图像分割方法、模型训练方法、装置、设备及介质与流程

1.本发明涉及图像处理技术领域，尤其涉及一种图像分割方法、模型训练方法、装置、设备及介质。


背景技术：

2.随着医学影像设备的普及，以及脑影像对脑部疾病辅助诊断需求的日益增加，对脑部图像的处理变得日益重要。基于磁共振序列的自动分割技术，能够对脑部图像病灶区域进行预标注，减少医护人员的工作量。
3.但是，不同于各种竞赛数据中使用的科研序列，现实场景下医护人员需要考虑多个序列信息共同标注，除此之外，相比于科研序列，临床序列还具有各向异性强、特征不明显等特点，可能会导致病灶区域分割结果没有充分融合多个序列的信息、分割效果差等问题。


技术实现要素：

4.本发明提供了一种图像分割方法、模型训练方法、装置、设备及介质，以实现多个序列下的磁共振图像中病灶特征区域的准确分割。
5.根据本发明的一方面，提供了一种图像分割方法，该方法包括：
6.依次获取多个序列下的初始磁共振图像，其中，初始磁共振图像包括待分割病灶区域；
7.对目标序列下的初始磁共振图像进行配准操作，得到磁共振配准图像；
8.将初始磁共振图像和磁共振配准图像输入至预先训练完成的病灶分割模型中，得到初始分割特征矩阵，其中，病灶分割模型是基于多个序列下的样本磁共振图像和病灶标注图像训练得到的；
9.基于初始分割特征矩阵，确定待分割病灶区域的目标病灶分割图像。
10.第二方面，本发明实施例还提供了一种模型训练方法，该方法包括：
11.获取多个序列下的至少一幅样本磁共振图像，并对各样本磁共振图像进行标注，得到至少一幅病灶标注图像，以基于样本磁共振图像和病灶标注图像构建至少一组训练样本，其中，训练样本中包括与其中任一序列下的样本磁共振图像所对应的样本配准图像；
12.针对各训练样本，将当前训练样本输入至待训练模型中，得到与当前训练样本所对应的至少一幅实际输出图像；
13.基于病灶标注图像、任一序列下的实际输出图像以及相应的配准输出图像，确定第一模型损失；
14.基于与配准输出图像相对应的目标序列输出图像以及除目标序列输出图像之外的其他序列输出图像，确定第二模型损失；
15.基于第一模型损失、第二模型损失以及相应的权重，确定目标模型损失，以基于目标模型损失对待训练模型进行模型参数调整，得到病灶分割模型；
16.其中，病灶分割模型用于对多个序列下的磁共振图像中的病灶区域进行分割，以得到病灶分割图像。
17.第三方面，本发明实施例还提供了一种图像分割装置，该装置包括：
18.图像获取模块，用于依次获取多个序列下的初始磁共振图像，其中，所述初始磁共振图像包括待分割病灶区域；
19.图像配准模块，用于对目标序列下的初始磁共振图像进行配准操作，得到磁共振配准图像；
20.特征矩阵确定模块，用于将所述初始磁共振图像和所述磁共振配准图像输入至预先训练完成的病灶分割模型中，得到初始分割特征矩阵，其中，所述病灶分割模型是基于多个序列下的样本磁共振图像和病灶标注图像训练得到的；
21.病灶分割图像确定模块，用于基于所述初始分割特征矩阵，确定所述待分割病灶区域的目标病灶分割图像。
22.第四方面，本发明实施例还提供了一种模型训练装置，该装置包括：
23.训练样本构建模块，用于获取多个序列下的至少一幅样本磁共振图像，并对各样本磁共振图像进行标注，得到至少一幅病灶标注图像，以基于样本磁共振图像和病灶标注图像构建至少一组训练样本，其中，训练样本中包括与其中任一序列下的样本磁共振图像所对应的样本配准图像；
24.实际输出图像确定模块，用于针对各训练样本，将当前训练样本输入至待训练模型中，得到与当前训练样本所对应的至少一幅实际输出图像；
25.第一模型损失确定模块，用于基于病灶标注图像、任一序列下的实际输出图像以及相应的配准输出图像，确定第一模型损失；
26.第二模型损失确定模块，用于基于与配准输出图像相对应的目标序列输出图像以及除目标序列输出图像之外的其他序列输出图像，确定第二模型损失；
