CN111311613A - 图像分割模型训练方法、图像分割方法及装置 - Google Patents

图像分割模型训练方法、图像分割方法及装置 Download PDF

Info

Publication number
CN111311613A
CN111311613A CN202010139873.6A CN202010139873A CN111311613A CN 111311613 A CN111311613 A CN 111311613A CN 202010139873 A CN202010139873 A CN 202010139873A CN 111311613 A CN111311613 A CN 111311613A
Authority
CN
China
Prior art keywords
image
image segmentation
segmentation model
label
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010139873.6A
Other languages
English (en)
Other versions
CN111311613B (zh
Inventor
亢寒
张荣国
李新阳
王少康
陈宽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Infervision Technology Co Ltd
Infervision Co Ltd
Original Assignee
Infervision Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Infervision Co Ltd filed Critical Infervision Co Ltd
Priority to CN202010139873.6A priority Critical patent/CN111311613B/zh
Publication of CN111311613A publication Critical patent/CN111311613A/zh
Application granted granted Critical
Publication of CN111311613B publication Critical patent/CN111311613B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像分割模型训练方法、图像分割方法及装置，其中，图像分割模型训练方法包括：基于调节后的标签对图像分割模型进行训练，在保持标签分布趋势不变化的基础上，增加了标签分布的可能性，提高了图像分割模型的训练效率和精度，最终达到降低假阳率的同时改善灵敏度。本实施例的技术方案，基于调节后的标签对图像分割模型进行训练，在保持标签分布趋势不变化的基础上，增加了标签分布的可能性，提高了图像分割模型的训练效率和精度，最终达到降低假阳率的同时改善灵敏度。

