基于多标签分割模型的图像数据处理方法及装置与流程

1.本技术涉及一种人工智能及数字医疗技术领域，特别是涉及一种基于多标签分割模型的图像数据处理方法及装置。


背景技术：

2.随着数字医疗技术的快速发展，智能医疗系统通过本身过硬的人工智能算法的支撑，已经在医疗领域占有一席之地，尤其是计算机断层扫描(ct)已经成为身体病灶筛查的常用手段。如今基于深度学习的肺部疾病自动分割算法已经广泛应用于肺结节、钙化等多种病灶上。
3.目前，现有对胸部ct图像进行分割处理以确定肺部病灶区域，其中，一个病灶区域会基于一种分割处理模型进行分割，但是，由于人体胸部是由多器官组成，识别肺部病灶区域中可能会遗漏多个病灶区域的情况，或者，将其他器官的病灶区域作为肺部区域的病灶区域，无法满足肺部结节类的病灶区域识别的精准性、智能性识别需求，因此，亟需一种图像数据处理来解决上述问题。


技术实现要素：

4.有鉴于此，本技术提供一种基于多标签分割模型的图像数据处理方法及装置，主要目的在于改善现有无法满足肺部结节类的病灶区域识别的精准性、智能性识别需求的技术问题。
5.依据本技术一个方面，提供了一种基于多标签分割模型的图像数据处理方法，包括：
6.获取目标区域的图像数据；
7.基于已完成模型训练的多标签分割模型对所述图像数据进行分割处理，得到带有多个标签的分割处理结果，所述多标签分割模型为基于多维独热向量作为输入参数，并按照预置标签个数配置权值参数进行模型训练得到的；
8.响应于不同标签的输出指令，根据所述输出指令中携带的目标标签从所述分割处理结果中获取与所述目标标签匹配的图像分割区域，并基于所述目标标签查找医疗项目信息；
9.若查找到匹配的医疗项目信息，则结合医疗项目信息以及所述目标标签渲染所述图像分割区域，进行输出。
10.优选的，所述获取目标区域的图像数据之前，所述方法还包括：
11.获取多标签多区域图像训练样本集；
12.构建包含一个主干神经网络以及至少两个分支神经网络的多标签神经网络，所述分支神经网络个数等于预置标签个数；
13.基于所述多标签多区域图像训练样本集中作为输入参数的样本图像数据构建多维独热向量，并按照预置标签个数与所述主干神经网络的配比关系配置权值参数；
14.基于所述多标签多区域图像训练样本集、所述多维独热向量、所述权值参数对所述多标签神经网络进行模型训练，得到多标签分割模型。
15.优选的，所述构建包含一个主干神经网络以及至少两个分支神经网络的多标签神经网络之后，所述方法还包括：
16.对所述多标签多区域图像训练样本集中的样本图像数据进行归一化处理，并按照扫描顺序提取完成归一化处理后的样本图像数据的图像块；
17.对所述图像块进行图像数据增强处理，并将进行图像数据增强处理后的各图像块进行组合，得到待进行模型训练的样本图像数据。
18.优选的，所述获取目标区域的图像数据之后，所述方法还包括：
19.基于双线性差值法对所述图像数据进行标准化处理；
20.对完成标准化处理后的所述图像数据进行归一化处理，并按照扫描顺序提取完成归一化处理后的所述图像数据的图像块；
21.对所述图像块进行图像数据增强处理，并将进行图像数据增强处理后的各图像块进行组合，得到待进行分割处理结果的图像数据。
22.优选的，所述基于所述目标标签查找医疗项目信息包括：
23.解析所述目标标签所对应的目标器官的特征信息；
24.基于预设医疗知识库中查找与所述特征信息对应的医疗项目信息，所述预设医疗知识库中存储有不同器官的特征信息以及与不同特征信息匹配的医疗项目信息。
25.优选的，所述解析所述目标标签所对应的目标器官的特征信息包括：
26.确定所述目标标签的分割特征信息，所述分割特征信息包括形状特征、强度特征、纹理特征；
27.按照所述分割特征信息统计所述目标器官的特征信息，所述特征信息包括外接球形体积比、表面
‑
中心距离标准差、外接长方体交线距离。
28.优选的，所述方法还包括：
29.基于智能医疗病灶数据库查找与所述特征信息匹配的医疗项目信息、风险信息、病症信息；
30.生成与所述医疗项目信息、所述风险信息、所述病症信息分别对应的显示标签，并将所述显示标签配置于所述图像分割区域中，以进行触发查看。
31.依据本技术另一个方面，提供了一种基于多标签分割模型的图像数据处理装置，包括：
32.第一获取模块，用于获取目标区域的图像数据；
33.分割模块，用于基于已完成模型训练的多标签分割模型对所述图像数据进行分割处理，得到带有多个标签的分割处理结果，所述多标签分割模型为基于多维独热向量作为输入参数，并按照预置标签个数配置权值参数进行模型训练得到的；