27.病灶分割模型确定模块，用于基于第一模型损失、第二模型损失以及相应的权重，确定目标模型损失，以基于目标模型损失对待训练模型进行模型参数调整，得到病灶分割模型；
28.其中，病灶分割模型用于对多个序列下的磁共振图像中的病灶区域进行分割，以得到病灶分割图像。
29.第五方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
30.至少一个处理器；以及
31.与所述至少一个处理器通信连接的存储器；其中，
32.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的图像分割方法或模型训练方法。
33.第六方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的图像分割方法或模型训练方法。
34.本发明实施例的技术方案，通过获取多个序列下的初始磁共振图像，并对目标序列下的磁共振图像进行配准，得到磁共振配准图像，进一步的，基于病灶分割模型对初始磁
共振图像以及磁共振配准图像进行处理，以确定待分割病灶区域的目标病灶分割图像，解决了现有技术中相比于科研序列，临床序列还具有各向异性强、特征不明显等特点，可能会导致病灶区域分割结果没有充分融合多个序列的信息、分割效果差等问题，通过增加目标方向上的病灶特征以及将分割结果进行融合处理，达到了提高病灶分割效率以及分割准确率的效果。
35.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
36.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
37.图1是根据本发明实施例一提供的一种图像分割方法的流程图；
38.图2是根据本发明实施例二提供的一种模型训练方法的流程图；
39.图3是根据本发明实施例二提供的一种模型训练方法的示意图；
40.图4是根据本发明实施例三提供的一种图像分割装置的结构示意图；
41.图5是根据本发明实施例四提供的一种模型训练装置的结构示意图；
42.图6是实现本发明实施例的图像分割方法或模型训练方法的电子设备的结构示意图。
具体实施方式
43.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
44.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
45.实施例一
46.图1为本发明实施例一提供了一种图像分割方法的流程图，本实施例可适用于对临床磁共振序列的磁共振图像进行病灶区域分割的情况，该方法可以由图像分割装置来执行，该图像分割装置可以采用硬件和/或软件的形式实现，该图像分割装置可配置于终端和/或服务器中。如图1所示，该方法包括：
47.s110、依次获取多个序列下的初始磁共振图像。
48.其中，多个序列可以理解为磁共振图像在采集过程中不同的采样脉冲序列。示例性的，多个序列可以包括但不限于t1加权像(t1 weighted imaging，t1wi)序列、t2加权像(t2 weighted imaging，t2wi)序列、弥散加权像(diffusion weighted imaging，dwi)序列或者液体衰减反转恢复(fluid attenuated inversion recovery，flair)序列等。每个采样脉冲序列均对应不同的磁共振图像。在实际应用中，t1wi序列所对应的磁共振图像是一种接近组织解剖的图像，可以用于观察解剖结构；t2wi序列所对应的磁共振图像是一种突出病灶区域的图像，可以用于观察组织病灶。
49.在本实施例中，初始磁共振图像可以理解为通过磁共振成像扫描系统对目标对象的目标区域进行扫描后得到的图像信息。
50.需要说明的是，磁共振图像可以用于确定目标对象体内的病灶区域，因此，在获取初始磁共振图像时，可以使获取的磁共振图像中包括需要确定的病灶区域。可选的，初始磁共振图像包括待分割病灶区域。其中，待分割病灶区域可以理解为初始磁共振图像中需要进行病灶研究的目标区域。
