于增量学习的多场景下的危及器官分割设备。上述网络的实例包括但不限
于互联网、企业内部网、局域网、移动通信网及其组合。
图5中的一个控制处理器执行,可使得上述一个或多个控制处理器执行上述方法实施例中
的基于增量学习的多场景下的危及器官分割方法。
全部或部分流程是可以通过计算机程序来指令相关的硬件来完成的程序可存储于计算机
可读取存储介质中,该程序在执行时,可包括如上述方法的实施例的流程。其中,所述的存
储介质可为磁碟、光盘、只读存储记忆体(Read Only Memory ,ROM)或随机存储记忆体
(Random Access Memory,RAM)等。
构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的
示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特
点可以在任何的一个或多个实施例或示例中以合适的方式结合。
发明的范围由权利要求及其等同物限定。