Description

图像分割模型训练方法、图像分割方法及装置
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及图像分割模型训练方法、图像分割方法及装置。
背景技术
深度学习是一种由数据驱动的技术，近年来在自然图像领域取得了显著成果，在医学图像分析领域上也进入了快速发展的阶段。
图像分割作为图像处理领域的一个分支，也深受深度学习研究人员的关注。图像二值分割作为图像分割的一部分在医学图像分析中最为常见。但是在使用网络进行分割时，会由于所需分割的区域较小或与周围组织相似等原因出现最终的分割结果中出现大量假阳的情况。
发明内容
本发明提供一种图像分割模型训练方法、图像分割方法及装置，以实现提高图像分割精度。
第一方面，本发明实施例提供了图像分割模型训练方法，包括：
获取样本图像以及所述样本图像中各像素点的原始标签；
将所述样本图像输入至待训练的图像分割模型中，根据所述待训练的图像分割模型的预测结果得到所述样本图像中各像素点属于分割目标的概率；
根据所述样本图像中各像素点属于分割目标的概率以及当前迭代的概率阈值，对所述样本图像的原始标签进行调节；
基于所述样本图像中各像素点的调节后的标签以及属于分割目标的概率调节所述待训练的图像分割模型的网络参数，得到当前迭代的图像分割模型。
循环执行以上步骤，以对所述待训练的图像分割模型进行迭代训练，得到目标图像分割模型。
第二方面，本发明实施例还提供了一种图像分割方法，包括：
获取待分割图像，将所述待分割图像输入至预先训练的图像分割模型中，得到所述待分割图像的图像分割结果，其中，所述图像分割模型基于如权利要求本发明任意实施例提供的图像分割模型训练方法训练得到。
第三方面，本发明实施例还提供了一种图像分割模型训练装置，包括：
样本获取模块，用于获取样本图像以及所述样本图像中各像素点的原始标签；
预测结果获取模块，用于将所述样本图像输入至待训练的图像分割模型中，根据所述待训练的图像分割模型的预测结果得到所述样本图像中各像素点属于分割目标的概率；
原始标签调节模块，用于根据所述样本图像中各像素点属于分割目标的概率以及当前迭代的概率阈值，对所述样本图像的原始标签进行调节；
网络参数调节模块，用于基于所述样本图像中各像素点的调节后的标签以及属于分割目标的概率调节所述待训练的图像分割模型的网络参数，得到当前迭代的图像分割模型；
其中，所述样本获取模块、所述预测结果获取模块、所述原始标签调节模块和所述网络参数调节模块循环调用，对所述待训练的图像分割模型进行迭代训练，得到目标图像分割模型。
第四方面，本发明实施例还提供了一种图像分割装置，包括：
图像获取模块，用于获取待分割图像；
图像分割模块，用于将所述待分割图像输入至预先训练的图像分割模型中，得到所述待分割图像的图像分割结果，其中，所述图像分割模型基于本发明任意实施例提供的图像分割模型训练方法训练得到。
第五方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如本发明任意实施例提供的一种图像分割模型训练方法或者图像分割方法。
第六方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，其中，所述计算机可执行指令在由计算机处理器执行时实现如本发明任意实施例提供的一种图像分割模型训练方法或者图像分割方法。
本发明实施例提供的技术方案，通过在图像分割模型每一个迭代训练过程中，根据预测结果中各像素点的概率值对原始标签进行动态调节，实现对于概率值不满足分布趋势的像素点的原始标签进行弱化处理，基于调节后的标签与预测结果对图像分割模型进行训练，在保持标签分布趋势不变化的基础上，增加了标签分布的可能性，提高了图像分割模型的训练效率和精度，最终达到降低假阳率的同时改善灵敏度。
附图说明
图1为本发明实施例一提供的一种图像分割模型训练方法的流程示意图；
图2A为本发明实施例一提供的一种样本图像的原始标签的示意图；
图2B为本发明实施例一提供的一种预测结果的示意图；
图2C为本发明实施例一提供的一种调节后的标签示意图；
图3是本发明实施例一提供的图像分割模型的训练流程示意图；
图4是本发明实施例提供的一种图像分割方法的流程示意图；
图5是本发明实施例三提供的一种图像分割模型训练装置的结构示意图；
图6是本发明实施例四提供的一种图像分割装置的结构示意图；