51.还需说明的是，初始磁共振图像可以基于磁共振成像(magnetic resonance imaging，mri)技术从医学影像设备中实时获取，也可以从影像数据库中获取，还可以是接收与外部设备的图像扫描数据传输等，本实施例对此不作具体限定。
52.具体的，当需要对目标对象的病灶区域进行临床研究时，需要获取该病灶区域在不同序列下的初始磁共振图像，以便可以基于初始磁共振图像对病灶区域进行下一步研究。
53.s120、对目标序列下的初始磁共振图像进行配准操作，得到磁共振配准图像。
54.一般情况下，不同序列下的磁共振图像在病灶研究过程中起到不同的作用，当需要对某一序列下的磁共振图像进行具体研究时，可以将该序列作为目标序列，以进行后续操作。
55.在实际应用中，用于临床研究的磁共振图像的图像层的厚度大，且层数较少，不利用实现后续的图像处理，因此，需要对目标序列下的初始磁共振图像进行配准操作，以便于后续采用模型对图像进行处理。配准操作可以理解为对图像进行配准对齐处理，以使图像可以实现标准化，降低后续图像处理的难度。示例性的，配准操作可以是将初始磁共振图像配准至mni标准空间，以使图像在z方向中图像厚度一定的情况下，图像层数由初始的20层变化为100多层，从而实现磁共振图像在z方向上的病症特征增多。其中，配准方法可以包括线性配准和非线性配准，线性配准可以包括但不限于坐标旋转、平移、整体以及局部的缩放等。
56.在本实施例中，磁共振配准图像可以理解为经图像配准处理后得到的磁共振图像。
57.可选的，对目标序列下的初始磁共振图像进行配准操作，得到磁共振配准图像，包括：根据预设配准空间对目标序列下的初始磁共振图像进行处理，得到配准矩阵；基于配准矩阵，确定磁共振配准图像。
58.其中，预设配准空间可以为预先设置的，用于实现图像配准操作的标准空间。示例性的，预设配准空间可以为mni空间或talairach空间等。mni空间是根据一系列正常人脑的
磁共振图像而建立的坐标系统。配准矩阵可以为用于实现从初始磁共振图像转换为磁共振配准图像的变换矩阵。
59.在具体实施中，在获取不同序列下的初始磁共振图像后，为了便于对磁共振图像中的特征进行统计分析，需要将目标序列下的初始磁共振图像进行配准标准化到标准模板上，可以基于预设配准空间对目标序列下的初始磁共振图像进行处理，得到相对应的配准矩阵，进一步的，基于配准矩阵，将初始磁共振图像配准为磁共振配准图像。
60.s130、将初始磁共振图像和磁共振配准图像输入至预先训练完成的病灶分割模型中，得到初始分割特征矩阵。
61.在本实施例中，病灶分割模型可以理解为预先训练完成的，用于实现目标病灶分割的神经网络模型。可选的，病灶分割模型可以为基于编码-解码方式训练得到的神经网络模型。其中，编码-解码方式可以理解为先对图像进行特征提取，再将特征提取后的图像恢复至与原图维度相同的输出图像。例如，病灶分割模型可以为u-net神经网络模型等。初始分割特征矩阵可以理解为初始磁共振图像经病灶分割模型处理后得到的，用于反映病灶特征的三维矩阵。需要说明的是，初始分割特征矩阵中包括各序列下的初始磁共振图像所对应的各分割特征矩阵以及磁共振配准图像所对应的分割特征矩阵。
62.在实际应用中，在得到各序列下的初始磁共振图像以及磁共振配准图像后，将各幅图像输入至病灶分割模型中，通过病灶分割模型对图像进行编码-解码处理，从而得到各序列下的初始磁共振图像以及磁共振配准图像所对应的初始分割特征矩阵。
63.s140、基于初始分割特征矩阵，确定待分割病灶区域的目标病灶分割图像。
64.在本实施例中，目标病灶分割图像可以理解为用于识别磁共振图像中病灶具体位置以及轮廓的病灶掩膜图像。在实际应用中，目标病灶分割图像可以表征为将病灶区域的像素点设置为1，其他区域的像素点设置为0，以使病灶区域作为感兴趣区域区别显示。