34.第一查找模块，用于响应于不同标签的输出指令，根据所述输出指令中携带的目标标签从所述分割处理结果中获取与所述目标标签匹配的图像分割区域，并基于所述目标标签查找医疗项目信息；
35.输出模块，用于若查找到匹配的医疗项目信息，则结合医疗项目信息以及所述目标标签渲染所述图像分割区域，进行输出。
36.优选的，所述第一获取模块之前，所述装置还包括：
37.第二获取模块，用于获取多标签多区域图像训练样本集；
38.构建模块，用于构建包含一个主干神经网络以及至少两个分支神经网络的多标签神经网络，所述分支神经网络个数等于预置标签个数；
39.配置模块，用于基于所述多标签多区域图像训练样本集中作为输入参数的样本图像数据构建多维独热向量，并按照预置标签个数与所述主干神经网络的配比关系配置权值参数；
40.训练模块，用于基于所述多标签多区域图像训练样本集、所述多维独热向量、所述权值参数对所述多标签神经网络进行模型训练，得到多标签分割模型。
41.优选的，所述构建模块之后，所述装置还包括：
42.第一归一化模块，用于对所述多标签多区域图像训练样本集中的样本图像数据进行归一化处理，并按照扫描顺序提取完成归一化处理后的样本图像数据的图像块；
43.第一增强模块，用于对所述图像块进行图像数据增强处理，并将进行图像数据增强处理后的各图像块进行组合，得到待进行模型训练的样本图像数据。
44.优选的，所述第一获取模块之后，所述装置还包括：
45.标准化模块，用于基于双线性差值法对所述图像数据进行标准化处理；
46.第二归一化模块，用于对完成标准化处理后的所述图像数据进行归一化处理，并按照扫描顺序提取完成归一化处理后的所述图像数据的图像块；
47.第二增强模块，用于对所述图像块进行图像数据增强处理，并将进行图像数据增强处理后的各图像块进行组合，得到待进行分割处理结果的图像数据。
48.优选的，所述第一查找模块包括：
49.解析单元，用于解析所述目标标签所对应的目标器官的特征信息；
50.查找单元，用于基于预设医疗知识库中查找与所述特征信息对应的医疗项目信息，所述预设医疗知识库中存储有不同器官的特征信息以及与不同特征信息匹配的医疗项目信息。
51.优选的，所述解析单元包括：
52.确定子单元，用于确定所述目标标签的分割特征信息，所述分割特征信息包括形状特征、强度特征、纹理特征；
53.统计子单元，用于按照所述分割特征信息统计所述目标器官的特征信息，所述特征信息包括外接球形体积比、表面
‑
中心距离标准差、外接长方体交线距离。
54.优选的，所述装置还包括：
55.第二查找模块，用于基于智能医疗病灶数据库查找与所述特征信息匹配的医疗项目信息、风险信息、病症信息；
56.生成模块，用于生成与所述医疗项目信息、所述风险信息、所述病症信息分别对应的显示标签，并将所述显示标签配置于所述图像分割区域中，以进行触发查看。
57.根据本技术的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述基于多标签分割模型的图像数据处理方法对应的操作。
58.根据本技术的再一方面，提供了一种计算机设备，包括：处理器、存储器、通信接口
和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
59.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于多标签分割模型的图像数据处理方法对应的操作。
60.借由上述技术方案，本技术实施例提供的技术方案至少具有下列优点：
61.本技术提供了一种基于多标签分割模型的图像数据处理方法及装置，首先获取目标区域的图像数据；基于已完成模型训练的多标签分割模型对所述图像数据进行分割处理，得到带有多个标签的分割处理结果，所述多标签分割模型为基于多维独热向量作为输入参数，并按照预置标签个数配置权值参数进行模型训练得到的；响应于不同标签的输出指令，根据所述输出指令中携带的目标标签从所述分割处理结果中获取与所述目标标签匹配的图像分割区域，并基于所述目标标签查找医疗项目信息；若查找到匹配的医疗项目信息，则结合医疗项目信息以及所述目标标签渲染所述图像分割区域，进行输出。与现有技术相比，本技术实施例通过多标签分割模型对图像数据进行分割处理，满足了针对肺部结节类的病灶区域的精准且智能的识别需求。