图7为本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种图像分割模型训练方法的流程示意图，本实施例可适用于对图像分割模型进行高精度训练的情况，该方法可以由本发明实施例提供的图像分割模型训练装置来执行，该装置可通过软件和/或硬件的方式实现，该装置可以集成与诸如服务器或者计算机等电子设备中。该方法具体包括如下步骤：
S110、获取样本图像以及所述样本图像中各像素点的原始标签。
S120、将所述样本图像输入至待训练的图像分割模型中，根据所述待训练的图像分割模型的预测结果得到所述样本图像中各像素点属于分割目标的概率。
S130、根据所述样本图像中各像素点属于分割目标的概率以及当前迭代的概率阈值，对所述样本图像的原始标签进行调节。
S140、基于所述样本图像中各像素点的调节后的标签以及属于分割目标的概率调节所述待训练的图像分割模型的网络参数，得到当前迭代的图像分割模型，循环执行步骤S110-S140，以对所述待训练的图像分割模型进行迭代训练，直到满足迭代条件，得到目标图像分割模型。
本实施例中，通过样本图像对创建的图像分割模型进行训练，以得到具有图像分割功能的图像分割模型，用于对输入的待分割图像进行高精度的图像分割。
可选的，可以根据图像分割模型的分割目标确定样本图像，以训练得到具有分割目标分割功能的模型。示例性的，当分割目标为结节(例如可以是磨玻璃结节)时，样本图像可以是包括结节的肺部图像，基于包括结节的肺部图像训练得到具有结节分割功能的图像分割模型；当分割目标为脑肿瘤时，样本图像可以是包括脑肿瘤的头部图像，基于包括脑肿瘤的头部图像训练得到具有脑肿瘤分割功能的图像分割模型。需要说明的是，本实施例中，分割目标不局限于结节和脑肿瘤等，相应的，样本图像可根据分割目标进行适应性调节，本实施例中不做限定。
本实施例中，样本图像配置有原始标签，其中，原始标签为二分类标签，包括正样本标签和负样本标签，例如，样本图像中的分割目标对应像素点的标签为正样本标签，分割目标以外的像素点的标签为负样本标签。可选的，原始标签为数值标签，示例性的，正样本标签为1，负样本标签为0，参见图2A，图2A为本发明实施例一提供的一种样本图像的原始标签的示意图。图2A中，分割目标包括5个像素点，即原始标签为1的像素点。
可选的，获取样本图像可以包括：获取初始样本图像，和所述初始样本图像的原始标签，基于预设滑动窗口在所述初始样本图像上进行滑动，并截取至少一个样本图像，其中所述样本图像包括分割目标；基于所述初始样本图像与所述原始标签的对应关系，确定与截取的至少一个样本图像对应的原始标签。其中，预设滑动窗口可以是根据样本图像的需求设置，例如可以是128×128,或者512×512等，不做限定。
其中，当初始样本图像为三维图像时，例如通过医学影像采集设备(例如CT设备)采集的图像等，可通过对三维图像进行切片处理，得到多个初始样本图像。示例性的，三维图像的尺寸可以是152×192×146，沿分割目标的轴向进行切片，可得到146个尺寸为152×192的二维初始样本图像。
创建图像分割模型，该图像分割模型可以是神经网络模型，包括编码模块、解码模块和分类层，其中，编码模块包括第一预设数量的卷积块和第二预设数量的下采样层，解码模块包括第三预设数量的卷积块和第四预设数量的上采样层。每一个卷积块包括一个卷积层、一个归一化层以及一个激活函数层，例如可以是ReLU(Rectified Linear Units，修正线性单元)层。下采样层可以为池化层或者步长大于2的卷积层；上采样层可以为双线性插值层、临近插值层或者反卷积(转置卷积)层。分类层包括一个通道数为1的1×1卷积层和一个Sigmoid激活函数层。
在创建图像分割模型，还包括设置初始学习率和对图像分割模型中的网络参数进行初始化，得到待训练的图像分割模型。
其中，在将样本图像输入至待训练的图像分割模型时，对样本图像进行预处理，例如预处理可以是将样本图像中的像素值进行归一化处理，或者将样本图像中像素值分布进行标准化处理，以降低样本图像本身像素值差异导致的训练干扰，提高图像分割模型的训练精度。可选的，若样本图像为CT图像，则可以是先对样本图像进行加窗处理，在进行归一化处理或者标准化处理。
本实施例中，通过样本图像对待训练的图像分割模型进行训练，可以是将经过预处理的样本图像依次输入至待训练的图像分割模型，得到样本图像的预测结果，该预测结果中包括各像素点属于分割目标的概率值，即概率图像，示例性的，参见图2B，图2B为本发明实施例一提供的一种预测结果的示意图。通过预测结果和样本图像的调节后的标签对待训练的图像分割模型的网络参数进行迭代调节，直到达到预设训练次数或者图像分割模型的预测结果满足预设分割精度，训练完成，得到具有高精度分割功能的图像分割模型。