65.需要说明的是，由于初始分割特征矩阵中包括各序列下的初始磁共振图像所对应的病灶特征分割矩阵以及磁共振标准图像所对应的病症特征分割矩阵，因此，在确定目标病灶分割图像时，需要基于初始分割特征矩阵中包括的所有病灶特征分割矩阵进行确定。
66.可选的，基于初始分割特征矩阵，确定待分割病灶区域的目标病灶分割图像，包括：对初始分割特征矩阵进行特征融合处理，得到特征融合矩阵；对特征融合矩阵进行均值处理，得到目标病灶分割矩阵，以基于目标病灶分割矩阵确定目标病灶分割图像。
67.在本实施例中，特征融合矩阵可以理解为包含初始分割特征矩阵中所有特征信息的矩阵。目标病灶分割矩阵可以为包含目标病灶特征信息的矩阵。
68.在具体实施中，在得到初始分割特征矩阵后，可以将初始分割特征中所包含的各个病灶特征矩阵进行相加处理，以得到一个包含所有病灶特征信息的特征融合矩阵，进一步的，根据初始分割特征矩阵中所包含的病灶特征分割矩阵的个数，对特征融合矩阵进行均值处理，得到目标病灶分割矩阵，从而基于目标病灶分割矩阵确定目标病灶分割图像。
69.需要说明的是，由于磁共振图像经过配准操作后，层数变多，与其他序列下的磁共振图像的层数不相等，并且，配准后的标准空间与初始磁共振图像中显示的颅脑空间不同，因此，在得到磁共振配准图像所对应的病灶特征分割矩阵后，还需要将其恢复至原层数的矩阵，即恢复至初始磁共振图像中显示的颅脑空间所对应的矩阵。对分割特征配准矩阵进行逆配准操作的好处在于：配准后得到的分割特征配准矩阵无法与初始磁共振图像所对应
的特征矩阵进行匹配分析，通过逆配准操作将分割特征配准矩阵恢复至初始磁共振图像所对应的特征矩阵，可以实现基于分割结果确定初始磁共振图像中显示的颅脑空间中的病灶区域。
70.在上述技术方案的基础上，在对初始分割特征矩阵进行特征融合处理，得到特征融合矩阵之前，还包括：基于配准矩阵，对初始分割特征矩阵中的分割特征配准矩阵进行逆配准操作，得到待融合分割特征矩阵；基于待融合分割特征矩阵，更新初始分割特征矩阵。
71.其中，分割特征配准矩阵可以理解为磁共振配准图像经过病灶分割模型处理后得到病灶特征分割矩阵。
72.具体的，在得到初始分割特征矩阵后，可以根据在配准操作中得到的配准矩阵，对初始分割特征矩阵中的分割特征配准矩阵进行逆配准操作，使其恢复至初始磁共振图像中显示的颅脑空间所对应的矩阵，得到待融合分割特征矩阵，进一步的，将待融合分割特征矩阵替换分割特征配准矩阵，以实现初始分割特征矩阵的更新。
73.本发明实施例的技术方案，通过获取多个序列下的初始磁共振图像，并对目标序列下的磁共振图像进行配准，得到磁共振配准图像，进一步的，基于病灶分割模型对初始磁共振图像以及磁共振配准图像进行处理，以确定待分割病灶区域的目标病灶分割图像，解决了现有技术中相比于科研序列，临床序列还具有各向异性强、特征不明显等特点，可能会导致病灶区域分割结果没有充分融合多个序列的信息、分割效果差等问题，通过增加目标方向上的病灶特征以及将分割结果进行融合处理，达到了提高病灶分割效率以及分割准确率的效果。
74.实施例二
75.图2为本发明实施例二提供的一种模型训练方法的流程图，本实施例可适用于对临床磁共振序列的磁共振图像进行病灶区域分割的情况，该方法可以由模型训练装置来执行，该模型训练装置可以采用硬件和/或软件的形式实现，该模型训练装置可配置于终端和/或服务器中。其中，与上述实施例相同或者相应的技术术语在此不再赘述。
76.如图2所示，该方法具体包括如下步骤：
77.s210、获取多个序列下的至少一幅样本磁共振图像，并对样本磁共振图像进行标注，得到病灶标注图像，以基于样本磁共振图像和病灶标注图像构建至少一组训练样本。
78.在本实施例中，样本磁共振图像可以为基于医学影像采集设备实时采集获取的图像，或者，从医学影像存储空间中预先存储的图像等。病灶标注图像可以理解为预先标注好的，可以识别目标病灶区域的标签图像信息。需要说明的是，病症标注图像可以采用人工标注程序对样本磁共振图像进行标注，也可以采用其他方式来实现病灶标注图像的标注过程等，本实施例对比不作具体限定。其中，训练样本中包括与其中任一序列下的样本磁共振图像所对应的样本配准图像。样本配准图像可以理解为某一序列下的样本磁共振图像经过配准操作后得到的配准图像。
79.在实际应用中，获取多个序列所对应的样本磁共振图像，并对样本磁共振图像进行病灶特征标注，得到病灶标注图像，进而，将各个序列下的样本磁共振图像以及病灶标注图像作为训练样本，以对待训练模型进行训练。
80.需要说明的是，在对待训练模型进行训练之前，需要先获取训练样本，以基于训练样本训练模型，为了提高模型的准确性，可以尽可能多而丰富的获取训练样本。
81.在上述技术方案的基础上，还包括：针对各训练样本，对样本磁共振图像进行配准操作，得到样本配准图像。
82.具体的，在得到样本磁共振图像后，根据当前用户需求确定目标序列下的样本磁共振图像，并对其进行配准操作，以得到样本配准图像。
83.s220、针对各训练样本，将当前训练样本输入至待训练模型中，得到与当前训练样本所对应的至少一幅实际输出图像。
84.需要说明的是，针对每一个训练样本，均可以采用s220的方式对其进行训练，从而得到病灶分割模型。
85.其中，待训练模型可以为模型中的模型参数为初始参数，或者默认参数的模型。实际输出图像是将各个序列下的样本磁共振图像和样本配准图像输入至待训练模型后输出的图像。
86.具体的，将各个序列下所对应的样本磁共振图像以及样本配准图像输出至待训练模型中，基于待训练模型中的模型结构对各幅输入图像进行处理，从而输出与当前训练样本中包括的各个序列下的样本磁共振图像以及样本配准图像所对应的实际输出图像。
87.s230、基于病灶标注图像、任一序列下的实际输出图像以及相应的配准输出图像，确定第一模型损失。
88.在本实施例中，配准输出图像可以理解为将样本配准图像输入至待训练模型后输出的图像。第一模型损失可以理解为对待训练模型的模型参数起到修正作用的损失值。
89.在实际应用中，在得到实际输出图像后，由于实际输出图像中各个序列所对应的输出图像在病症特征表征方面存在差异，因此，需要分别对实际输出图像中所包含的各幅图像进行处理，以得到不同的模型损失。
90.可选的，基于病灶标注图像、任一序列下的实际输出图像以及相应的配准输出图像，确定第一模型损失，包括：基于病灶标注图像、任一序列下的实际输出图像以及第一预设损失函数，确定第一待叠加损失；基于病灶标注图像、配准输出图像以及第一预设损失函数，确定第二待叠加损失；将第一待叠加损失和第二待叠加损失进行叠加处理，得到第一模型损失。
91.其中，第一预设损失函数可以理解为预先确定的，用于表现实际输出与理论输出之间差异程度的函数。在本实施例中，第一预设损失函数可以为dice系数损失函数。
92.具体的，确定病灶标注图像与任一序列下的实际输出图像之间的差异值，将该差异值代入至第一预设损失函数中，得到损失值，将该损失值作为第一待叠加损失。
93.进一步的，确定病灶标注图像与配准输出图像之间的差异值，将该差异值代入至第一预设损失函数中，得到损失值，将该损失值作为第二待叠加损失，最后，将第一待叠加损失与第二待叠加损失进行相加处理，从而得到第一模型损失。
94.示例性的，可以基于下述公式确定第一模型损失：
[0095][0096]
其中，l1表示第一模型损失，dl表示dice系数损失函数，y表示病灶标注图像，表示t2wi序列下的实际输出图像，表示配准标准图像。
[0097]
s240、基于与配准输出图像相对应的目标序列输出图像以及除目标序列输出图像
之外的其他序列输出图像，确定第二模型损失。
[0098]
其中，目标序列输出图像可以理解为需要经过配准操作的样本磁共振图像输入至待训练模型后输出的图像。相应的，其他序列输出图像可以理解为不需要进行配准操作的样本磁共振图像输入至待训练模型后输出的图像。
[0099]
可选的，基于与配准输出图像相对应的目标序列输出图像以及除所述目标序列输出图像之外的其他序列输出图像，确定第二模型损失，包括：基于目标序列输出图像、其他各序列输出图像以及第二预设损失函数，确定至少一个待融合损失；将各待融合损失进行叠加处理，得到第二模型损失。
[0100]
其中，第二预设损失函数可以为预先确定的，用于表现实际输出与理论输出之间差异程度的函数。在本实施例中，第二预设损失函数可以为均方误差(mean square error，mse)损失函数。
[0101]
具体的，分别确定目标序列输出图像与其他各序列输出图像之间的差异值，将各个差异值分别代入至第二预设损失函数中，即可得到至少一个损失值，将得到的损失值作为待融合损失，进一步的，将各个待融合损失进行相加处理，从而得到第二模型损失。
[0102]
示例性的，可以基于下述公式确定第二模型损失：
[0103][0104]
其中，l2表示第二模型损失，mse表示均方误差损失函数，表示t1wi序列下的实际输出图像，表示flair序列下的实际输出图像。
[0105]
s250、基于第一模型损失、第二模型损失以及相应的权重，确定目标模型损失，以基于目标模型损失对待训练模型进行模型参数调整，得到病灶分割模型。
[0106]
其中，目标损失可以理解为待训练模型进行模型参数修正时所依据的损失值。病灶分割模型用于对多个序列下的磁共振图像中的病灶区域进行分割，以得到病灶分割图像。
[0107]
具体的，分别确定第一模型损失以及第二模型损失相对应的权重，进一步的，将第一模型损失与其对应的权重进行相乘处理，将第二模型损失与其对应的权重进行相乘处理，在将相乘处理后的损失进行相加处理，从而最终得到目标模型损失，以基于目标模型损失对待训练模型进行模型参数调整，以最终得到病灶分割模型。
[0108]
需要说明的是，可以将目标模型损失所对应的损失函数收敛作为训练目标进行模型训练，具体可以是将目标模型损失所对应的损失函数的训练误差，即损失参数，作为检测当前损失函数是否达到收敛的条件，例如，训练误差是否小于预设误差或误差变化趋势是否趋于稳定，或者当前的模型迭代次数是否等于预设次数等，若检测达到收敛条件，表明当前待训练模型训练完成，此时可以停止迭代训练；若检测到当前未达到收敛条件，则可以进一步获取当前训练样本对待训练模型进行训练，直至损失函数的训练误差在预设范围之内，当损失函数的训练误差达到收敛时，可以将当前训练得到的待训练模型作为病灶分割模型。
[0109]
示例性的，可以基于下述公式确定目标模型损失：
[0110]
l＝αl1 βl2[0111]
其中，l表示目标模型损失，α表示第一模型损失所对应的权重，β表示第二模型损
失所对应的权重。
[0112]
示例性的，参见图3所示，可以对待训练模型的训练过程进行具体阐述：获取t1wi序列、t2wi序列以及flair序列下的样本磁共振图像，对t2wi序列下的样本磁共振图像进行配准操作，得到样本配准图像，将t1wi序列、t2wi序列以及flair序列下的样本磁共振图像以及样本配准图像输入至待训练模型中，分别得到不同的实际输出图像，进一步的，基于t2wi序列下的实际输出图像、样本磁共振图像、病灶标注图像以及dice系数损失函数，确定第一模型损失，基于t1wi序列下的实际输出图像、t2wi序列下的实际输出图像、flair序列下的实际输出图像以及均方误差损失函数，确定第二模型损失，最后，基于第一模型损失、第二模型损失以及相应的权重确定目标模型损失，以基于目标模型损失对待训练模型进行训练。
[0113]
本发明实施例的技术方案，对待训练模型进行训练，并分别确定第一模型损失和第二模型损失，进而，基于第一模型损失、第二模型损失以及相应的权重，确定目标模型损失，以基于目标模型损失对待训练模型进行模型参数调整，从而得到病灶分割模型，解决了现有技术中相比于科研序列，临床序列还具有各向异性强、特征不明显等特点，可能会导致病灶区域分割结果没有充分融合多个序列的信息、分割效果差等问题，通过分别确定不同的模型损失，并将各个模型损失进行加权集成处理，有效提高了模型对于目标特征的分割效率以及准确率。
[0114]
实施例三
[0115]
图4为本发明实施例三提供的一种图像分割装置的结构示意图。如图4所示，该装置包括：图像获取模块310、图像配准模块320、特征矩阵确定模块330和病灶分割图像确定模块340。
[0116]
图像获取模块310，用于依次获取多个序列下的初始磁共振图像，其中，所述初始磁共振图像包括待分割病灶区域；
[0117]
图像配准模块320，用于对目标序列下的初始磁共振图像进行配准操作，得到磁共振配准图像；
[0118]
特征矩阵确定模块330，用于将所述初始磁共振图像和所述磁共振配准图像输入至预先训练完成的病灶分割模型中，得到初始分割特征矩阵，其中，所述病灶分割模型是基于多个序列下的样本磁共振图像和病灶标注图像训练得到的；
[0119]
病灶分割图像确定模块340，用于基于所述初始分割特征矩阵，确定所述待分割病灶区域的目标病灶分割图像。
[0120]
本发明实施例的技术方案，通过获取多个序列下的初始磁共振图像，并对目标序列下的磁共振图像进行配准，得到磁共振配准图像，进一步的，基于病灶分割模型对初始磁共振图像以及磁共振配准图像进行处理，以确定待分割病灶区域的目标病灶分割图像，解决了现有技术中相比于科研序列，临床序列还具有各向异性强、特征不明显等特点，可能会导致病灶区域分割结果没有充分融合多个序列的信息、分割效果差等问题，通过增加目标方向上的病灶特征以及将分割结果进行融合处理，达到了提高病灶分割效率以及分割准确率的效果。
[0121]
可选的，图像配准模块320，还用于根据预设配准空间对目标序列下的初始磁共振图像进行处理，得到配准矩阵；基于配准矩阵，确定磁共振配准图像。
[0122]
可选的，病灶分割图像确定模块340，还用于对初始分割特征矩阵进行特征融合处理，得到特征融合矩阵；对特征融合矩阵进行均值处理，得到目标病灶分割矩阵，以基于目标病灶分割矩阵确定目标病灶分割图像。
[0123]
可选的，在对所述初始分割特征矩阵进行特征融合处理，得到特征融合矩阵之前，所述装置还包括：矩阵逆配准模块和矩阵更新模块。
[0124]
矩阵逆配准模块，用于基于配准矩阵，对初始分割特征矩阵中的分割特征配准矩阵进行逆配准操作，得到待融合分割特征矩阵；
[0125]
矩阵更新模块，用于基于待融合分割特征矩阵，更新初始分割特征矩阵。
[0126]
可选的，所述病灶分割模型为基于编码-解码方式训练得到的神经网络模型。
[0127]
本发明实施例所提供的图像分割装置可执行本发明任意实施例所提供的图像分割方法，具备执行方法相应的功能模块和有益效果。
[0128]
实施例四
[0129]
图5为本发明实施例四提供的一种模型训练装置的结构示意图。如图5所示，该装置包括：训练样本构建模块410、实际输出图像确定模块420、第一模型损失确定模块430、第二模型损失确定模块440和病灶分割模型确定模块450。
[0130]
训练样本构建模块410，用于获取多个序列下的至少一幅样本磁共振图像，并对各样本磁共振图像进行标注，得到至少一幅病灶标注图像，以基于样本磁共振图像和病灶标注图像构建至少一组训练样本，其中，训练样本中包括与其中任一序列下的样本磁共振图像所对应的样本配准图像；
[0131]
实际输出图像确定模块420，用于针对各训练样本，将当前训练样本输入至待训练模型中，得到与当前训练样本所对应的至少一幅实际输出图像；
[0132]
第一模型损失确定模块430，用于基于病灶标注图像、任一序列下的实际输出图像以及相应的配准输出图像，确定第一模型损失；
[0133]
第二模型损失确定模块440，用于基于与配准输出图像相对应的目标序列输出图像以及除目标序列输出图像之外的其他序列输出图像，确定第二模型损失；
[0134]
病灶分割模型确定模块450，用于基于第一模型损失、第二模型损失以及相应的权重，确定目标模型损失，以基于目标模型损失对待训练模型进行模型参数调整，得到病灶分割模型；其中，病灶分割模型用于对多个序列下的磁共振图像中的病灶区域进行分割，以得到病灶分割图像。
[0135]
本发明实施例的技术方案，对待训练模型进行训练，并分别确定第一模型损失和第二模型损失，进而，基于第一模型损失、第二模型损失以及相应的权重，确定目标模型损失，以基于目标模型损失对待训练模型进行模型参数调整，从而得到病灶分割模型，解决了现有技术中相比于科研序列，临床序列还具有各向异性强、特征不明显等特点，可能会导致病灶区域分割结果没有充分融合多个序列的信息、分割效果差等问题，通过分别确定不同的模型损失，并将各个模型损失进行加权集成处理，有效提高了模型对于目标特征的分割效率以及准确率。
[0136]
可选的，所述装置还包括：样本图像配准模块，用于针对各训练样本，对所述样本磁共振图像进行配准操作，得到样本配准图像。
[0137]
可选的，第一模型损失确定模块430，还用于基于病灶标注图像、任一序列下的实
际输出图像以及第一预设损失函数，确定第一待叠加损失；基于病灶标注图像、配准输出图像以及第一预设损失函数，确定第二待叠加损失；将第一待叠加损失和第二待叠加损失进行叠加处理，得到第一模型损失。
[0138]
可选的，第二模型损失确定模块440，还用于基于目标序列图像、其他各序列输出图像以及第二预设损失函数，确定至少一个待融合损失；将各待融合损失进行叠加处理，得到第二模型损失。
[0139]
本发明实施例所提供的模型训练装置可执行本发明任意实施例所提供的模型训练方法，具备执行方法相应的功能模块和有益效果。
[0140]
实施例五
[0141]
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0142]
如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0143]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0144]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如图像分割方法或模型训练方法。
[0145]
在一些实施例中，图像分割方法或模型训练方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的图像分割方法或模型训练方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像分割方法或模型训练方法。
[0146]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实
现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0147]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0148]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0149]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0150]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0151]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0152]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0153]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。