62.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
63.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
64.图1示出了本技术实施例提供的一种基于多标签分割模型的图像数据处理方法方法流程图；
65.图2示出了本技术实施例提供的一种基于多标签分割模型的图像数据处理装置组成框图；
66.图3示出了本技术实施例提供的一种计算机设备的结构示意图。
具体实施方式
67.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
68.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
69.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机
视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
70.基于此，在一个实施例中，如图1所示，提供了一种基于多标签分割模型的图像数据处理方法，以该方法应用于服务器等计算机设备为例进行说明，其中，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network,cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器，如智能医疗系统、数字医疗平台等。上述方法包括以下步骤：
71.101、获取目标区域的图像数据。
72.本技术实施例中，终端的使用者可以为患者也可以为医生。目标区域为用户所要检查诊断的区域，如肺部区域，肝部区域等。图像数据为用户接受治疗检查时拍摄的影像数据，如ct图像数据，b超图像数据等。
73.需要说明的是，在获取图像数据的过程中，可以通过扫描已经经过打印的图像影片，也可以通过与智能医疗系统中联机的治疗检查设备(如ct机)进行拍照采集，本技术实施例不做具体限定。
74.例如，获取患者通过与智能医疗系统中联机的ct机进行拍照采集到的胸部ct图像数据。
75.102、基于已完成模型训练的多标签分割模型对图像数据进行分割处理，得到带有多个标签的分割处理结果。
76.本技术实施例中，多标签分割模型为基于多维独热向量作为输入参数，并按照预置标签个数配置权值参数进行模型训练得到的，其中，独热向量为一位有效编码。标签用于标记图像数据被分割处理后所得到的结果。
77.需要说明的是，多标签分割模型进行分割处理时，是使用n位状态寄存器来对n个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。即，只有一位是1，其余都是零值。
78.示例性的，在本技术的实施例中，以用户胸部ct图像数据为例，将ct图像数据拼接成n维的独热向量，作为模型的输入进行预测处理。优选的，由于本技术实施例中是对一个ct图像数据中进行多个病症的标签预测处理，因此，对于多标签分割模型中配置的权值参数为基于预置标签个数确定的。
79.103、响应于不同标签的输出指令，根据输出指令中携带的目标标签从分割处理结果中获取与目标标签匹配的图像分割区域，并基于目标标签查找医疗项目信息。
80.本技术实施例中，医疗项目信息可以是根据目标标签进行诊断而得到的目标区域特征信息，也可以是进一步的治疗方案或用药类别等，本技术实施例不做具体限定。当得到带有多个标签的预测处理结果后，为了便于用户对带有不同标签的目标区域的情况进行观测，从而实现智能医疗的智能性，用户可以通过点击图像中已经被标记的各个分割区域，进行输出。响应于不同标签的生成指令，则根据输出指令中携带的目标标签获取匹配的图像分割区域，进一步的，基于目标标签查找与之相对应的医疗项目信息。
81.例如，医生需要想要确定ct图像中3个标签中的一个，则点击被标记的区域，则当前医疗系统获取ct图像中与此标签对应的被分割出的图像分割区域，以确定此区域是哪种
病灶，并进一步查找医疗项目信息。
82.104、若查找到匹配的医疗项目信息，则结合医疗项目信息以及目标标签渲染图像分割区域，进行输出。
83.本技术实施例中，由于医疗项目信息可以辅助用户对图像分割区域进行识别，因此，在输出时，首先结合医疗项目信息以及目标标签对各个图像分割区域进行渲染，即按照不同颜色渲染各个分割区域，并将目标标签标记处于对应位置，同时将医疗项目信息作为匹配的特征数据配置于显示区域，示例性的，为了避免分割区域的图像被医疗项目信息所遮挡，可以在图像中目标标签标记的位置设置链接圆点，只有点击该圆点时才显示医疗项目信息，从而使用户可以直观的观测到不同图像分割区域所对应的信息。