可选的，根据所述样本图像中各像素点属于分割目标的概率以及当前迭代的概率阈值，对所述样本图像的原始标签进行调节，包括：所述预测结果中，与当前像素点属于分割目标的概率不满足所述当前像素点的原始标签对应的所述当前迭代的概率阈值时，基于预设调节值对所述原始标签进行调节，得到各像素点调节后的标签。
在预测结果中，当像素点的原始标签为1时，预测结果中属于分割目标的概率应趋向于100％，当像素点的原始标签为0时，预测结果中属于分割目标的概率应趋向于0。本实施例中，通过设置概率阈值判断预测结果中各像素点的概率是否符合分割趋势，若是，则无需对原始标签进行调节，若否，则基于预设调节值对原始标签进行调节，以实现对原始标签的弱化处理，提高图像分割模型的训练精度，降低分割处理过程中假阳现象。
可选的，所述预测结果中，与当前像素点属于分割目标的概率不满足所述当前像素点的原始标签对应的所述当前迭代的概率阈值时，基于预设调节值对所述原始标签进行调节，包括：所述当前像素点的原始标签为正样本标签，且所述预测结果中所述当前像素点属于分割目标的概率小于所述当前迭代中的第一概率阈值时，基于第一调节值对所述当前像素点的正样本标签进行调节；所述当前像素点的原始标签为负样本标签，且所述预测结果中所述当前像素点属于分割目标的概率大于所述当前迭代中的第二概率阈值时，基于第二调节值对所述当前像素点的负样本标签进行调节。
示例性的，参见如下公式，根据如下公式对原始标签进行调节：
Figure BDA0002398699830000081
其中，oi∈[0,1]，为预测结果中第i个像素点的概率值，yi∈{0,1}，为第i个像素点的原始标签，
Figure BDA0002398699830000082
为第i个像素点调节后的标签。Tip为第一概率阈值，Tin为第二概率阈值，α为第一调节值，β为第二调节值。其中，Tip∈(0.5,1],Tin∈[0,0.5)，α∈[0,0.5),β∈[0,0.5)
本实施例中，当预测结果中像素点的概率值不符合对应的概率阈值时，通过调节原始标签，降低该像素点的预测结果和标签之间的差值，以降低当前迭代过程图像分割模型中网络参数的调节难度。需要说明的是，调节后的标签保持了原有的预测趋势。
本实施例中，概率阈值和预设调节值在每一个迭代中可以是不相同的，可在其对应范围内变化。可选的，在任一次迭代中，所述概率阈值在第一范围内随机生成，所述预设调节值在第二范围内随机生成。其中，第一概率阈值和第二概率阈值的第一范围不同，例如第一概率阈值的第一范围为(0.5,1]，第二概率阈值的第一范围为[0,0.5)，预设调节值的第二范围为[0,0.5)，即第一调节值和第二调节值的第二范围均为[0,0.5)。在每一次迭代训练时，在上述范围内随机生成第一概率阈值、第二概率阈值、第一调节值和第二调节值。
在一些实施例中，每一次迭代中的概率阈值和预设调节值可以根据预设规则确定，示例性的，预设规则可以是预先设置的函数，该函数可以是与迭代次数相关。可选的，在任一次迭代中，所述概率阈值基于第一函数确定，所述预设调节值基于第二函数确定。其中，第一概率阈值和第二概率阈值的第一函数可以是不同，第一调节值与第二调节值的第二函数可以是不同的。示例性的，第一函数可以递增函数，第二函数可以是递减函数。
本实施例中，通过动态确定每一个迭代过程中概率阈值和预设调节值，在每一个训练迭代过程中根据设定条件调整样本图像级原始标签中的每一个像素级标签，图像分割模型则对每一次训练得到的预测结果会没有那么大的确定性，从而使图像分割模型在之后的训练过程中有更多的可能性去考虑每一个像素的分类概率，最终达到降低假阳率的同时改善灵敏度。
变换后的图像级标签中的像素级标签满足一个条件：正样本的像素级标签值大于负样本的像素级标签值。在训练的每次迭代过程中，我们虽然使用了不同的变换标签，但是标签的分布趋势没有变化，因此这一训练策略不仅保留了像素级信息，也发挥了变换标签的作用，即由于同一样本图像对应的调节后的标签不同，则可在少量样本的基础上，保证产生大量具有差异的调剂后的标签，降低了对样本图像的数量需求。
示例性的，参见图2C，图2C为本发明实施例一提供的一种调节后的标签示意图，其中图2A和图2B中提供的原始标签和预测结果进行调节得到，调节过程中，α＝0.1，β＝0.3，Tip＝0.9，Tin＝0.6。其中，以第二行第二列的像素点为例，该像素点的原始标签为正样本标签(1)，当前迭代的预测概率为0.56，小于第一概率阈值0.9，即不满足第一概率阈值，则在正样本标签的基础上，基于第一调节值对原始标签进行调节，即原始标签减去第一调节值0.1，得到调节后的标签为0.9。第一行第一列的像素点为例，该像素点的原始标签为负样本标签(0)，当前迭代的预测概率为0.11，小于第一概率阈值0.6，即满足第二概率阈值，无需对原始标签进行调节。以此类推，对基于上述调节方式对各像素点的原始标签进行判断和调节，得到调节后的标签，如图2C所示。
