图像处理装置、模型训练装置以及模型训练方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116012269A(43)申请公布日2023.04.25(21)申请号202111225949.8(22)申请日2021.10.21(71)申请人佳能医疗系统株式会社地址日本枥木县(72)发明人王扶月王艳华肖其林(74)专利代理机构永新专利商标代理有限公司72002专利代理师杨谦(51)Int.Cl.G06T5/30(2006.01)G06T7/11(2017.01)G06T7/68(2017.01)权利要求书2页说明书11页附图10页(54)发明名称图像处理装置、模型训练装置以及模型训练方法(57)摘要本发明提供自适应地进行结构感知从而能够提高医用图像的分割处理的精度的图像处理装置、模型训练装置以及模型训练方法。实施方式的模型训练装置用于训练医用图像的分割模型，具备：取得部，取得包括管状物分割结果的样本医用图像作为训练数据；中心线提取部，提取所述样本医用图像中的管状物的中心线；膨胀部，对所述中心线提取部提取的中心线进行膨胀，得到膨胀后的中心线；损失函数设定部，设定将包含所述膨胀后的中心线的像素矩阵作为权重矩阵的损失函数；以及学习部，使用所述损失函数设定部设定的所述损失函数，对所述训练数据进行学习，从而输出用于分割所述医用图像中的所述管状物的分割模型。CN116012269ACN116012269A权利要求书1/2页1.一种模型训练装置，用于训练医用图像的分割模型，其特征在于，具备：取得部，取得包括管状物分割结果的样本医用图像作为训练数据；中心线提取部，提取所述样本医用图像中的管状物的中心线；膨胀部，对所述中心线提取部提取的中心线进行膨胀，得到膨胀后的中心线；损失函数设定部，设定将包含所述膨胀后的中心线的像素矩阵作为权重矩阵的损失函数；以及学习部，使用所述损失函数设定部设定的所述损失函数，对所述训练数据进行学习，从而输出用于分割所述医用图像中的所述管状物的分割模型。2.如权利要求1所述的模型训练装置，其特征在于，所述膨胀部将所述中心线膨胀为，在所述管状物的最粗径处，所述膨胀后的中心线比所述管状物细，在所述管状物的最细径处，所述膨胀后的中心线比所述管状物粗。3.如权利要求1所述的模型训练装置，其特征在于，所述管状物为肺血管。4.如权利要求3所述的模型训练装置，其特征在于，所述膨胀部将所述中心线膨胀为，在所述肺血管的根部，所述膨胀后的中心线比所述肺血管细，在所述肺血管的末梢，所述膨胀后的中心线比所述肺血管粗。5.如权利要求1所述的模型训练装置，其特征在于，还具有：显示部，叠加显示所述样本医用图像和所述膨胀后的中心线；以及受理部，受理对所述膨胀后的中心线的膨胀范围进行的变更。6.如权利要求1所述的模型训练装置，其特征在于，所述损失函数设定部对所述像素矩阵中的所述管状物的膨胀后的中心线的像素赋予第一值，对膨胀后的中心线之外的其他像素赋予与第一值不同的第二值，由此形成所述损失函数的权重矩阵。7.如权利要求3所述的模型训练装置，其特征在于，所述损失函数设定部对所述像素矩阵中的静脉血管的膨胀后的中心线赋予第一值，对所述像素矩阵中的动脉血管的膨胀后的中心线赋予第二值，对膨胀后的中心线之外的其他像素赋予第三值，由此形成所述损失函数的权重矩阵，所述第一值、所述第二值、所述第三值各不相同。8.如权利要求3所述的模型训练装置，其特征在于，所述损失函数设定部对所述像素矩阵中的肺血管的根部的膨胀后的中心线赋予第一值，对所述像素矩阵中的肺血管的末梢的膨胀后的中心线赋予第二值，所述第一值大于所述第二值。9.一种模型训练装置，用于训练医用图像的分割模型，其特征在于，具备：取得部，取得包括管状物分割结果的样本医用图像作为训练数据；子区域划分部，识别所述样本医用图像中的几何结构特征的差异，基于所述几何结构特征的差异将所述样本医用图像划分为多个子区域；损失函数设定部，设定如下损失函数，该损失函数中，以对每个子区域使用各自的权重矩阵的方式进行损失函数的计算，其中，针对某个子区域，将包含该子区域中的所述管状物2CN116012269A权利要求书2/2页分割结果的像素矩阵作为该子区域的权重矩阵，对不同子区域中的管状物分割结果的像素赋予不同的值来构成权重矩阵；以及学习部，使用所述损失函数设定部设定的所述损失函数，对所述训练数据进行学习，从而输出用于分割所述医用图像中的所述管状物的分割模型。10.如权利要求9所述的模型训练装置，其特征在于，所述管状物为肺血管。11.如权利要求10所述的模型训练装置，其特征在于，所述子区域划分部将所述样本医用图像中的肺野内区域和肺野外区域划分为不同的子区域，所述损失函数设定部对作为所述肺野内区域的权重矩阵的、所述肺野内区域的所述管状物分割结果的像素赋予第一值，对作为所述肺野外区域