84.为了进一步说明以及限定，本技术实施例中，在获取目标区域的图像数据之前，本实施例方法还包括：获取多标签多区域图像训练样本集；构建包含一个主干神经网络以及至少两个分支神经网络的多标签神经网络，分支神经网络个数等于预置标签个数；基于多标签多区域图像训练样本集中作为输入参数的样本图像数据构建多维独热向量，并按照预置标签个数与主干神经网络的配比关系配置权值参数；基于多标签多区域图像训练样本集、多维独热向量、权值参数对所述多标签神经网络进行模型训练，得到多标签分割模型。
85.其中，构建的多标签神经网络包含一个主干神经网络和多个分支神经网络，分支神经网络的个数至少为两个，具体由目标标签个数决定。分支神经网络连接于主干神经网络后，优选的，主干神经网络为unet网络，以基于各个分支神经网络输出多个标签的分割结果。利用基于多标签多区域图像训练样本集中拼接为目标标签个数的独热向量对多标签神经网络进行模型训练，其中，按照目标标签个数与预置主干分支网络关系配置网络模型权值参数。
86.具体的，在深度学习算法训练过程中，在每次迭代开始前，首先从各不同标签的训练数据集中分别采样训练样本，使得采样出的每种标签的训练样本数量占比相等，n即为目标标签个数。同时，由于在步骤102中进行预测处理的输入图像数据优选为图像块数据因此，从采样出的每种病种数据中分别按照扫描线顺序(从上到下、从左往右)有交叠地提取长、宽、高为224
×
224
×
28的图像块，图像块之间的交叠宽度为10个体素。随后对图像块随机进行缩放、旋转和翻转的任意一种或多种变换进行数据增强，记为用经过变化后的图像块构成mini
‑
batch。
87.其中，本技术实施例中对于多标签神经网络的结构为一个主干网络连接n个分支网络，即构建一个分支的神经网络用来统一处理各不同的标签分割训练数据集。示例性的，该神经网络使用unet作为主干网络，记为b(x；θ)，x表示主干网络的输入，θ表示主干网络的参数集。主干网络后接连n个独立的三层卷积分支网络，用来输出每种标签的分割结果，分别记为s1(f；θ1),...,s
n
(f；θ
n
)，f为每个分支网络的输入，亦即主干网络的输出，θ
i
为s
i
的参数集。将图像块作为训练样本，经c个卷积层后特征矩阵被拉平为1*n的向量(参数c为整数，其大小可根据需要自行设定)。并且，每个训练样本同时拼接一个n维独热向量输入神经网络进行训练。构建独热向量的方法如下：对于独热向量当且仅当来自第t中病灶数据集时，x
t
＝1，其余为0。该独热向量用于控制误差进行反
向传递时，仅选通第t个分支网络进行更新，具体计算过程如下公式(1)，独热向量(one
‑
hot)是根据标签种类设定的。示例性的，如果有5类(编号为0
‑
4)标签，此时第0类标签样本为输入进行训练。则向量为[1，0，0，0，0]。使用adam优化器，以最小化损失函数为目标，训练主干网络b和分支网络s1,...,s
n
，其中为第t种标签的预测分割掩码，亦即st的输出。则损失函数设计为
[0088][0089][0090][0091]
需要说明的是，训练完成后，即确定了参数θ,θ1,...,θ
n
,预测时，首先对待预测图像进行数据预处理，可以采用对待预测图像按照spacing中位数使用双线性插值进行缩放、使用zscore归一化算法进行归一化、按照扫描线顺序有交叠地划分为一系列224
×
224
×
28的图像块{px
i
}，完成数据预处理过程，以避免图像块的边缘出现漏分割或者误分割的情况。可使用得到第t种标签的图像块预测分割掩码，再将按划分的逆操作拼接起来，得到待预测图像x的第t种标签的预测分割掩码由此当t分别取值[1,n]时，可得到n种标签的预测分割掩码。
[0092]
由于图像数据存在前景区域和后景区域，为了准确对各个区域进行识别，本技术实施例中，进一步的，构建包含一个主干神经网络以及至少两个分支神经网络的多标签神经网络之后，本实施例方法还包括：对多标签多区域图像训练样本集中的样本图像数据进行归一化处理，并按照扫描顺序提取完成归一化处理后的样本图像数据的图像块；对图像块进行图像数据增强处理，并将进行图像数据增强处理后的各图像块进行组合，得到待进行模型训练的样本图像数据。
[0093]
具体的，首选先统计前景区域的均值、标准差，具体计算过程为：的区域中，计算的均值、标准差，然后将上述均值、标准差代入zscore归一化算法对进行归一化。除此之外，由于本技术实施例需要从一张图像中基于一个模型进行多病症的分割标记，因此，提高数据处理的精度，对图像数据分别按照扫描线顺序(从上到下、从左往右)有交叠地提取长、宽、高为224
×
224
×
28的图像块，图像块之间的交叠宽度为10个体素。进一步的，对图像块随机进行缩放、旋转和翻转的任意一种或多种变换进行数据增强，记为用经过变化后的图像块构成mini
‑
batch，作为最终进行预测处理的数据对象。
[0094]
由于图像数据可能包含有多种标签信息，为了确保图像的像素间距spacing统一，以在模型中进行处理时提高处理准确性，本技术实施例，进一步优选的，在获取目标区域的图像数据之后，还可以通过双线性差值方法对图像数据进行标准化处理，具体包括：基于双线性差值法对图像数据进行标准化处理；对完成标准化处理后的图像数据进行归一化处
理，并按照扫描顺序提取完成归一化处理后的图像数据的图像块；对图像块进行图像数据增强处理，并将进行图像数据增强处理后的各图像块进行组合，得到待进行分割处理结果的图像数据。
[0095]
具体的，，统计各数据集种所有图像数据的spacing，spacing为图像中每个体素的物理尺寸，即像素间距，是医学影像数据所携带的原始信息。确定spacing的中位数后，将所有图像数据及其对应标签标注图像数据进行缩放，图像使用双线性插值进行缩放，对应的标签标注图像使用最近邻插值进行缩放。经过缩放后，使得图像极其对应标签标注图像的spacing恰为上述spacing的中位数大小，达到统一ct图像spacing的目的。并进一步进行归一化处理以及增强处理，具体处理方法上述步骤中已经说明，在此不再赘述。
[0096]
本技术实施例中，进一步的，从分割处理结果中获取与目标标签匹配的图像分割区域后，还可以根据目标标签查找对应的医疗项目信息，具体包括：解析目标标签所对应的目标器官的特征信息；基于预设医疗知识库中查找与特征信息对应的医疗项目信息。
[0097]
其中，预设医疗知识库中存储有不同器官的特征信息以及与不同特征信息匹配的医疗项目信息。特征信息用于表征目标器官病症的显性状态，例如，肺部显现絮状形态，表示肺部患有炎症，即当前用户肺部的特征信息为炎症。进一步的，从预设的医疗知识库中查找与肺部炎症相对应的治疗方案或用药种类等。可以理解的是，该医疗知识库为基于医疗机构对海量历史诊疗病历的积累并分类整理得到的，可以存储于医疗机构内部，也可以存储于智能医疗系统的云端处理器，本技术实施例不做具体限定。
[0098]
示例性的，本技术实施例中，以肺部ct图像为例，解析目标标签所对应的目标器官的特征信息包括：确定目标标签的分割特征信息；按照分割特征信息统计目标器官的特征信息。
[0099]
其中，分割特征信息包括形状特征、强度特征、纹理特征；特征信息包括外接球形体积比、表面
‑
中心距离标准差、外接长方体交线距离。外接球形体积比，是三维ct影像所提取的每个roi肺病灶与其外接球形体积的比值，反映了该区域与球形的相似度，表面
‑
中心距离标准差，是肺结节表面每个体素与区域中心的坐标距离标准差，其值同样描述了肺病灶的类球性。外接长方体交线距离，是肺病灶中心体素与其外接长方体6个切面的12条交线中心的距离，可以表示该区域体素在矩形体中均匀分布的程度。可以基于外接球形体积比、表面
‑
中心距离标准差、外接长方体交线距离的肺部特征信息等确定肺部病灶的具体诊断内容。另外，性质特征、强度特征、纹理特征可以基于图像分割区域的图像处理技术进行确定，从而基于形状特征、强度特征和纹理特征对肺部特征信息进行统计。
[0100]
为了方便用户使用，本技术实施例中，进一步优选的，本实施例方法还包括：基于智能医疗病灶数据库查找与特征信息匹配的医疗项目信息、风险信息、病症信息；生成与医疗项目信息、风险信息、病症信息分别对应的显示标签，并将显示标签配置于图像分割区域中，以进行触发查看。
[0101]
其中，病灶数据库中存储有不同器官部位的病灶的特征信息，以及与病灶特征信息匹配的医疗项目信息、风险信息、病症信息等。其中，医疗项目信息为治疗病灶的方法、手段以及用药种类等；风险信息为此病灶对生命引起的风险，如存活率，存活时间等；病症信息为此病灶引起的医学症状，如消瘦，疼痛等。例如，存储有胃癌的特征信息，以及与胃癌匹配的手术方案、胃疼消瘦症状，以及存活率等信息。为了不影响医生的观测视角，在进行显
示输出时，可以生成显示标签配置在对应的图像分割区域，其中显示标签可为一个较小的显示组件，如圆点或叹号标识等，以便在触发时显示文本框。
[0102]
本技术提供了一种基于多标签分割模型的图像数据处理方法，首先获取目标区域的图像数据；基于已完成模型训练的多标签分割模型对所述图像数据进行分割处理，得到带有多个标签的分割处理结果，所述多标签分割模型为基于多维独热向量作为输入参数，并按照预置标签个数配置权值参数进行模型训练得到的；响应于不同标签的输出指令，根据所述输出指令中携带的目标标签从所述分割处理结果中获取与所述目标标签匹配的图像分割区域，并基于所述目标标签查找医疗项目信息；若查找到匹配的医疗项目信息，则结合医疗项目信息以及所述目标标签渲染所述图像分割区域，进行输出。与现有技术相比，本技术实施例通过多标签分割模型对图像数据进行分割处理，满足了针对肺部结节类的病灶区域的精准且智能的识别需求。
[0103]
进一步的，作为对上述图1所示方法的实现，本技术实施例提供了一种基于多标签分割模型的图像数据处理装置，如图2所示，该装置包括：第一获取模块21，分割模块22，第一查找模块23，输出模块24。
[0104]
第一获取模块21，用于获取目标区域的图像数据；
[0105]
分割模块22，用于基于已完成模型训练的多标签分割模型对所述图像数据进行分割处理，得到带有多个标签的分割处理结果，所述多标签分割模型为基于多维独热向量作为输入参数，并按照预置标签个数配置权值参数进行模型训练得到的；
[0106]
第一查找模块23，用于响应于不同标签的输出指令，根据所述输出指令中携带的目标标签从所述分割处理结果中获取与所述目标标签匹配的图像分割区域，并基于所述目标标签查找医疗项目信息；
[0107]
输出模块24，用于若查找到匹配的医疗项目信息，则结合医疗项目信息以及所述目标标签渲染所述图像分割区域，进行输出。
[0108]
在具体的应用场景中，所述第一获取模块之前，所述装置还包括：
[0109]
第二获取模块，用于获取多标签多区域图像训练样本集；
[0110]
构建模块，用于构建包含一个主干神经网络以及至少两个分支神经网络的多标签神经网络，所述分支神经网络个数等于预置标签个数；
[0111]
配置模块，用于基于所述多标签多区域图像训练样本集中作为输入参数的样本图像数据构建多维独热向量，并按照预置标签个数与所述主干神经网络的配比关系配置权值参数；
[0112]
训练模块，用于基于所述多标签多区域图像训练样本集、所述多维独热向量、所述权值参数对所述多标签神经网络进行模型训练，得到多标签分割模型。
[0113]
在具体的应用场景中，所述构建模块之后，所述装置还包括：
[0114]
第一归一化模块，用于对所述多标签多区域图像训练样本集中的样本图像数据进行归一化处理，并按照扫描顺序提取完成归一化处理后的样本图像数据的图像块；
[0115]
第一增强模块，用于对所述图像块进行图像数据增强处理，并将进行图像数据增强处理后的各图像块进行组合，得到待进行模型训练的样本图像数据。
[0116]
在具体的应用场景中，所述第一获取模块之后，所述装置还包括：
[0117]
标准化模块，用于基于双线性差值法对所述图像数据进行标准化处理；
[0118]
第二归一化模块，用于对完成标准化处理后的所述图像数据进行归一化处理，并按照扫描顺序提取完成归一化处理后的所述图像数据的图像块；
[0119]
第二增强模块，用于对所述图像块进行图像数据增强处理，并将进行图像数据增强处理后的各图像块进行组合，得到待进行分割处理结果的图像数据。
[0120]
在具体的应用场景中，所述第一查找模块包括：
[0121]
解析单元，用于解析所述目标标签所对应的目标器官的特征信息；
[0122]
查找单元，用于基于预设医疗知识库中查找与所述特征信息对应的医疗项目信息，所述预设医疗知识库中存储有不同器官的特征信息以及与不同特征信息匹配的医疗项目信息。
[0123]
在具体的应用场景中，所述解析单元包括：
[0124]
确定子单元，用于确定所述目标标签的分割特征信息，所述分割特征信息包括形状特征、强度特征、纹理特征；
[0125]
统计子单元，用于按照所述分割特征信息统计所述目标器官的特征信息，所述特征信息包括外接球形体积比、表面
‑
中心距离标准差、外接长方体交线距离。
[0126]
在具体的应用场景中，所述装置还包括：
[0127]
第二查找模块，用于基于智能医疗病灶数据库查找与所述特征信息匹配的医疗项目信息、风险信息、病症信息；
[0128]
生成模块，用于生成与所述医疗项目信息、所述风险信息、所述病症信息分别对应的显示标签，并将所述显示标签配置于所述图像分割区域中，以进行触发查看。
[0129]
本技术提供了一种基于多标签分割模型的图像数据处理装置，首先获取目标区域的图像数据；基于已完成模型训练的多标签分割模型对所述图像数据进行分割处理，得到带有多个标签的分割处理结果，所述多标签分割模型为基于多维独热向量作为输入参数，并按照预置标签个数配置权值参数进行模型训练得到的；响应于不同标签的输出指令，根据所述输出指令中携带的目标标签从所述分割处理结果中获取与所述目标标签匹配的图像分割区域，并基于所述目标标签查找医疗项目信息；若查找到匹配的医疗项目信息，则结合医疗项目信息以及所述目标标签渲染所述图像分割区域，进行输出。与现有技术相比，本技术实施例通过多标签分割模型对图像数据进行分割处理，满足了针对肺部结节类的病灶区域的精准且智能的识别需求。
[0130]
根据本技术一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于多标签分割模型的图像数据处理方法。
[0131]
基于这样的理解，本技术的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd
‑
rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施场景所述的方法。
[0132]
图3示出了根据本技术一个实施例提供的一种计算机设备的结构示意图，本技术具体实施例并不对计算机设备的具体实现做限定。
[0133]
如图3所示，该计算机设备可以包括：处理器(processor)302、通信接口(communications interface)304、存储器(memory)306、以及通信总线308。
[0134]
其中：处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
[0135]
通信接口304，用于与其它设备比如客户端或其它服务器等的网元通信。
[0136]
处理器302，用于执行程序310，具体可以执行上述基于多标签分割模型的图像数据处理方法实施例中的相关步骤。
[0137]
具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。
[0138]
处理器302可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本技术实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0139]
存储器306，用于存放程序310。存储器306可能包含高速ram存储器，也可能还包括非易失性存储器(non
‑
volatile memory)，例如至少一个磁盘存储器。
[0140]
程序310具体可以用于使得处理器302执行以下操作：
[0141]
获取目标区域的图像数据；
[0142]
基于已完成模型训练的多标签分割模型对所述图像数据进行分割处理，得到带有多个标签的分割处理结果，所述多标签分割模型为基于多维独热向量作为输入参数，并按照预置标签个数配置权值参数进行模型训练得到的；
[0143]
响应于不同标签的输出指令，根据所述输出指令中携带的目标标签从所述分割处理结果中获取与所述目标标签匹配的图像分割区域，并基于所述目标标签查找医疗项目信息；
[0144]
若查找到匹配的医疗项目信息，则结合医疗项目信息以及所述目标标签渲染所述图像分割区域，进行输出。
[0145]
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述基于多模态混合模型的业务数据处理的实体设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。
[0146]
显然，本领域的技术人员应该明白，上述的本技术的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本技术不限制于任何特定的硬件和软件结合。
[0147]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本技术的保护范围之内。