在上述实施例的基础上，基于所述样本图像中各像素点的调节后的标签以及属于分割目标的概率调节所述待训练的图像分割模型的网络参数，得到当前迭代的图像分割模型，包括：根据所述样本图像中各像素点的调节后的标签以及属于分割目标的概率确定损失函数；基于所述损失函数调节所述待训练的图像分割模型的网络参数，得到当前迭代的图像分割模型。其中，损失函数可以是但不限于Dice损失函数或者交叉熵损失函数。
本实施例中，通过梯度下降方式对图像分割模型进行反向训练，更新图像分割模型中的网络参数，并进行下一轮迭代训练。
在上述实施例的基础上，迭代要求可以是预设迭代次数，或者预设图像分割精度。例如可通过验证样本图像对训练得到的图像分割模型进行精度验证，当验证精度满足精度要求时，确定当前迭代所得到的图像分割模型训练成功，可将当前迭代得到的图像分割模型确定为目标图像分割模型，当验证精度不满足精度要求时，确定当前迭代所得到的图像分割模型训练不满足要求，需迭代执行步骤S110-S140，对这一图像分割模型的参数进行下一轮迭代调节，直到验证精度满足精度要求。参见图3，图3是本发明实施例一提供的图像分割模型的训练流程示意图。
在上述实施例的基础上，可通过Dice系数为衡量标准，确定训练完成的图像分割模型的分割精度，其中，Dice系数值的范围为[0,1]，其中0表示两个分割区域不重合，1表示两个分割区域完全重合。Dice系数值越大代表图像分割模型的分割效果越好。示例性的，参见表1，表1为不同结构的图像分割模型在常规训练策略与本方案提供的训练策略得到的图像分割模型的Dice系数。根据表1所示，在任一结构的图像分割模型中，通过本方案提供的训练策略得到的图像分割模型的Dice系数明显高于常规训练策略得到的图像分割模型的Dice系数。
表1
U-Net+常规训练策略 0.757
U-Net+本方案的训练策略 0.767
Attention U-Net+常规训练策略 0.779
Attention U-Net+本方案的训练策略 0.786
本实施例提供的技术方案，通过在图像分割模型每一个迭代训练过程中，根据预测结果中各像素点的概率值对原始标签进行动态调节，实现对于概率值不满足分布趋势的像素点的原始标签进行弱化处理，基于调节后的标签与预测结果对图像分割模型进行训练，在保持标签分布趋势不变化的基础上，增加了标签分布的可能性，提高了图像分割模型的训练效率和精度，最终达到降低假阳率的同时改善灵敏度。
实施例二
图4是本发明实施例二提供的一种图像分割方法的流程示意图，该方法具体包括：
S210、获取待分割图像。
S220、将所述待分割图像输入至预先训练的图像分割模型中，得到所述待分割图像的图像分割结果，其中，所述图像分割模型基于如上述实施例提供的图像分割模型训练方法训练得到。
本实施例中，获取待分割图像，当待分割图像为三维图像时，可以将三维图像进行切片处理，得到多个二维待分割图像，分别将多个二维待分割图像依次输入至具有图像分割功能的图像分割模型中，得到分割结果，其中，分割结果中可以包括各像素点属于分割目标的概率值，当概率值大于分类阈值(例如可以是0.5)时，则确定该像素点属于分割目标，当概率值小于该分类阈值，则确定该像素点不属于分割目标。将属于分割目标的像素点进行分割，得到分割目标。或者将分割目标中的像素点在待分割图像中进行区别显示，达到分割的目的。
进一步的，将多个二维待分割图像的分割结果进行对齐和组合，形成三维的分割结果，便于用户查看。
本实施例提供的技术方案，通过具有图像分割功能的高精度图像分割模型对待分割图像进行图像分割，快速得到分割结果，降低了假阳率。
实施例三
图5是本发明实施例三提供的一种图像分割模型训练装置的结构示意图，该装置包括：
样本获取模块310，用于获取样本图像以及所述样本图像中各像素点的原始标签；
预测结果获取模块320，用于将所述样本图像输入至待训练的图像分割模型中，根据所述待训练的图像分割模型的预测结果得到所述样本图像中各像素点属于分割目标的概率；
原始标签调节模块330，用于根据所述样本图像中各像素点属于分割目标的概率以及当前迭代的概率阈值，对所述样本图像的原始标签进行调节；
网络参数调节模块340，用于基于所述样本图像中各像素点的调节后的标签以及属于分割目标的概率调节所述待训练的图像分割模型的网络参数，得到当前迭代的图像分割模型。
其中，所述样本获取模块、所述预测结果获取模块、所述原始标签调节模块和所述网络参数调节模块循环调用，对所述待训练的图像分割模型进行迭代训练，得到目标图像分割模型。
可选的，原始标签调节模块330用于：
所述预测结果中，与当前像素点属于分割目标的概率不满足所述当前像素点的原始标签对应的所述当前迭代的概率阈值时，基于预设调节值对所述原始标签进行调节，得到各像素点调节后的标签。
可选的，所述原始标签包括正样本标签和负样本标签，其中，所述正样本标签和所述负样本标签为数值标签。
相应的，原始标签调节模块330包括：
第一调节单元，用于所述当前像素点的原始标签为正样本标签，且所述预测结果中所述当前像素点属于分割目标的概率小于所述当前迭代中的第一概率阈值时，基于第一调节值对所述当前像素点的正样本标签进行调节；
第二调节单元，用于所述当前像素点的原始标签为负样本标签，且所述预测结果中所述当前像素点属于分割目标的概率大于所述当前迭代中的第二概率阈值时，基于第二调节值对所述当前像素点的负样本标签进行调节。
可选的，在任一次迭代中，所述概率阈值在第一范围内随机生成，所述预设调节值在第二范围内随机生成。
可选的，在任一次迭代中，所述概率阈值基于第一函数确定，所述预设调节值基于第二函数确定。
可选的，网络参数调节模块340包括：
损失函数确定单元，用于根据所述样本图像中各像素点的调节后的标签以及属于分割目标的概率确定损失函数；
网络参数调节单元，用于基于所述损失函数调节所述待训练的图像分割模型的网络参数，得到当前迭代的图像分割模型。
本发明实施例提供的图像分割模型训练装置可执行本发明任意实施例所提供的图像分割模型训练方法，具备执行图像分割模型训练方法相应的功能模块和有益效果。
实施例四
图6是本发明实施例四提供的一种图像分割装置的结构示意图，该装置包括：
图像获取模块410，用于获取待分割图像；
图像分割模块420，用于将所述待分割图像输入至预先训练的图像分割模型中，得到所述待分割图像的图像分割结果，其中，所述图像分割模型基于如任一实施例提供的所述图像分割模型训练方法训练得到。
本发明实施例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，具备执行图像分割方法相应的功能模块和有益效果。
实施例五
图7为本发明实施例五提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图7显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组程序模块46的程序/实用工具44，可以存储在例如存储器28中，这样的程序模块46包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块46通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及图像分割，例如实现本发明实施例所提供的一种图像分割模型训练方法或者一种图像分割方法。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及图像分割，例如实现本发明实施例所提供的一种图像分割方法。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的一种图像分割方法的技术方案。
实施例六
本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的一种图像分割模型训练方法或者一种图像分割方法。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上的方法操作，还可以执行本发明任意实施例所提供的一种图像分割方法中的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在视频片段、第二视频的特征编码、各视频片段的特征编码等，其中承载了计算机可读的程序代码。这种传播的视频片段、第二视频的特征编码、各视频片段的特征编码等形式。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
值得注意的是，上述视频处理装置的实施例中，所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (11)

1.一种图像分割模型训练方法，其特征在于，包括：
获取样本图像以及所述样本图像中各像素点的原始标签；
将所述样本图像输入至待训练的图像分割模型中，根据所述待训练的图像分割模型的预测结果得到所述样本图像中各像素点属于分割目标的概率；
根据所述样本图像中各像素点属于分割目标的概率以及当前迭代的概率阈值，对所述样本图像的原始标签进行调节；
基于所述样本图像中各像素点的调节后的标签以及属于分割目标的概率调节所述待训练的图像分割模型的网络参数，得到当前迭代的图像分割模型；
循环执行以上步骤，以对所述待训练的图像分割模型进行迭代训练，得到目标图像分割模型。
2.根据权利要求1所述的方法，其特征在于，根据所述样本图像中各像素点属于分割目标的概率以及当前迭代的概率阈值，对所述样本图像的原始标签进行调节，包括：
所述预测结果中，与当前像素点属于分割目标的概率不满足所述当前像素点的原始标签对应的所述当前迭代的概率阈值时，基于预设调节值对所述原始标签进行调节，得到各像素点调节后的标签。
3.根据权利要求2所述的方法，其特征在于，所述原始标签包括正样本标签和负样本标签，其中，所述正样本标签和所述负样本标签为数值标签；
其中，所述预测结果中，与当前像素点属于分割目标的概率不满足所述当前像素点的原始标签对应的所述当前迭代的概率阈值时，基于预设调节值对所述原始标签进行调节，包括：
所述当前像素点的原始标签为正样本标签，且所述预测结果中所述当前像素点属于分割目标的概率小于所述当前迭代中的第一概率阈值时，基于第一调节值对所述当前像素点的正样本标签进行调节；
所述当前像素点的原始标签为负样本标签，且所述预测结果中所述当前像素点属于分割目标的概率大于所述当前迭代中的第二概率阈值时，基于第二调节值对所述当前像素点的负样本标签进行调节。
4.根据权利要求2所述的方法，其特征在于，在任一次迭代中，所述概率阈值在第一范围内随机生成，所述预设调节值在第二范围内随机生成。
5.根据权利要求2所述的方法，其特征在于，在任一次迭代中，所述概率阈值基于第一函数确定，所述预设调节值基于第二函数确定。
6.根据权利要求1所述的方法，其特征在于，基于所述样本图像中各像素点的调节后的标签以及属于分割目标的概率调节所述待训练的图像分割模型的网络参数，得到当前迭代的图像分割模型，包括：
根据所述样本图像中各像素点的调节后的标签以及属于分割目标的概率确定损失函数；
基于所述损失函数调节所述待训练的图像分割模型的网络参数，得到当前迭代的图像分割模型。
7.一种图像分割方法，其特征在于，包括：
获取待分割图像，将所述待分割图像输入至预先训练的图像分割模型中，得到所述待分割图像的图像分割结果，其中，所述图像分割模型基于如权利要求1-6任一所述图像分割模型训练方法训练得到。
8.一种图像分割模型训练装置，其特征在于，包括：
样本获取模块，用于获取样本图像以及所述样本图像中各像素点的原始标签；
预测结果获取模块，用于将所述样本图像输入至待训练的图像分割模型中，根据所述待训练的图像分割模型的预测结果得到所述样本图像中各像素点属于分割目标的概率；
原始标签调节模块，用于根据所述样本图像中各像素点属于分割目标的概率以及当前迭代的概率阈值，对所述样本图像的原始标签进行调节；
网络参数调节模块，用于基于所述样本图像中各像素点的调节后的标签以及属于分割目标的概率调节所述待训练的图像分割模型的网络参数，得到当前迭代的图像分割模型；
其中，所述样本获取模块、所述预测结果获取模块、所述原始标签调节模块和所述网络参数调节模块循环调用，对所述待训练的图像分割模型进行迭代训练，得到目标图像分割模型。
9.一种图像分割装置，其特征在于，包括：
图像获取模块，用于获取待分割图像；
图像分割模块，用于将所述待分割图像输入至预先训练的图像分割模型中，得到所述待分割图像的图像分割结果，其中，所述图像分割模型基于如权利要求1-6任一所述图像分割模型训练方法训练得到。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的图像分割模型训练方法或者如权利要求7所述的图像分割方法。
11.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-6中任一项所述的图像分割模型训练方法或者如权利要求7所述的图像分割方法。
CN202010139873.6A 2020-03-03 2020-03-03 图像分割模型训练方法、图像分割方法及装置 Active CN111311613B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010139873.6A CN111311613B (zh) 2020-03-03 2020-03-03 图像分割模型训练方法、图像分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010139873.6A CN111311613B (zh) 2020-03-03 2020-03-03 图像分割模型训练方法、图像分割方法及装置

Publications (2)

Publication Number Publication Date
CN111311613A true CN111311613A (zh) 2020-06-19
CN111311613B CN111311613B (zh) 2021-09-07

Family

ID=71162048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010139873.6A Active CN111311613B (zh) 2020-03-03 2020-03-03 图像分割模型训练方法、图像分割方法及装置

Country Status (1)

Country Link
CN (1) CN111311613B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723815A (zh) * 2020-06-23 2020-09-29 中国工商银行股份有限公司 模型训练方法、图像处理方法、装置、计算机系统和介质
CN111862045A (zh) * 2020-07-21 2020-10-30 上海杏脉信息科技有限公司 血管模型的生成方法及装置
CN112150472A (zh) * 2020-09-24 2020-12-29 北京羽医甘蓝信息技术有限公司 基于cbct的三维颌骨图像分割方法、装置及终端设备
CN112150473A (zh) * 2020-09-24 2020-12-29 北京羽医甘蓝信息技术有限公司 基于ct的三维颌骨图像分割建模方法、装置及终端设备
CN112287993A (zh) * 2020-10-26 2021-01-29 推想医疗科技股份有限公司 模型生成方法、图像分类方法、装置、电子设备及介质
CN113256651A (zh) * 2021-05-21 2021-08-13 推想医疗科技股份有限公司 模型训练方法及装置、图像分割方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170076438A1 (en) * 2015-08-31 2017-03-16 Cape Analytics, Inc. Systems and methods for analyzing remote sensing imagery
CN109493346A (zh) * 2018-10-31 2019-03-19 浙江大学 一种基于多损失的胃癌病理切片图像分割方法和装置
CN109741347A (zh) * 2018-12-30 2019-05-10 北京工业大学 一种基于卷积神经网络的迭代学习的图像分割方法
CN110796115A (zh) * 2019-11-08 2020-02-14 厦门美图之家科技有限公司 图像检测方法、装置、电子设备及可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170076438A1 (en) * 2015-08-31 2017-03-16 Cape Analytics, Inc. Systems and methods for analyzing remote sensing imagery
CN109493346A (zh) * 2018-10-31 2019-03-19 浙江大学 一种基于多损失的胃癌病理切片图像分割方法和装置
CN109741347A (zh) * 2018-12-30 2019-05-10 北京工业大学 一种基于卷积神经网络的迭代学习的图像分割方法
CN110796115A (zh) * 2019-11-08 2020-02-14 厦门美图之家科技有限公司 图像检测方法、装置、电子设备及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RAFAEL MÜLLER等: "When Does Label Smoothing Help?", 《33RD CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS (NEURIPS 2019), VANCOUVER, CANADA》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723815A (zh) * 2020-06-23 2020-09-29 中国工商银行股份有限公司 模型训练方法、图像处理方法、装置、计算机系统和介质
CN111862045A (zh) * 2020-07-21 2020-10-30 上海杏脉信息科技有限公司 血管模型的生成方法及装置
CN111862045B (zh) * 2020-07-21 2021-09-07 上海杏脉信息科技有限公司 血管模型的生成方法及装置
CN112150472A (zh) * 2020-09-24 2020-12-29 北京羽医甘蓝信息技术有限公司 基于cbct的三维颌骨图像分割方法、装置及终端设备
CN112150473A (zh) * 2020-09-24 2020-12-29 北京羽医甘蓝信息技术有限公司 基于ct的三维颌骨图像分割建模方法、装置及终端设备
CN112287993A (zh) * 2020-10-26 2021-01-29 推想医疗科技股份有限公司 模型生成方法、图像分类方法、装置、电子设备及介质
CN113256651A (zh) * 2021-05-21 2021-08-13 推想医疗科技股份有限公司 模型训练方法及装置、图像分割方法及装置

Also Published As

Publication number Publication date
CN111311613B (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN111311613B (zh) 图像分割模型训练方法、图像分割方法及装置
US11200424B2 (en) Space-time memory network for locating target object in video content
WO2022105125A1 (zh) 图像分割方法、装置、计算机设备及存储介质
CN111028246A (zh) 一种医学图像分割方法、装置、存储介质及电子设备
CN113343982B (zh) 多模态特征融合的实体关系提取方法、装置和设备
CN111444807B (zh) 目标检测方法、装置、电子设备和计算机可读介质
CN112614144A (zh) 一种图像分割方法、装置、设备及存储介质
CN114581462A (zh) 一种图像分割方法、装置、设备和存储介质
CN111523169B (zh) 一种装修方案生成方法、装置、电子设备及存储介质
CN114445904A (zh) 基于全卷积神经网络的虹膜分割方法和装置、介质和设备
CN113780326A (zh) 一种图像处理方法、装置、存储介质及电子设备
CN108460335B (zh) 视频细粒度识别方法、装置、计算机设备及存储介质
CN110135428B (zh) 图像分割处理方法和装置
CN111401309A (zh) 基于小波变换的cnn训练和遥感图像目标识别方法
CN111815748B (zh) 一种动画处理方法、装置、存储介质及电子设备
CN113409307A (zh) 基于异质噪声特性的图像去噪方法、设备及介质
CN117437423A (zh) 基于sam协同学习和跨层特征聚合增强的弱监督医学图像分割方法及装置
CN116778164A (zh) 一种基于多尺度结构改进DeeplabV3+网络的语义分割方法
CN110929731A (zh) 一种基于探路者智能搜索算法的医疗影像处理方法及装置
CN115049546A (zh) 样本数据处理方法、装置、电子设备及存储介质
CN114255381B (zh) 图像识别模型的训练方法、图像识别方法、装置及介质
CN112906652A (zh) 一种人脸图像的识别方法、装置、电子设备及存储介质
CN113627611A (zh) 一种模型训练方法、装置、电子设备及存储介质
CN113065585A (zh) 图像合成模型的训练方法、装置与电子设备
CN113450351B (zh) 分割模型训练方法、图像分割方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085

Applicant after: Tuxiang Medical Technology Co., Ltd

Address before: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085

Applicant before: Beijing Tuoxiang Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant