CN112541928A - 网络训练方法及装置、图像分割方法及装置和电子设备 - Google Patents
网络训练方法及装置、图像分割方法及装置和电子设备 Download PDFInfo
- Publication number
- CN112541928A CN112541928A CN202011511304.6A CN202011511304A CN112541928A CN 112541928 A CN112541928 A CN 112541928A CN 202011511304 A CN202011511304 A CN 202011511304A CN 112541928 A CN112541928 A CN 112541928A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- sample image
- network
- image
- training
- 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.)
- Withdrawn
Links
- 238000012549 training Methods 0.000 title claims abstract description 290
- 238000000034 method Methods 0.000 title claims abstract description 116
- 238000003709 image segmentation Methods 0.000 title claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 751
- 238000002372 labelling Methods 0.000 claims abstract description 138
- 238000012545 processing Methods 0.000 claims description 50
- 238000005520 cutting process Methods 0.000 claims description 38
- 238000005070 sampling Methods 0.000 claims description 36
- 238000003860 storage Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 12
- 230000000747 cardiac effect Effects 0.000 claims description 10
- 210000000709 aorta Anatomy 0.000 claims description 6
- 210000005246 left atrium Anatomy 0.000 claims description 6
- 230000002107 myocardial effect Effects 0.000 claims description 6
- 210000001147 pulmonary artery Anatomy 0.000 claims description 6
- 210000005245 right atrium Anatomy 0.000 claims description 6
- 210000005241 right ventricle Anatomy 0.000 claims description 6
- 210000005242 cardiac chamber Anatomy 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 17
- 230000006870 function Effects 0.000 description 22
- 230000008569 process Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 20
- 238000002591 computed tomography Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 230000001902 propagating effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013434 data augmentation Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 230000000644 propagated effect Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 206010007513 Cardiac aneurysm Diseases 0.000 description 1
- 208000006029 Cardiomegaly Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
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
本公开涉及一种网络训练方法及装置、图像分割方法及装置和电子设备。该方法可以应用于医学影像的分割,网络训练方法包括:根据第一训练集,对初始状态的第一及第二分割网络训练,得到第一状态的第一及第二分割网络,第一训练集中包括已标注的第一样本图像及未标注的第二样本图像;通过第一状态的第二分割网络及形状约束网络对第二样本图像标注,确定出已标注的第三及第四样本图像,第三样本图像的标注精度大于第四样本图像的标注精度;根据第二训练集,对第一状态的第一分割网络训练,得到目标状态的第一分割网络,第二训练集中包括已标注的第一、第三及第四样本图像。本公开实施例可提高分割网络的训练效果。
Description
技术领域
本公开涉及计算机视觉技术领域,尤其涉及一种网络训练方法及装置、图像分割方法及装置和电子设备。
背景技术
深度学习在自然图像处理与识别等领域取得了巨大的成功,在医学影像方面较传统的图像处理算法也取得了长足的进展。利用深度学习技术,对医学影像数据进行组织器官的自动分割和识别,可以大大提高医生工作效率。
根据相关技术的医学图像分割及识别方法,通常是全监督式的深度学习,依赖于大量标注的数据才能获得较好的分割识别效果。然而,由于训练样本的收集会涉及到患者的隐私问题,复杂的标注也需要有经验的高年资医生来完成,因此在很多应用中难以收集到足够的训练数据(尤其针对三维医疗图像)来覆盖患者和成像采集之间的差异,导致网络训练效果较差,无法实现准确的分割和识别。
发明内容
本公开提出了一种网络训练方法及装置、图像分割方法及装置和电子设备。
根据本公开的一方面,提供了一种网络训练方法,包括:
根据预设的第一训练集,对初始状态的第一分割网络及初始状态的第二分割网络进行训练,得到第一状态的第一分割网络及第一状态的第二分割网络;其中,所述第一训练集中包括已标注的第一样本图像及未标注的第二样本图像,所述第二分割网络用于训练所述第一分割网络;通过所述第一状态的第二分割网络以及已训练的形状约束网络,对所述第二样本图像进行标注,从所述第二样本图像中确定出已标注的第三样本图像及已标注的第四样本图像,所述第三样本图像的第一标注信息的标注精度大于所述第四样本图像的第一标注信息的标注精度;根据第二训练集,对所述第一状态的第一分割网络进行训练,得到目标状态的第一分割网络,所述第二训练集中包括已标注的第一样本图像、已标注的第三样本图像及已标注的第四样本图像。
在一种可能的实现方式中,所述通过所述第一状态的第二分割网络以及已训练的形状约束网络,对所述第二样本图像进行标注,从所述第二样本图像中确定出已标注的第三样本图像及已标注的第四样本图像,包括:通过所述第一状态的第二分割网络对所述第二样本图像进行分割,得到所述第二样本图像的第一分割图;通过已训练的形状约束网络对所述第一分割图进行调整,得到所述第二样本图像的第二分割图及第一标注信息,所述第一标注信息包括所述第二分割图中的目标所在的区域及目标的类别;根据所述第一分割图及所述第二分割图,从所述第二样本图像中确定出已标注的第三样本图像及已标注的第四样本图像。
在一种可能的实现方式中,所述根据所述第一分割图及所述第二分割图,从所述第二样本图像中确定出已标注的第三样本图像及已标注的第四样本图像,包括:分别确定各个第二样本图像的第一分割图与第二分割图中的对应目标之间的距离信息;将距离信息满足预设条件的第二样本图像,确定为所述第三样本图像;将第二样本图像中除了所述第三样本图像之外的图像,确定为所述第四样本图像。
在一种可能的实现方式中,所述距离信息包括霍夫距离及戴斯指标,所述预设条件包括以下至少一个:所述第二样本图像的第一平均值处于预设范围内,所述第一平均值为所述第二样本图像中多个目标的霍夫距离的平均值,所述预设范围包括第一平均值最小的预设数量的第二样本图像;所述第二样本图像中的第二平均值大于或等于预设的指标阈值,所述第二平均值为所述第二样本图像中多个目标的戴斯指标的平均值;所述第二样本图像中多个目标的霍夫距离的最大值小于或等于距离阈值,所述距离阈值为所述多个目标的第一平均值与标准差的加权和。
在一种可能的实现方式中,所述根据预设的第一训练集,对初始状态的第一分割网络及初始状态的第二分割网络进行训练,得到第一状态的第一分割网络及第一状态的第二分割网络,包括:将所述第一样本图像及所述第二样本图像分别输入第一分割网络,得到第一分割结果及第二分割结果;将所述第一样本图像及所述第二样本图像分别输入第二分割网络,得到第三分割结果及第四分割结果;根据所述第一样本图像的标注信息、所述第一分割结果、所述第二分割结果、所述第三分割结果及所述第四分割结果,确定所述第一分割网络的第一损失;根据所述第一损失,更新所述第一分割网络的网络参数;根据所述第一分割网络的网络参数的指数移动平均值,更新所述第二分割网络的网络参数。
在一种可能的实现方式中,所述根据所述第一样本图像的标注信息、所述第一分割结果、所述第二分割结果、所述第三分割结果及所述第四分割结果,确定所述第一分割网络的第一损失,包括:根据所述第一样本图像的标注信息及所述第一分割结果,确定第一子损失;根据所述第一分割结果、所述第二分割结果、所述第三分割结果及所述第四分割结果,确定第二子损失;根据所述第一子损失及所述第二子损失,确定所述第一损失。
在一种可能的实现方式中,所述根据第二训练集,对所述第一状态的第一分割网络进行训练,得到目标状态的第一分割网络,包括:对所述第二训练集中的样本图像进行降采样,得到预设尺寸的降采样图像;根据所述降采样图像,对所述第一状态的第一分割网络进行训练,得到第二状态的第一分割网络;对所述第二训练集中的样本图像进行裁剪,得到所述预设尺寸的裁剪图像块;根据所述裁剪图像块,对所述第二状态的第一分割网络进行训练,得到目标状态的第一分割网络。
在一种可能的实现方式中,所述根据所述降采样图像,对第一状态的第一分割网络进行训练,得到第二状态的第一分割网络,包括:将所述第一样本图像及所述第三样本图像的降采样图像输入所述第一分割网络,得到第五分割结果;将所述第四样本图像的降采样图像输入所述第一分割网络,得到第六分割结果;根据所述第一样本图像的标注信息、所述第三样本图像的第一标注信息,以及所述第五分割结果,确定第一分割网络的第三子损失;根据所述第四样本图像的第一标注信息以及所述第六分割结果,确定第一分割网络的第四子损失;根据所述第三子损失与所述第四子损失的加权和,确定所述第一分割网络的第二损失,所述第三子损失的权重值大于所述第四子损失的权重值;根据所述第二损失,更新所述第一分割网络的网络参数。
在一种可能的实现方式中,所述根据第二训练集,对所述第一状态的第一分割网络进行训练,得到目标状态的第一分割网络,还包括:通过所述第二状态的第一分割网络对所述第二样本图像进行分割,得到所述第二样本图像的第三分割图;通过所述形状约束网络对所述第三分割图进行调整,得到所述第二样本图像的第四分割图及第二标注信息,所述第二标注信息包括所述第四分割图中的目标所在的区域及目标的类别;根据所述第三分割图及所述第四分割图,从所述第二样本图像中确定出已标注的第五样本图像及已标注的第六样本图像,所述第五样本图像的第二标注信息的标注精度大于所述第六样本图像的第二标注信息的标注精度。
在一种可能的实现方式中,所述根据所述裁剪图像块,对所述第二状态的第一分割网络进行训练,得到目标状态的第一分割网络,包括:将所述第一样本图像及所述第五样本图像的裁剪图像块输入所述第一分割网络,得到第七分割结果;将所述第六样本图像的裁剪图像块输入所述第一分割网络,得到第八分割结果;根据所述第一样本图像的标注信息、所述第五样本图像的第二标注信息,以及所述第七分割结果,确定第一分割网络的第五子损失;根据所述第六样本图像的第二标注信息以及所述第八分割结果,确定第一分割网络的第六子损失;根据所述第五子损失与所述第六子损失的加权和,确定所述第一分割网络的第三损失,所述第五子损失的权重值大于所述第六子损失的权重值;根据所述第三损失,更新所述第一分割网络的网络参数。
在一种可能的实现方式中,所述方法还包括:根据所述第一样本图像训练所述形状约束网络,其中,所述初始状态与所述第一状态之间包括K个训练批次,K为大于1的整数,所述根据所述第一样本图像训练所述形状约束网络,包括:
通过后k个训练批次训练的第二分割网络分别对所述第一样本图像进行分割,得到所述第一样本图像的第五分割图,1<k≤K;通过所述形状约束网络对所述第一样本图像的多个第五分割图分别进行处理,得到所述第一样本图像的多个第六分割图;根据所述第一样本图像的标注信息及所述多个第六分割图,确定所述形状约束网络的第四损失;根据所述第四损失,更新所述形状约束网络的网络参数。
在一种可能的实现方式中,所述通过后k个训练批次训练的第二分割网络分别对所述第一样本图像进行分割,得到所述第一样本图像的第五分割图,包括:在所述第一样本图像进行降采样,得到所述预设尺寸的第一降采样图;对所述第一降采样图添加噪声信息,得到第二降采样图;将所述第一降采样图及所述第二降采样图分别输入所述第二分割网络,得到所述第一样本图像的第五分割图。
在一种可能的实现方式中,所述通过所述形状约束网络对所述第一样本图像的多个第五分割图分别进行处理,得到所述第一样本图像的多个第六分割图,包括:对所述第五分割图进行图像变换,得到与所述第五分割图对应的多个第七分割图;将所述第五分割图及所述多个第七分割图分别输入所述形状约束网络,得到与所述第五分割图对应的多个第六分割图,其中,所述图像变换包括随机翻转、旋转、缩放中的至少一种。
在一种可能的实现方式中,所述将所述第一样本图像及所述第二样本图像分别输入第一分割网络,得到第一分割结果及第二分割结果,包括:对所述第一样本图像及所述第二样本图像进行裁剪,得到预设尺寸的裁剪图像块;将所述第一样本图像的裁剪图像块及所述第二样本图像的裁剪图像块分别输入所述第一分割网络,得到所述第一分割结果及所述第二分割结果;
其中,所述将所述第一样本图像及所述第二样本图像分别输入第二分割网络,得到第三分割结果及第四分割结果,包括:将所述第一样本图像的裁剪图像块及所述第二样本图像的裁剪图像块分别输入所述第二分割网络,得到所述第三分割结果及所述第四分割结果。
在一种可能的实现方式中,所述目标状态的第一分割网络用于对待处理图像中的目标进行分割,所述待处理图像包括三维的心脏CT图像,所述目标包括心脏的腔体,所述腔体的类别包括左心腔、左心肌壁、右心室、左心房、右心房、主动脉、肺动脉中的至少一种。
根据本公开的一方面,提供了一种图像分割方法,包括:通过第一分割网络对待处理图像进行分割,得到分割结果,所述分割结果包括所述待处理图像中的目标所在的区域及目标的类别,其中,所述第一分割网络是根据上述的网络训练方法训练得到的。
根据本公开的一方面,提供了一种网络训练装置,包括:
第一训练模块,用于根据预设的第一训练集,对初始状态的第一分割网络及初始状态的第二分割网络进行训练,得到第一状态的第一分割网络及第一状态的第二分割网络;
其中,所述第一训练集中包括已标注的第一样本图像及未标注的第二样本图像,所述第二分割网络用于训练所述第一分割网络;
标注模块,用于通过所述第一状态的第二分割网络以及已训练的形状约束网络,对所述第二样本图像进行标注,从所述第二样本图像中确定出已标注的第三样本图像及已标注的第四样本图像,所述第三样本图像的第一标注信息的标注精度大于所述第四样本图像的第一标注信息的标注精度;
第二训练模块,用于根据第二训练集,对所述第一状态的第一分割网络进行训练,得到目标状态的第一分割网络,所述第二训练集中包括已标注的第一样本图像、已标注的第三样本图像及已标注的第四样本图像。
在一种可能的实现方式中,所述标注模块包括:第一分割子模块,用于通过所述第一状态的第二分割网络对所述第二样本图像进行分割,得到所述第二样本图像的第一分割图;第一调整子模块,用于通过已训练的形状约束网络对所述第一分割图进行调整,得到所述第二样本图像的第二分割图及第一标注信息,所述第一标注信息包括所述第二分割图中的目标所在的区域及目标的类别;第一标注子模块,用于根据所述第一分割图及所述第二分割图,从所述第二样本图像中确定出已标注的第三样本图像及已标注的第四样本图像。
在一种可能的实现方式中,所述第一标注子模块用于:分别确定各个第二样本图像的第一分割图与第二分割图中的对应目标之间的距离信息;将距离信息满足预设条件的第二样本图像,确定为所述第三样本图像;将第二样本图像中除了所述第三样本图像之外的图像,确定为所述第四样本图像。
在一种可能的实现方式中,所述距离信息包括霍夫距离及戴斯指标,所述预设条件包括以下至少一个:所述第二样本图像的第一平均值处于预设范围内,所述第一平均值为所述第二样本图像中多个目标的霍夫距离的平均值,所述预设范围包括第一平均值最小的预设数量的第二样本图像;所述第二样本图像中的第二平均值大于或等于预设的指标阈值,所述第二平均值为所述第二样本图像中多个目标的戴斯指标的平均值;所述第二样本图像中多个目标的霍夫距离的最大值小于或等于距离阈值,所述距离阈值为所述多个目标的第一平均值与标准差的加权和。
在一种可能的实现方式中,所述第一训练模块包括:第一结果获得子模块,用于将所述第一样本图像及所述第二样本图像分别输入第一分割网络,得到第一分割结果及第二分割结果;第二结果获得子模块,用于将所述第一样本图像及所述第二样本图像分别输入第二分割网络,得到第三分割结果及第四分割结果;第一损失确定子模块,用于根据所述第一样本图像的标注信息、所述第一分割结果、所述第二分割结果、所述第三分割结果及所述第四分割结果,确定所述第一分割网络的第一损失;第一更新子模块,用于根据所述第一损失,更新所述第一分割网络的网络参数;第二更新子模块,用于根据所述第一分割网络的网络参数的指数移动平均值,更新所述第二分割网络的网络参数。
在一种可能的实现方式中,所述第一损失确定子模块用于:根据所述第一样本图像的标注信息及所述第一分割结果,确定第一子损失;根据所述第一分割结果、所述第二分割结果、所述第三分割结果及所述第四分割结果,确定第二子损失;根据所述第一子损失及所述第二子损失,确定所述第一损失。
在一种可能的实现方式中,所述第二训练模块包括:降采样子模块,用于对所述第二训练集中的样本图像进行降采样,得到预设尺寸的降采样图像;第一训练子模块,用于根据所述降采样图像,对所述第一状态的第一分割网络进行训练,得到第二状态的第一分割网络;裁剪子模块,用于对所述第二训练集中的样本图像进行裁剪,得到所述预设尺寸的裁剪图像块;第二训练子模块,用于根据所述裁剪图像块,对所述第二状态的第一分割网络进行训练,得到目标状态的第一分割网络。
在一种可能的实现方式中,所述第一训练子模块用于:将所述第一样本图像及所述第三样本图像的降采样图像输入所述第一分割网络,得到第五分割结果;将所述第四样本图像的降采样图像输入所述第一分割网络,得到第六分割结果;根据所述第一样本图像的标注信息、所述第三样本图像的第一标注信息,以及所述第五分割结果,确定第一分割网络的第三子损失;根据所述第四样本图像的第一标注信息以及所述第六分割结果,确定第一分割网络的第四子损失;根据所述第三子损失与所述第四子损失的加权和,确定所述第一分割网络的第二损失,所述第三子损失的权重值大于所述第四子损失的权重值;根据所述第二损失,更新所述第一分割网络的网络参数。
在一种可能的实现方式中,所述第二训练模块还包括:第二分割子模块,用于通过所述第二状态的第一分割网络对所述第二样本图像进行分割,得到所述第二样本图像的第三分割图;第二调整子模块,用于通过所述形状约束网络对所述第三分割图进行调整,得到所述第二样本图像的第四分割图及第二标注信息,所述第二标注信息包括所述第四分割图中的目标所在的区域及目标的类别;第二标注子模块,用于根据所述第三分割图及所述第四分割图,从所述第二样本图像中确定出已标注的第五样本图像及已标注的第六样本图像,所述第五样本图像的第二标注信息的标注精度大于所述第六样本图像的第二标注信息的标注精度。
在一种可能的实现方式中,所述第二训练子模块,用于:将所述第一样本图像及所述第五样本图像的裁剪图像块输入所述第一分割网络,得到第七分割结果;将所述第六样本图像的裁剪图像块输入所述第一分割网络,得到第八分割结果;根据所述第一样本图像的标注信息、所述第五样本图像的第二标注信息,以及所述第七分割结果,确定第一分割网络的第五子损失;根据所述第六样本图像的第二标注信息以及所述第八分割结果,确定第一分割网络的第六子损失;根据所述第五子损失与所述第六子损失的加权和,确定所述第一分割网络的第三损失,所述第五子损失的权重值大于所述第六子损失的权重值;根据所述第三损失,更新所述第一分割网络的网络参数。
在一种可能的实现方式中,所述装置还包括:第三训练模块,用于根据所述第一样本图像训练所述形状约束网络,其中,所述初始状态与所述第一状态之间包括K个训练批次,K为大于1的整数,所述第三训练模块包括:
第三分割子模块,用于通过后k个训练批次训练的第二分割网络分别对所述第一样本图像进行分割,得到所述第一样本图像的第五分割图,1<k≤K;第三调整子模块,用于通过所述形状约束网络对所述第一样本图像的多个第五分割图分别进行处理,得到所述第一样本图像的多个第六分割图;第二损失确定子模块,用于根据所述第一样本图像的标注信息及所述多个第六分割图,确定所述形状约束网络的第四损失;第三更新子模块,用于根据所述第四损失,更新所述形状约束网络的网络参数。
在一种可能的实现方式中,所述第三分割子模块用于:在所述第一样本图像进行降采样,得到所述预设尺寸的第一降采样图;对所述第一降采样图添加噪声信息,得到第二降采样图;将所述第一降采样图及所述第二降采样图分别输入所述第二分割网络,得到所述第一样本图像的第五分割图。
在一种可能的实现方式中,所述第三调整子模块用于:对所述第五分割图进行图像变换,得到与所述第五分割图对应的多个第七分割图;将所述第五分割图及所述多个第七分割图分别输入所述形状约束网络,得到与所述第五分割图对应的多个第六分割图,其中,所述图像变换包括随机翻转、旋转、缩放中的至少一种。
在一种可能的实现方式中,所述第一结果获得子模块,用于:对所述第一样本图像及所述第二样本图像进行裁剪,得到预设尺寸的裁剪图像块;将所述第一样本图像的裁剪图像块及所述第二样本图像的裁剪图像块分别输入所述第一分割网络,得到所述第一分割结果及所述第二分割结果;其中,所述第二结果获得子模块,用于:将所述第一样本图像的裁剪图像块及所述第二样本图像的裁剪图像块分别输入所述第二分割网络,得到所述第三分割结果及所述第四分割结果。
在一种可能的实现方式中,所述目标状态的第一分割网络用于对待处理图像中的目标进行分割,所述待处理图像包括三维的心脏CT图像,所述目标包括心脏的腔体,所述腔体的类别包括左心腔、左心肌壁、右心室、左心房、右心房、主动脉、肺动脉中的至少一种。
根据本公开的一方面,提供了一种图像分割装置,包括:分割模块,用于通过第一分割网络对待处理图像进行分割,得到分割结果,所述分割结果包括所述待处理图像中的目标所在的区域及目标的类别,其中,所述第一分割网络是根据上述的网络训练方法训练得到的。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
根据本公开的实施例,能够基于已标注的第一样本及未标注的第二样本,训练结构相同的第一分割网络及第二分割网络,得到第一状态的第一分割网络及第二分割网络;根据第一状态的第二分割网络及已训练的形状约束网络,对第二样本进行标注,并确定出标注质量不同的第三样本和第四样本;根据已标注的第一、第三及第四样本训练第一分割网络,得到目标状态的第一分割网络。通过对半监督学习和自训练学习进行结合,并引入形状约束网络评估标注质量的处理方式,能够在标注样本数量较少的情况下,训练得到高精度的分割网络,从而提高图像的分割识别效果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的网络训练方法的流程图。
图2示出根据本公开实施例的网络训练过程的示意图。
图3示出根据本公开实施例的网络训练装置的框图。
图4示出根据本公开实施例的一种电子设备的框图。
图5示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
根据本公开实施例的网络训练方法,提出了简单高效的小样本学习(few-shotlearning,FSL)框架,能够在标注样本数量较少的情况下,训练得到高精度的分割网络。该分割网络能够用于对计算机断层扫描(computed tomography,CT)、磁共振成像(magneticresonance imaging,MRI)等三维医学图像中的器官(例如心脏)和/或器官的各个部位(例如心脏的多个腔室),进行准确的分割和识别,从而有效地解决医疗图像数据标注有限,导致网络训练效果较差,无法实现准确的分割和识别的问题。
根据本公开实施例的网络训练方法可以由终端设备或服务器等电子设备执行,该方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
图1示出根据本公开实施例的网络训练方法的流程图。如图1所示,所述网络训练方法包括:
在步骤S11中,根据预设的第一训练集,对初始状态的第一分割网络及初始状态的第二分割网络进行训练,得到第一状态的第一分割网络及第一状态的第二分割网络;
其中,所述第一训练集中包括已标注的第一样本图像及未标注的第二样本图像,所述第一分割网络与所述第二分割网络的网络结构相同,所述第二分割网络用于训练所述第一分割网络;
在步骤S12中,通过所述第一状态的第二分割网络以及已训练的形状约束网络,对所述第二样本图像进行标注,从所述第二样本图像中确定出已标注的第三样本图像及已标注的第四样本图像,所述第三样本图像的第一标注信息的标注精度大于所述第四样本图像的第一标注信息的标注精度;
在步骤S13中,根据第二训练集,对所述第一状态的第一分割网络进行训练,得到目标状态的第一分割网络,所述第二训练集中包括已标注的第一样本图像、已标注的第三样本图像及已标注的第四样本图像。
举例来说,可根据平均值教师模型(mean teacher model)的学习思想,构建第一分割网络及第二分割网络。第一分割网络为学生网络,用于对图像进行分割,第二分割网络为教师网络,用于训练该第一分割网络,第一分割网络与第二分割网络的网络结构相同。
其中,第一分割网络和第二分割网络可为采用编码器-解码器结构的卷积神经网络,包括多个卷积层(例如二维卷积或三维卷积)、多个反卷积层(例如二维反卷积或三维反卷积)、全连接层、激活层等,本公开对第一分割网络和第二分割网络的具体网络结构不作限制。
在一种可能的实现方式中,可获取不同对象(例如患者)的医疗图像作为初始的样本图像,医疗图像可例如为二维的X射线照影图像、二维的超声(ultrasound,US)图像、三维的CT图像等,本公开对医疗图像的具体类型不作限制。
由于不同对象(例如患者)的医疗图像可能存在分辨率差异,例如同一三维图像的x,y,z三个方向上的分辨率可能不同。因此,可对初始的样本图像进行重采样操作,使得重采样后的样本图像的分辨率一致,满足网络输入的要求。此外,还可以对重采样后的样本图像进行归一化操作,得到归一化后的样本图像。这样,经上述的预处理,可得到适应于网络训练的样本图像。本公开对预处理的具体处理方式不作限制。
在一种可能的实现方式中,可将具有标注信息的样本图像(可称为第一样本图像)和没有标注信息的样本图像(可称为第二样本图像)加入预设的第一训练集中。第一样本图像和第二样本图像为的图像类型相同,例如为三维的CT图像。其中,第一样本图像的数量小于第二样本图像的数量。也即,第一训练集中包括少量的标注样本和大量的未标注样本。
在一种可能的实现方式中,第一样本图像的标注信息可包括第一样本图像中的目标所在的图像区域以及目标的类别。在第一样本图像和第二样本图像为三维的心脏CT图像的情况下,图像中的目标可为心脏的腔体,目标的类别即为腔体的类别,包括左心腔、左心肌壁、右心室、左心房、右心房、主动脉、肺动脉中的至少一种。
本领域技术人员应当理解,第一样本图像和第二样本图像还可以为其他身体区域的三维医疗图像,目标可为图像中相应的器官、器官中的部位、骨骼、病灶等任意待分割识别的物体,本公开对第一样本图像和第二样本图像的图像类型及目标的类型均不作限制。
在一种可能的实现方式中,可在步骤S11中,可根据第一训练集中的第一样本图像和第二样本图像,对初始状态的第一分割网络及初始状态的第二分割网络进行训练。可将第一样本图像和第二样本图像分别输入第一分割网络和第二分割网络中处理,得到各个样本图像的分割结果。
在一种可能的实现方式中,由于CT图像分辨率较高且电子设备的处理器(例如图形处理器GPU)的内存有限,因此在第一样本图像和第二样本图像的尺寸超出处理能力时,可分别对第一样本图像和第二样本图像进行裁剪,得到预设尺寸的裁剪图像块;并将各个样本图像的裁剪图像块分别输入第一分割网络和第二分割网络中处理,得到各个裁剪图像块的分割结果。本公开对裁剪方式及预设尺寸的设置均不作限制。
在一种可能的实现方式中,在训练过程中,第二分割网络(教师模型)对所有样本图像进行分割,并将分割结果作为数据标签,指导第一分割网络(学生模型)的学习。
对于第一样本图像,可将第一分割网络的分割结果分别与真实的标注信息、第二分割网络的分割结果(也即教师模型预测的标签)分别进行比对,计算产生的网络损失;对于第二样本图像,可将第一分割网络的分割结果与第二分割网络的分割结果进行比对,计算产生的网络损失;将这两个网络损失的加权和作为第一分割网络的总体网络损失并反向传播,迭代更新第一分割网络的网络参数,直至网络收敛;并根据第一分割网络的网络参数,计算该网络参数随时间的指数移动平均值(exponential moving average,EMA),更新第二割网络的网络参数。
经过多个训练批次的训练,在网络收敛的情况下,可得到第一状态的第一分割网络及第一状态的第二分割网络,从而完成初始学习阶段的训练过程。
在一种可能的实现方式中,在完成初始学习阶段后,可在步骤S12中确定出第二样本图像的标注信息(也即伪标注标签),并区分出高质量的标注信息和低质量的标注信息,以便指导后续的训练过程。
在一种可能的实现方式中,在步骤S12中,可通过第一状态的第二分割网络对第二样本图像进行分割,得到分割结果;再通过已训练的形状约束网络对该分割结果进行调整,得到优化后的分割结果;根据优化后的分割结果确定第二样本图像的第一标注信息;并根据优化前与优化后的分割结果之间的差异,确定第一标注信息的质量,从而将所述第二样本图像区分为第三样本图像和第四样本图像。
其中,第三样本图像的第一标注信息的标注精度大于所述第四样本图像的第一标注信息的标注精度。也即,第三样本图像的标注信息质量较高,第四样本图像的标注信息质量较低。
在一种可能的实现方式中,形状约束网络可为采用编码器-解码器结构的卷积神经网络,包括多个三维卷积层、三维反卷积层等,本公开对形状约束网络的具体网络结构不作限制。
在一种可能的实现方式中,形状约束网络可在第一分割网络及第二分割网络的初始学习阶段中同步进行训练,也可在初始学习阶段后进行训练。该形状约束网络可基于形状先验估计,通过对大量的掩膜进行学习,学习到了目标(例如心脏结构)的形状和位置信息。在使用时,形状约束网络可通过编码器提取出心脏各腔体的结构特征,并通过解码器输出重建后的优化结果,从而实现对第一分割网络和第二分割网络的分割结果中目标的形状调整。本公开对形状约束网络的具体训练方式不作限制。
在一种可能的实现方式中,在得到已标注的第三样本图像及已标注的第四样本图像后,可根据已标注的第一样本图像、已标注的第三样本图像及已标注的第四样本图像,建立第二样本集,并在步骤S13中,根据第二训练集,对所述第一状态的第一分割网络进行训练,得到目标状态的第一分割网络,从而完成后续学习阶段的训练过程。
在一种可能的实现方式中,在步骤S13的后续学习阶段中,可交替地使用裁剪策略和降采样策略进行训练。也即,将第二训练集中的各个样本图像(包括第一样本图像、第三样本图像及第四样本图像)裁剪成预设尺寸的图像块,输入第一分割网络处理,并根据分割结果及标注信息进行训练;将第二训练集中的各个样本图像(包括第一样本图像、第三样本图像及第四样本图像)降采样成预设尺寸的图像,输入第一分割网络处理,并根据分割结果及标注信息进行训练。这样,使得第一分割网络能够同时学习到三维CT图像的局部细节信息和全局上下文信息,进一步提高网络的训练效果。
经过多个训练批次的训练,在网络收敛的情况下,可得到目标状态的第一分割网络,从而完成后续学习阶段的训练过程。
根据本公开实施例的网络训练方法,能够基于已标注的第一样本及未标注的第二样本,训练结构相同的第一分割网络及第二分割网络,得到第一状态的第一分割网络及第二分割网络;根据第一状态的第二分割网络及已训练的形状约束网络,对第二样本进行标注,并确定出标注质量不同的第三样本和第四样本;根据已标注的第一、第三及第四样本训练第一分割网络,得到目标状态的第一分割网络。通过对半监督学习和自训练学习进行结合,并引入形状约束网络评估标注质量的处理方式,能够在标注样本数量较少的情况下,训练得到高精度的分割网络,从而提高图像的分割识别效果。
下面对本公开实施例的网络训练方法进行展开说明。
如前所述,可构建网络结构相同的第一分割网络及第二分割网络,并预设有第一训练集,该第一训练集包括已标注的第一样本图像和未标注的第二样本图像,以便进行初始学习阶段的训练。
在一种可能的实现方式中,在步骤S11中,根据预设的第一训练集,对初始状态的第一分割网络及初始状态的第二分割网络进行训练,得到第一状态的第一分割网络及第一状态的第二分割网络,包括:
将所述第一样本图像及所述第二样本图像分别输入第一分割网络,得到第一分割结果及第二分割结果;
将所述第一样本图像及所述第二样本图像分别输入第二分割网络,得到第三分割结果及第四分割结果;
根据所述第一样本图像的标注信息、所述第一分割结果、所述第二分割结果、所述第三分割结果及所述第四分割结果,确定所述第一分割网络的第一损失;
根据所述第一损失,更新所述第一分割网络的网络参数;
根据所述第一分割网络的网络参数的指数移动平均值,更新所述第二分割网络的网络参数。
举例来说,可将第一样本图像和第二样本图像分别输入第一分割网络和第二分割网络中处理,得到各个样本图像的分割结果(分别称为第一分割结果、第二分割结果、第三分割结果及第四分割结果)。
为了减小训练中的数据处理量,可在输入网络之前对第一样本图像和第二样本图像进行裁剪。其中,将所述第一样本图像及所述第二样本图像分别输入第一分割网络,得到第一分割结果及第二分割结果的步骤,可包括:
对所述第一样本图像及所述第二样本图像进行裁剪,得到预设尺寸的裁剪图像块;
将所述第一样本图像的裁剪图像块及所述第二样本图像的裁剪图像块分别输入所述第一分割网络,得到所述第一分割结果及所述第二分割结果;
其中,将所述第一样本图像及所述第二样本图像分别输入第二分割网络,得到第三分割结果及第四分割结果的步骤,可包括:
将所述第一样本图像的裁剪图像块及所述第二样本图像的裁剪图像块分别输入所述第二分割网络,得到所述第三分割结果及所述第四分割结果。
也就是说,可设置有预设尺寸,以使输入网络裁剪图像块尺寸一致。例如第一样本图像及第二样本图像的尺寸为288*288*288,预设尺寸为144*144*144。本公开对预设尺寸的具体取值不作限制。
在一种可能的实现方式中,可采用随机裁剪的方式,也可采用预设步长裁剪的方式。也即,在初始学习阶段的各个训练批次中,对样本图像随机裁剪,得到预设尺寸的裁剪图像块;或者以预设步长对样本图像进行裁剪,得到预设尺寸的裁剪图像块。本公开对此不作限制。
在一种可能的实现方式中,可将第一样本图像的裁剪图像块及第二样本图像的裁剪图像块分别输入第一分割网络中处理,得到第一分割结果及第二分割结果;类似地,将第一样本图像的裁剪图像块及第二样本图像的裁剪图像块分别输入第二分割网络中处理,得到第三分割结果及第四分割结果。
在一种可能的实现方式中,针对第二分割网络,为了提高网络的抗噪声能力,可在对第一样本图像的裁剪图像块及第二样本图像的裁剪图像块中添加随机的高斯噪声,将具有高斯噪声的裁剪图像块输入第二分割网络中处理,得到第三分割结果及第四分割结果,从而提高训练得到的网络的鲁棒性。
通过这种方式,可以减小训练中的数据处理量,并且学习到三维图像中的局部信息,从而提高网络训练效果。
在一种可能的实现方式中,根据所述第一样本图像的标注信息、所述第一分割结果、所述第二分割结果、所述第三分割结果及所述第四分割结果,确定所述第一分割网络的第一损失。该步骤可包括:
根据所述第一样本图像的标注信息及所述第一分割结果,确定第一子损失;
根据所述第一分割结果、所述第二分割结果、所述第三分割结果及所述第四分割结果,确定第二子损失;
根据所述第一子损失及所述第二子损失,确定所述第一损失。
举例来说,对于已标注的第一样本图像,可通过分类损失函数(例如交叉熵损失函数)来计算分割结果与标注信息之间的误差,也即,根据第一样本图像的标注信息及所述第一分割结果,确定第一子损失。
在一种可能的实现方式中,对于已标注的第一样本图像和未标注的第二样本图像,可通过均方误差损失函数来计算第一分割网络的分割结果与第二分割网络的分割结果之间的误差。也即根据所述第一分割结果、所述第二分割结果、所述第三分割结果及所述第四分割结果,确定第二子损失。
在一种可能的实现方式中,可将第一子损失及第二子损失的加权和,作为第一分割网络的总体网络损失(称为第一损失),如下公式所示:
L1=Lce1+λLmse (1)
在公式(1)中,L1表示第一损失;Lce1表示第一样本图像的第一子损失;Lmse表示第一样本图像和第二样本图像的第二子损失;λ表示第二子损失的权重。通过这种方式,可以确定第一分割网络的总体网络损失,从而训练网络。
在一种可能的实现方式中,可对第一损失进行反向传播,更新第一分割网络的网络参数,并且根据第一分割网络的网络参数随时间的指数移动平均值EMA,更新第二分割网络的网络参数。
经过多个训练批次的训练,在网络收敛的情况下,可得到第一状态的第一分割网络及第一状态的第二分割网络,从而完成初始学习阶段的训练过程。
通过这种方式,可以基于已标注的第一样本及未标注的第二样本进行半监督学习,得到第一状态的第一分割网络及第二分割网络,使得网络在标注样本数量较少的情况下达到较高的训练精度。
在完成初始学习阶段后,可在步骤S12中对未标注的第二样本进行标注。其中,步骤S12可包括:
通过所述第一状态的第二分割网络对所述第二样本图像进行分割,得到所述第二样本图像的第一分割图;
通过已训练的形状约束网络对所述第一分割图进行调整,得到所述第二样本图像的第二分割图及第一标注信息,所述第一标注信息包括所述第二分割图中的目标所在的区域及目标的类别;
根据所述第一分割图及所述第二分割图,从所述第二样本图像中确定出已标注的第三样本图像及已标注的第四样本图像。
举例来说,完成初始学习阶段后,第一状态的第二分割网络已具有一定的分割精度,且可能比学生模型的精度更高,可通过该状态的第二分割网络对未标注样本进行分割。
在一种可能的实现方式中,可对第二样本图像进行降采样处理,得到预设尺寸的降采样图像;将该降采样图像输入第一状态的第二分割网络中,输出第一分割图,分割出第二样本图像中的目标所在的图像区域及目标的类别。
在一种可能的实现方式中,可设置有已训练的形状约束网络,该形状约束网络基于形状先验估计,通过对大量的掩膜进行学习,学习到了目标(例如心脏结构)的形状和位置信息。本公开对形状约束网络的具体网络结构及训练方式不作限制。
在一种可能的实现方式中,可将第一分割图输入形状约束网络中,对第一分割图中的目标进行形状和位置调整,输出优化后的第二分割图,并将第二分割图中的目标所在的区域及目标的类别,作为第二样本图像的第一标注信息,也即伪标签。
在一种可能的实现方式中,根据优化前的第一分割图与优化后的第二分割图之间的差异,可确定第一标注信息的质量,从而区分出高质量的伪标签和低质量的伪标签,以便在后续训练中使用。
在一种可能的实现方式中,根据所述第一分割图及所述第二分割图,从所述第二样本图像中确定出已标注的第三样本图像及已标注的第四样本图像的步骤,可包括:
分别确定各个第二样本图像的第一分割图与第二分割图中的对应目标之间的距离信息;
将距离信息满足预设条件的第二样本图像,确定为第三样本图像;
将第二样本图像中除了所述第三样本图像之外的图像,确定为第四样本图像。
也就是说,根据第一分割图及第二分割图中对应的目标所在的区域,可确定出对应目标之间的距离信息,该距离信息可例如包括霍夫距离(Hausdorff Distance,HD)、戴斯指标(Dice score)。其中,霍夫距离HD越小,表示优化前与优化后的差异越小,伪标签的质量越高;Dice指标越大,表示优化前与优化后的差异越小,伪标签的质量越高。本公开对霍夫距离及戴斯指标的具体计算方式不作限制。
在一种可能的实现方式中,可根据该距离信息设置预设条件,将距离信息满足预设条件的第二样本图像,确定为第三样本图像,即具有高质量伪标签的样本;将第二样本图像中除了第三样本图像之外的图像,确定为第四样本图像,即具有低质量伪标签的样本。
在一种可能的实现方式中,在距离信息包括霍夫距离及戴斯指标的情况下,预设条件可包括以下至少一个:
所述第二样本图像的第一平均值处于预设范围内,所述第一平均值为所述第二样本图像中多个目标的霍夫距离的平均值,所述预设范围包括第一平均值最小的预设数量的第二样本图像;
所述第二样本图像中的第二平均值大于或等于预设的指标阈值,所述第二平均值为所述第二样本图像中多个目标的戴斯指标的平均值;
所述第二样本图像中多个目标的霍夫距离的最大值小于或等于距离阈值,所述距离阈值为所述多个目标的第一平均值与标准差的加权和。
举例来说,针对第二样本图像中多个目标,例如心脏的多个腔室,可计算得到每个目标的霍夫距离HD和Dice指标。可计算第二样本图像中多个目标的霍夫距离的平均值,称为第一平均值;计算第二样本图像中多个目标的戴斯指标的平均值,称为第二平均值。
在一种可能的实现方式中,可根据第一平均值进行一次筛选。根据所有第二样本图像的第一平均值,对第二样本图像进行排序,选取第一平均值最小的预设数量的第二样本图像。也即,设预设范围包括第一平均值最小的预设数量的第二样本图像。针对任意一个第二样本图像,如果该第二样本图像的第一平均值处于预设范围内,则纳入选择范围。
其中,设第二样本图像的数量为M个,预设数量可例如设定为M/2个。应当理解,本领域技术人员可根据实际情况设置该预设数量,本公开对此不作限制。
在一种可能的实现方式中,可直接选取预设数量的第二样本图像作为第三样本图像,也可在选取出的第二样本图像中再次筛选。
在一种可能的实现方式中,如果第二样本图像的Dice指标的第二平均值较大,则可认为该第二样本图像的伪标签质量较高。也即,可选取第二平均值大于或等于预设的指标阈值的第二样本图像,去除第二平均值小于预设的指标阈值的第二样本图像。其中,该指标阈值可例如设置为0.8,本公开对指标阈值的具体取值不作限制。
在一种可能的实现方式中,可设定距离阈值为第二样本图像中多个目标的第一平均值与标准差的加权和,如果第二样本图像中多个目标的霍夫距离的最大值小于或等于距离阈值,则可认为该第二样本图像中各个目标之间的分割差异较小,伪标签质量较高。
在一种可能的实现方式中,针对任一第二样本图像,再次筛选的预设条件可表示为:
Dicemean≥0.8∩HDmax≤(HDmean+1.8*HDstd) (2)
在公式(2)中,Dicemean表示Dice指标的第二平均值;HDmax表示第二样本图像中多个目标的霍夫距离的最大值;HDmean表示霍夫距离的第一平均值;HDstd表示多个目标的霍夫距离的标准差,0.8为指标阈值,1.8为标准差HDstd的权重。本领域技术人员可根据实际情况设置指标阈值和标准差的权重,本公开对此不作限制。
在一种可能的实现方式中,预设条件可设置为满足上述三个条件中的全部或部分,筛选出的第二样本图像的数量≤预设数量(M/2)。这样,可将筛选出的第二样本图像作为第三样本图像,即具有高质量伪标签的样本;将第二样本图像中除了第三样本图像之外的图像,作为为第四样本图像,即具有低质量伪标签的样本。
通过这种方式,可以有效地判定样本的伪标签质量,区分出高质量和低质量的伪标签,以便提高后续训练阶段的网络训练效果。
下面对本公开实施例的形状约束网络的训练过程进行说明。
如前所述,形状约束网络可为采用编码器-解码器结构的卷积神经网络,包括多个三维卷积层、三维反卷积层等。形状约束网络可在第一分割网络及第二分割网络的初始学习阶段中同步进行训练,也可在初始学习阶段后进行训练。
在一种可能的实现方式中,根据本公开实施例的网络训练方法还可包括:根据所述第一样本图像训练所述形状约束网络,
其中,所述初始状态与所述第一状态之间包括K个训练批次,K为大于1的整数,
所述根据所述第一样本图像训练所述形状约束网络,包括:
通过后k个训练批次训练的第二分割网络分别对所述第一样本图像进行分割,得到所述第一样本图像的多个第五分割图,1<k≤K;
通过所述形状约束网络对所述第一样本图像的多个第五分割图分别进行处理,得到所述第一样本图像的多个第六分割图;
根据所述第一样本图像的标注信息及所述多个第六分割图,确定所述形状约束网络的第四损失;
根据所述第四损失,更新所述形状约束网络的网络参数。
举例来说,可根据具有准确标注信息的第一样本图像来训练形状约束网络。在训练过程中,还可利用第二分割网络的分割结果辅助进行训练。
在一种可能的实现方式中,设初始状态与第一状态之间包括K个训练批次,K为大于1的整数(K例如取值为3000)。也即,在初始学习阶段,初始状态的第一分割网络及初始状态的第二分割网络要进行K个训练批次的训练,得到第一状态的第一分割网络及第一状态的第二分割网络。本公开对K的具体取值不作限制。
在K个训练批次中,前面部分批次训练的第一分割网络及第二分割网络的分割精度可能较低,后面部分批次的分割精度逐渐提高。在该情况下,可选取后k个批次训练的第二分割网络对第一样本图像进行分割,其中,1<k≤K,在K=3000时,k可例如取值为1000,也即选取2000-3000次批次训练的第二分割网络,本公开对k的具体取值不作限制。
在一种可能的实现方式中,可在第一分割网络及第二分割网络的K个训练批次中同步训练形状约束网络;也可保存后k个批次训练的第二分割网络的网络参数,在初始学习阶段后训练形状约束网络,本公开对此不作限制。
在一种可能的实现方式中,通过后k个训练批次训练的第二分割网络分别对所述第一样本图像进行分割,得到所述第一样本图像的第五分割图的步骤,可包括:
在所述第一样本图像进行降采样,得到所述预设尺寸的第一降采样图;
对所述第一降采样图添加噪声信息,得到第二降采样图;
将所述第一降采样图及所述第二降采样图分别输入所述第二分割网络,得到所述第一样本图像的第五分割图。
也就是说,可通过降采样的方式缩小第一样本图像的尺寸,得到预设尺寸的第一降采样图;为了提高网络的抗噪声能力,还可在第一降采样图中添加随机的高斯噪声,得到第二降采样图。
在一种可能的实现方式中,针对后k个训练批次中,任意一个训练批次训练的第二分割网络,可将第一降采样图及第二降采样图分别输入该第二分割网络,得到第一样本图像的第五分割图。这样,通过后k个训练批次训练的第二分割网络分别对第一降采样图及第二降采样图进行处理,可得到第一样本图像的多个第五分割图。
在一种可能的实现方式中,还可以通过求取最大连通域的方式,对第五分割图进行处理,得到处理后的第五分割图,从而进一步增加数据的多样性。
上述的处理方式可称为离线数据扩充(offline data augmentation)。通过这种方式,能够得到各个第一样本图像的大量的分割结果,从而显著提高训练数据的数量和训练数据的多样性,提升形状约束网络的训练效果。
在一种可能的实现方式中,可通过形状约束网络对第一样本图像的多个第五分割图分别进行处理,得到第一样本图像的多个第六分割图。其中,该步骤可包括:
对所述第五分割图进行图像变换,得到与所述第五分割图对应的多个第七分割图;
将所述第五分割图及所述多个第七分割图分别输入所述形状约束网络,得到与所述第五分割图对应的多个第六分割图,
其中,所述图像变换包括随机翻转、旋转、缩放中的至少一种。
也就是说,可对第五分割图进行图像变换,以便进一步提高训练数据的数量。可通过随机翻转、旋转、缩放等方式,对第五分割图进行图像变换,得到与第五分割图对应的多个第七分割图;再将第五分割图及对应的多个第七分割图分别输入形状约束网络,输出与第五分割图对应的多个第六分割图。
上述处理方式可称为在线数据扩充(online data augmentation)。通过这种方式,能够进一步提高训练数据的数量,提升形状约束网络的训练效果。
在一种可能的实现方式中,根据第一样本图像的标注信息及与该第一样本图像对应的多个第六分割图,可确定形状约束网络的第四损失;进而可根据第四损失,更新所述形状约束网络的网络参数。该第四损失可例如采用均方误差损失函数,本公开对此不作限制。
经过多次迭代,在网络收敛的情况下,可完成形状约束网络的训练过程,得到已训练的形状约束网络。
通过上述离线数据扩充和在线数据扩充的方式,能够在训练样本较少的情况下获取大量的训练样本,从而显著提升形状约束网络的训练效果,得到高精度的形状约束网络。
在步骤S12中得到已标注的第三样本图像及已标注的第四样本图像后,可根据已标注的第一样本图像、已标注的第三样本图像及已标注的第四样本图像,建立第二样本集;并在步骤S13中,根据第二训练集,对第一状态的第一分割网络进行后续学习阶段的训练。
其中,步骤S13可包括:
对所述第二训练集中的样本图像进行降采样,得到预设尺寸的降采样图像;
根据所述降采样图像,对所述第一状态的第一分割网络进行训练,得到第二状态的第一分割网络;
对所述第二训练集中的样本图像进行裁剪,得到所述预设尺寸的裁剪图像块;
根据所述裁剪图像块,对所述第二状态的第一分割网络进行训练,得到目标状态的第一分割网络。
举例来说,根据第二训练集中的样本图像,第一分割网络可进行自训练学习,交替地使用降采样策略和裁剪策略进行训练。在初始学习阶段中采用了裁剪策略,使得第一分割网络学习到图像的局部细节信息;在该后续学习阶段,可先使用降采样策略进行训练,学习图像的全局上下文信息。
在一种可能的实现方式中,可对第二训练集中的的各个样本图像(包括第一样本图像、第三样本图像及第四样本图像)分别进行降采样,得到预设尺寸的降采样图像;根据各个样本图像的降采样图像,对第一状态的第一分割网络进行训练,得到第二状态的第一分割网络。
在一种可能的实现方式中,根据所述降采样图像,对第一状态的第一分割网络进行训练,得到第二状态的第一分割网络的步骤,可包括:
将所述第一样本图像及所述第三样本图像的降采样图像输入所述第一分割网络,得到第五分割结果;
将所述第四样本图像的降采样图像输入所述第一分割网络,得到第六分割结果;
根据所述第一样本图像的标注信息、所述第三样本图像的第一标注信息,以及所述第五分割结果,确定第一分割网络的第三子损失;
根据所述第四样本图像的第一标注信息以及所述第六分割结果,确定第一分割网络的第四子损失;
根据所述第三子损失与所述第四子损失的加权和,确定所述第一分割网络的第二损失,所述第三子损失的权重值大于所述第四子损失的权重值;
根据所述第二损失,更新所述第一分割网络的网络参数。
也就是说,在使用降采样策略训练期间,针对具有准确标注信息的第一样本图像和具有高质量伪标签的第三样本图像,可将第一样本图像及第三样本图像的降采样图像输入第一分割网络中处理,得到第五分割结果;针对具有低质量伪标签的第四样本图像,可将第四样本图像的降采样图像输入第一分割网络中处理,得到第六分割结果。
在一种可能的实现方式中,根据第一样本图像的标注信息、所述第三样本图像的第一标注信息,以及第五分割结果,可确定第一分割网络的第三子损失;根据第四样本图像的第一标注信息以及第六分割结果,可确定第一分割网络的第四子损失。其中,第三子损失和第四子损失均可以采用分类损失函数(例如交叉熵损失函数)。
在一种可能的实现方式中,可将第三子损失与第四子损失的加权和,确定为第一分割网络的总体网络损失(称为第二损失),如下公式所示:
L2=α1Lce3+β1Lce4 (3)
在公式(3)中,L2表示第二损失;Lce3表示第三子损失;Lce4表示第四子损失;α1和β1分别表示第三子损失和第四子损失的权重。通过这种方式,可以确定第一分割网络的网络损失,从而训练网络。
在一种可能的实现方式中,第三子损失的权重可大于第四子损失的权重,也即将准确标注和高质量伪标签的样本的权重设置为较高,将低质量伪标签的样本的权重设置为较低,以便提高网络训练效果。其中,第三子损失的权重可例如设为0.8,第四子损失的权重可例如设为0.2,本领域技术人员可根据实际情况设置第三子损失和第四子损失的权重,本公开对此不作限制。
在一种可能的实现方式中,可对第二损失进行反向传播,更新第一分割网络的网络参数。经过多次循环迭代,在网络收敛的情况下,可得到第二状态的第一分割网络,从而完成降采样策略阶段的训练过程。
通过这种方式,可以采用降采样策略,基于已标注样本、具有高质量伪标签的样本及具有低质量伪标签的样本,对第一分割网络进行自训练学习,使得分割网络进一步学习到图像的全局上下文信息,提升网络训练效果。
在完成降采样策略阶段的训练后,第一分割网络的分割精度进一步提高,可通过第二状态的第一分割网络和形状约束网络再次对第二样本图像进行标注,以便提高样本的伪标签的准确程度。
在一种可能的实现方式中,步骤S13还可包括:
通过所述第二状态的第一分割网络对所述第二样本图像进行分割,得到所述第二样本图像的第三分割图;
通过所述形状约束网络对所述第三分割图进行调整,得到所述第二样本图像的第四分割图及第二标注信息,所述第二标注信息包括所述第四分割图中的目标所在的区域及目标的类别;
根据所述第三分割图及所述第四分割图,从所述第二样本图像中确定出已标注的第五样本图像及已标注的第六样本图像,所述第五样本图像的第二标注信息的标注精度大于所述第六样本图像的第二标注信息的标注精度。
举例来说,可对第二样本图像进行降采样处理,得到预设尺寸的降采样图像;将该降采样图像输入第二状态的第一分割网络中,输出第三分割图,分割出第二样本图像中的目标所在的图像区域及目标的类别。
在一种可能的实现方式中,可将第三分割图输入上述已训练的形状约束网络中,对第三分割图中的目标进行形状和位置调整,输出优化后的第四分割图,并将第四分割图中的目标所在的区域及目标的类别,作为第二样本图像的第二标注信息,也即新的伪标签。
在一种可能的实现方式中,根据优化前的第三分割图与优化后的第四分割图之间的差异,可确定第二标注信息的质量,从而再次区分出高质量的伪标签和低质量的伪标签,以便在后续训练中使用。
在一种可能的实现方式中,与前面说明的标注过程类似,可分别确定各个第二样本图像的第三分割图与第四分割图中的对应目标之间的距离信息,包括霍夫距离HD和Dice指标;将距离信息满足预设条件的第二样本图像,确定为第五样本图像,即具有高质量伪标签的样本;将第二样本图像中除了所述第五样本图像之外的图像,确定为第六样本图像,即具有低质量伪标签的样本。
在一种可能的实现方式中,与前面说明的预设条件类似,预设条件可包括霍夫距离HD第一平均值处于预设范围内(例如最小的M/2个);Dice指标的第二平均值大于或等于预设的指标阈值;霍夫距离HD的最大值小于或等于第一平均值与标准差的加权和。预设条件可设置为满足上述三个条件中的全部或部分,筛选出的第二样本图像的数量≤预设数量(M/2)。
通过这种方式,可以进一步提高自动标注得到的伪标签的质量,并更准确地区分出高质量和低质量的伪标签,以便进一步提高后续的网络训练效果。
再次进行标注并区分出高质量和低质量的伪标签后,可使用裁剪策略进行训练,以使第一分割网络学习图像的局部细节信息。
在一种可能的实现方式中,可对第二训练集中的各个样本图像(包括第一样本图像、第五样本图像及第六样本图像)进行随机裁剪,得到预设尺寸的裁剪图像块;根据各个样本图像的裁剪图像块,对第二状态的第一分割网络进行训练,得到目标状态的第一分割网络。
在一种可能的实现方式中,根据所述裁剪图像块,对所述第二状态的第一分割网络进行训练,得到目标状态的第一分割网络的步骤,可包括:
将所述第一样本图像及所述第五样本图像的裁剪图像块输入所述第一分割网络,得到第七分割结果;
将所述第六样本图像的裁剪图像块输入所述第一分割网络,得到第八分割结果;
根据所述第一样本图像的标注信息、所述第五样本图像的第二标注信息,以及所述第七分割结果,确定第一分割网络的第五子损失;
根据所述第六样本图像的第二标注信息以及所述第八分割结果,确定第一分割网络的第六子损失;
根据所述第五子损失与所述第六子损失的加权和,确定所述第一分割网络的第三损失,所述第五子损失的权重值大于所述第六子损失的权重值;
根据所述第三损失,更新所述第一分割网络的网络参数。
也就是说,在使用裁剪策略训练期间,针对具有准确标注信息的第一样本图像和具有高质量伪标签的第五样本图像,可将第一样本图像及第五样本图像的裁剪图像块输入第一分割网络中处理,得到第七分割结果;针对具有低质量伪标签的第六样本图像,可将第六样本图像的裁剪图像块输入第一分割网络中处理,得到第八分割结果。
在一种可能的实现方式中,根据第一样本图像的标注信息、所述第五样本图像的第二标注信息,以及第七分割结果,可确定第一分割网络的第五子损失;根据第六样本图像的第二标注信息以及第八分割结果,可确定第一分割网络的第六子损失。其中,第五子损失和第六子损失均可以采用分类损失函数(例如交叉熵损失函数)。
在一种可能的实现方式中,可将第五子损失与第六子损失的加权和,确定为第一分割网络的总体网络损失(称为第三损失),如下公式所示:
L3=α2Lce5+β2Lce6 (4)
在公式(4)中,L3表示第三损失;Lce5表示第五子损失;Lce6表示第六子损失;α2和β2分别表示第五子损失和第六子损失的权重。通过这种方式,可以确定第一分割网络的网络损失,从而训练网络。
在一种可能的实现方式中,第五子损失的权重可大于第六子损失的权重,也即将准确标注和高质量伪标签的样本的权重设置为较高,将低质量伪标签的样本的权重设置为较低,以便提高网络训练效果。其中,第五子损失的权重可例如设为0.8,第六子损失的权重可例如设为0.2,本领域技术人员可根据实际情况设置第五子损失和第六子损失的权重,本公开对此不作限制。
在一种可能的实现方式中,可对第三损失进行反向传播,更新第一分割网络的网络参数。经过多次循环迭代,在网络收敛的情况下,可得到目标状态的第一分割网络,从而完成裁剪策略阶段的训练过程。
通过这种方式,可以采用裁剪策略,基于已标注样本、具有高质量伪标签的样本及具有低质量伪标签的样本,对第一分割网络进行自训练学习,使得分割网络进一步学习到图像的局部细节信息,提升网络训练效果。
上面只是以采用降采样策略和裁剪策略各训练一轮为例进行说明,在实际训练中,可交替地使用降采样策略和裁剪策略,对第一分割网络进行多轮训练,并在每次训练后更新未标注样本的伪标签。随着训练轮次的增加,网络精度不断提高,伪标签的整体质量也不断提高。本公开对具体的训练轮数不作限制。
图2示出根据本公开实施例的网络训练过程的示意图。如图2所示,可设置有第一分割网络21和第二分割网络22,第一分割网络为学生模型,用于对图像进行分割,第二分割网络为教师模型,用于训练该第一分割网络,第一分割网络与第二分割网络的网络结构相同。
在该示例中,训练集中的样本图像包括不同对象(例如患者)的心脏CT图像,包括已标注的第一样本图像201和未标注的第二样本图像202。如图2所示,可分别对第一样本图像和第二样本图像进行裁剪,得到预设尺寸的裁剪图像块;对第二样本图像的裁剪图像块添加随机高斯噪声;并将各个样本图像的裁剪图像块分别输入第一分割网络和第二分割网络中处理,得到各个裁剪图像块的分割结果。
在该示例中,对于已标注的第一样本图像,可通过分类损失函数Lce计算其分割结果231与标注信息232之间的误差,得到第一子损失;对于已标注的第一样本图像和未标注的第二样本图像,可通过均方误差损失函数Lmse来计算第一分割网络的分割结果231与第二分割网络的分割结果233之间的误差,得到第二子损失;将第一子损失及第二子损失的加权和,作为第一分割网络的第一损失。
在该示例中,对第一损失进行反向传播,更新第一分割网络的网络参数,并且根据第一分割网络的网络参数随时间的指数移动平均值EMA,更新第二分割网络的网络参数。经过多次迭代,在网络收敛的情况下,可得到第一状态的第一分割网络及第一状态的第二分割网络,从而完成初始学习阶段的训练过程。
在该示例中,在完成初始学习阶段后,可对未标注的第二样本图像202进行标注,并实现伪标签选择。通过第一状态的第二分割网络对第二样本图像进行分割,得到第一分割图234;将第一分割图234输入已训练的形状约束网络24中,得到第二分割图235;通过第一分割图234与第二分割图235之间的霍夫距离等信息来度量伪标签的质量,选择出M1个具有高质量伪标签的样本和M2个具有低质量伪标签的样本。
在该示例中,可通过已标注的第一样本图像以及中间训练批次的第二分割网络,训练形状约束网络;采用均方误差损失函数Lmse计算形状约束网络输出的分割图235与第一样本图像标注信息232之间的误差,即第四损失;并根据第四损失,更新形状约束网络的网络参数。在网络收敛的情况下,可得到已训练的形状约束网络。
在该示例中,在完成伪标签选择后,可进行自训练学习,交替地使用降采样策略和裁剪策略进行训练。在使用降采样策略训练时,针对具有准确标注信息的第一样本图像和具有高质量伪标签的第三样本图像,将第一样本图像及第三样本图像的降采样图像203输入第一分割网络中处理,得到第五分割结果236;针对具有低质量伪标签的第四样本图像,可将第四样本图像的降采样图像204输入第一分割网络中处理,得到第六分割结果237。
在该示例中,可采用分类损失函数Lce确定高质量伪标签样本和标注样本的第三子损失,以及低质量伪标签样本的第四子损失,并设置第三子损失的权重α大于第四子损失的权重β;将第三子损失与第四子损失的加权和,确定为第二损失;对第二损失进行反向传播,更新第一分割网络的网络参数。经过多次循环迭代,在网络收敛的情况下,得到第二状态的第一分割网络,从而完成降采样策略阶段的训练过程。
在该示例中,在降采样策略阶段训练后,通过第二状态的第一分割网络及形状约束网络再次对第二样本图像202进行标注,并再次进行伪标签选择,选择出M3个具有高质量伪标签的样本和M4个具有低质量伪标签的样本。
在该示例中,在完成伪标签选择后,使用裁剪策略进行训练。针对具有准确标注信息的第一样本图像和具有高质量伪标签的第五样本图像,将第一样本图像及第五样本图像的降采样图像205输入第一分割网络中处理,得到第七分割结果238;针对具有低质量伪标签的第六样本图像,可将第六样本图像的降采样图像206输入第一分割网络中处理,得到第八分割结果239。
在该示例中,可采用分类损失函数Lce确定高质量伪标签样本和标注样本的第五子损失,以及低质量伪标签样本的第六子损失,并设置第五子损失的权重α大于第六子损失的权重β;将第五子损失与第六子损失的加权和,确定为第三损失;对第三损失进行反向传播,更新第一分割网络的网络参数。经过多次循环迭代,在网络收敛的情况下,得到目标状态的第一分割网络,从而完成裁剪策略阶段的训练过程。
通过一个阶段的半监督学习和两个阶段的自训练学习结合,并引入形状约束网络评估标注质量,能够在标注样本数量较少的情况下,训练得到高精度的分割网络,从而提高图像的分割识别效果。
根据本公开的实施例,还提供了一种图像分割方法,该方法包括:通过第一分割网络对待处理图像进行分割,得到分割结果,所述分割结果包括所述待处理图像中的目标所在的区域及目标的类别,其中,所述第一分割网络是根据上述的网络训练方法训练得到的。
在完成上述的网络训练过程后,可将已训练的第一分割网络部署到电子设备中,该电子设备可与执行上述网络训练方法的电子设备相同或不同。
在一种可能的实现方式中,待处理图像包括三维的心脏CT图像,所述目标包括心脏的腔体,所述腔体的类别包括左心腔、左心肌壁、右心室、左心房、右心房、主动脉、肺动脉中的至少一种。应当理解,待处理图像也可以为二维的医疗图像,本公开对待处理图像的具体类型不作限制。
在一种可能的实现方式中,通过第一分割网络对待处理图像进行分割,得到分割结果,所述分割结果包括所述待处理图像中的目标所在的区域及目标的类别,例如心脏各个腔体对应的图像区域及腔体的类别。
通过这种方式,能够提高对图像中目标进行分割及识别的准确度。
根据本公开实施例的网络训练方法,提出了一套全新的小样本学习框架。该框架结合半监督学习和自训练学习,并引入基于形状先验的形状约束网络评估伪标签质量,能够在标注样本数量较少的情况下,训练得到高精度的分割网络,有效地解决医疗场景中数据标注有限的问题。
该框架成功地在心脏多腔体分割任务上进行验证,能够在极少量标注数据的情况下生成精确的分割结果。而在相关技术的心脏多腔体分割任务中,均未考虑到极少量标注的应用场景,不存在利用小样本进行学习的方法。
为了更好地利用大量未标注数据进行训练,需要对其生成的伪标签进行筛选,其中具有较高质量伪标签的数据和标注数据一起对网络训练进行监督。相关技术中的筛选方法一般包括概率阈值选择法、不确定性估计法及GAN相关方法。前两者相对简单但效果有限,后者通常难以训练,训练效果较差。
根据本公开实施例的网络训练方法,将基于形状约束网络的质量评估方式引入到伪标签筛选任务当中,通过简单有效的网络学习,准确高效地筛选出高质量的伪标签数据。
由于CT图像分辨率较高且GPU内存有限,因此直接使用3D CNN进行分割并不容易。一般有两种策略来解决上述问题:对输入图像进行裁剪或降采样处理。降采样操作会牺牲边界的准确性,而裁剪策略对全局信息的观察有限,因此可能导致子模块间分割结果不一致。相关技术的方法普遍采用裁剪策略或降采样策略中的一种进行学习。
根据本公开实施例的网络训练方法,能够交替使用裁剪策略和降采样策略对网络进行训练,同时学习图像的局部细节信息和全局上下文信息,从多角度对心脏结构进行分割,进而为未标注数据提供更加精确的伪标签,同时得到更加鲁棒的分割网络。
根据本公开实施例的网络训练方法,能够应用于心脏图像的计算机辅助诊断系统,远程诊断系统等产品中。在临床的辅助诊断和术前规划等应用场景下,该方法能够在极少量标注情况下精准地分割出心脏的腔体结构,为医生提供各腔体的形态和位置特征,并进行直观的三维展示,辅助医生的诊断(例如诊断心脏的结构性疾病,如室壁瘤、瓣膜疾病、心脏扩张、增厚等),同时也可为医生的术前规划提供依据。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了网络训练装置、图像分割装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种网络训练方法及图像分割方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图3示出根据本公开实施例的网络训练装置的框图,如图3所示,所述装置包括:
第一训练模块31,用于根据预设的第一训练集,对初始状态的第一分割网络及初始状态的第二分割网络进行训练,得到第一状态的第一分割网络及第一状态的第二分割网络;其中,所述第一训练集中包括已标注的第一样本图像及未标注的第二样本图像,所述第二分割网络用于训练所述第一分割网络;
标注模块32,用于通过所述第一状态的第二分割网络以及已训练的形状约束网络,对所述第二样本图像进行标注,从所述第二样本图像中确定出已标注的第三样本图像及已标注的第四样本图像,所述第三样本图像的第一标注信息的标注精度大于所述第四样本图像的第一标注信息的标注精度;
第二训练模块33,用于根据第二训练集,对所述第一状态的第一分割网络进行训练,得到目标状态的第一分割网络,所述第二训练集中包括已标注的第一样本图像、已标注的第三样本图像及已标注的第四样本图像。
在一种可能的实现方式中,所述标注模块包括:第一分割子模块,用于通过所述第一状态的第二分割网络对所述第二样本图像进行分割,得到所述第二样本图像的第一分割图;第一调整子模块,用于通过已训练的形状约束网络对所述第一分割图进行调整,得到所述第二样本图像的第二分割图及第一标注信息,所述第一标注信息包括所述第二分割图中的目标所在的区域及目标的类别;第一标注子模块,用于根据所述第一分割图及所述第二分割图,从所述第二样本图像中确定出已标注的第三样本图像及已标注的第四样本图像。
在一种可能的实现方式中,所述第一标注子模块用于:分别确定各个第二样本图像的第一分割图与第二分割图中的对应目标之间的距离信息;将距离信息满足预设条件的第二样本图像,确定为所述第三样本图像;将第二样本图像中除了所述第三样本图像之外的图像,确定为所述第四样本图像。
在一种可能的实现方式中,所述距离信息包括霍夫距离及戴斯指标,所述预设条件包括以下至少一个:所述第二样本图像的第一平均值处于预设范围内,所述第一平均值为所述第二样本图像中多个目标的霍夫距离的平均值,所述预设范围包括第一平均值最小的预设数量的第二样本图像;所述第二样本图像中的第二平均值大于或等于预设的指标阈值,所述第二平均值为所述第二样本图像中多个目标的戴斯指标的平均值;所述第二样本图像中多个目标的霍夫距离的最大值小于或等于距离阈值,所述距离阈值为所述多个目标的第一平均值与标准差的加权和。
在一种可能的实现方式中,所述第一训练模块包括:第一结果获得子模块,用于将所述第一样本图像及所述第二样本图像分别输入第一分割网络,得到第一分割结果及第二分割结果;第二结果获得子模块,用于将所述第一样本图像及所述第二样本图像分别输入第二分割网络,得到第三分割结果及第四分割结果;第一损失确定子模块,用于根据所述第一样本图像的标注信息、所述第一分割结果、所述第二分割结果、所述第三分割结果及所述第四分割结果,确定所述第一分割网络的第一损失;第一更新子模块,用于根据所述第一损失,更新所述第一分割网络的网络参数;第二更新子模块,用于根据所述第一分割网络的网络参数的指数移动平均值,更新所述第二分割网络的网络参数。
在一种可能的实现方式中,所述第一损失确定子模块用于:根据所述第一样本图像的标注信息及所述第一分割结果,确定第一子损失;根据所述第一分割结果、所述第二分割结果、所述第三分割结果及所述第四分割结果,确定第二子损失;根据所述第一子损失及所述第二子损失,确定所述第一损失。
在一种可能的实现方式中,所述第二训练模块包括:降采样子模块,用于对所述第二训练集中的样本图像进行降采样,得到预设尺寸的降采样图像;第一训练子模块,用于根据所述降采样图像,对所述第一状态的第一分割网络进行训练,得到第二状态的第一分割网络;裁剪子模块,用于对所述第二训练集中的样本图像进行裁剪,得到所述预设尺寸的裁剪图像块;第二训练子模块,用于根据所述裁剪图像块,对所述第二状态的第一分割网络进行训练,得到目标状态的第一分割网络。
在一种可能的实现方式中,所述第一训练子模块用于:将所述第一样本图像及所述第三样本图像的降采样图像输入所述第一分割网络,得到第五分割结果;将所述第四样本图像的降采样图像输入所述第一分割网络,得到第六分割结果;根据所述第一样本图像的标注信息、所述第三样本图像的第一标注信息,以及所述第五分割结果,确定第一分割网络的第三子损失;根据所述第四样本图像的第一标注信息以及所述第六分割结果,确定第一分割网络的第四子损失;根据所述第三子损失与所述第四子损失的加权和,确定所述第一分割网络的第二损失,所述第三子损失的权重值大于所述第四子损失的权重值;根据所述第二损失,更新所述第一分割网络的网络参数。
在一种可能的实现方式中,所述第二训练模块还包括:第二分割子模块,用于通过所述第二状态的第一分割网络对所述第二样本图像进行分割,得到所述第二样本图像的第三分割图;第二调整子模块,用于通过所述形状约束网络对所述第三分割图进行调整,得到所述第二样本图像的第四分割图及第二标注信息,所述第二标注信息包括所述第四分割图中的目标所在的区域及目标的类别;第二标注子模块,用于根据所述第三分割图及所述第四分割图,从所述第二样本图像中确定出已标注的第五样本图像及已标注的第六样本图像,所述第五样本图像的第二标注信息的标注精度大于所述第六样本图像的第二标注信息的标注精度。
在一种可能的实现方式中,所述第二训练子模块,用于:将所述第一样本图像及所述第五样本图像的裁剪图像块输入所述第一分割网络,得到第七分割结果;将所述第六样本图像的裁剪图像块输入所述第一分割网络,得到第八分割结果;根据所述第一样本图像的标注信息、所述第五样本图像的第二标注信息,以及所述第七分割结果,确定第一分割网络的第五子损失;根据所述第六样本图像的第二标注信息以及所述第八分割结果,确定第一分割网络的第六子损失;根据所述第五子损失与所述第六子损失的加权和,确定所述第一分割网络的第三损失,所述第五子损失的权重值大于所述第六子损失的权重值;根据所述第三损失,更新所述第一分割网络的网络参数。
在一种可能的实现方式中,所述装置还包括:第三训练模块,用于根据所述第一样本图像训练所述形状约束网络,其中,所述初始状态与所述第一状态之间包括K个训练批次,K为大于1的整数,所述第三训练模块包括:
第三分割子模块,用于通过后k个训练批次训练的第二分割网络分别对所述第一样本图像进行分割,得到所述第一样本图像的第五分割图,1<k≤K;第三调整子模块,用于通过所述形状约束网络对所述第一样本图像的多个第五分割图分别进行处理,得到所述第一样本图像的多个第六分割图;第二损失确定子模块,用于根据所述第一样本图像的标注信息及所述多个第六分割图,确定所述形状约束网络的第四损失;第三更新子模块,用于根据所述第四损失,更新所述形状约束网络的网络参数。
在一种可能的实现方式中,所述第三分割子模块用于:在所述第一样本图像进行降采样,得到所述预设尺寸的第一降采样图;对所述第一降采样图添加噪声信息,得到第二降采样图;将所述第一降采样图及所述第二降采样图分别输入所述第二分割网络,得到所述第一样本图像的第五分割图。
在一种可能的实现方式中,所述第三调整子模块用于:对所述第五分割图进行图像变换,得到与所述第五分割图对应的多个第七分割图;将所述第五分割图及所述多个第七分割图分别输入所述形状约束网络,得到与所述第五分割图对应的多个第六分割图,其中,所述图像变换包括随机翻转、旋转、缩放中的至少一种。
在一种可能的实现方式中,所述第一结果获得子模块,用于:对所述第一样本图像及所述第二样本图像进行裁剪,得到预设尺寸的裁剪图像块;将所述第一样本图像的裁剪图像块及所述第二样本图像的裁剪图像块分别输入所述第一分割网络,得到所述第一分割结果及所述第二分割结果;其中,所述第二结果获得子模块,用于:将所述第一样本图像的裁剪图像块及所述第二样本图像的裁剪图像块分别输入所述第二分割网络,得到所述第三分割结果及所述第四分割结果。
在一种可能的实现方式中,所述目标状态的第一分割网络用于对待处理图像中的目标进行分割,所述待处理图像包括三维的心脏CT图像,所述目标包括心脏的腔体,所述腔体的类别包括左心腔、左心肌壁、右心室、左心房、右心房、主动脉、肺动脉中的至少一种。
根据本公开的一方面,提供了一种图像分割装置,包括:分割模块,用于通过第一分割网络对待处理图像进行分割,得到分割结果,所述分割结果包括所述待处理图像中的目标所在的区域及目标的类别,其中,所述第一分割网络是根据上述的网络训练方法训练得到的。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的网络训练方法及图像分割方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的网络训练方法及图像分割方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4示出根据本公开实施例的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图4,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如无线网络(WiFi),第二代移动通信技术(2G)或第三代移动通信技术(3G),或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图5示出根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图5,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如微软服务器操作系统(Windows ServerTM),苹果公司推出的基于图形用户界面操作系统(Mac OSXTM),多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM),开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (19)
1.一种网络训练方法,其特征在于,包括:
根据预设的第一训练集,对初始状态的第一分割网络及初始状态的第二分割网络进行训练,得到第一状态的第一分割网络及第一状态的第二分割网络;
其中,所述第一训练集中包括已标注的第一样本图像及未标注的第二样本图像,所述第二分割网络用于训练所述第一分割网络;
通过所述第一状态的第二分割网络以及已训练的形状约束网络,对所述第二样本图像进行标注,从所述第二样本图像中确定出已标注的第三样本图像及已标注的第四样本图像,所述第三样本图像的第一标注信息的标注精度大于所述第四样本图像的第一标注信息的标注精度;
根据第二训练集,对所述第一状态的第一分割网络进行训练,得到目标状态的第一分割网络,所述第二训练集中包括已标注的第一样本图像、已标注的第三样本图像及已标注的第四样本图像。
2.根据权利要求1所述的方法,其特征在于,所述通过所述第一状态的第二分割网络以及已训练的形状约束网络,对所述第二样本图像进行标注,从所述第二样本图像中确定出已标注的第三样本图像及已标注的第四样本图像,包括:
通过所述第一状态的第二分割网络对所述第二样本图像进行分割,得到所述第二样本图像的第一分割图;
通过已训练的形状约束网络对所述第一分割图进行调整,得到所述第二样本图像的第二分割图及第一标注信息,所述第一标注信息包括所述第二分割图中的目标所在的区域及目标的类别;
根据所述第一分割图及所述第二分割图,从所述第二样本图像中确定出已标注的第三样本图像及已标注的第四样本图像。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一分割图及所述第二分割图,从所述第二样本图像中确定出已标注的第三样本图像及已标注的第四样本图像,包括:
分别确定各个第二样本图像的第一分割图与第二分割图中的对应目标之间的距离信息;
将距离信息满足预设条件的第二样本图像,确定为所述第三样本图像;
将第二样本图像中除了所述第三样本图像之外的图像,确定为所述第四样本图像。
4.根据权利要求3所述的方法,其特征在于,所述距离信息包括霍夫距离及戴斯指标,所述预设条件包括以下至少一个:
所述第二样本图像的第一平均值处于预设范围内,所述第一平均值为所述第二样本图像中多个目标的霍夫距离的平均值,所述预设范围包括第一平均值最小的预设数量的第二样本图像;
所述第二样本图像中的第二平均值大于或等于预设的指标阈值,所述第二平均值为所述第二样本图像中多个目标的戴斯指标的平均值;
所述第二样本图像中多个目标的霍夫距离的最大值小于或等于距离阈值,所述距离阈值为所述多个目标的第一平均值与标准差的加权和。
5.根据权利要求1-4中任意一项所述的方法,其特征在于,所述根据预设的第一训练集,对初始状态的第一分割网络及初始状态的第二分割网络进行训练,得到第一状态的第一分割网络及第一状态的第二分割网络,包括:
将所述第一样本图像及所述第二样本图像分别输入第一分割网络,得到第一分割结果及第二分割结果;
将所述第一样本图像及所述第二样本图像分别输入第二分割网络,得到第三分割结果及第四分割结果;
根据所述第一样本图像的标注信息、所述第一分割结果、所述第二分割结果、所述第三分割结果及所述第四分割结果,确定所述第一分割网络的第一损失;
根据所述第一损失,更新所述第一分割网络的网络参数;
根据所述第一分割网络的网络参数的指数移动平均值,更新所述第二分割网络的网络参数。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一样本图像的标注信息、所述第一分割结果、所述第二分割结果、所述第三分割结果及所述第四分割结果,确定所述第一分割网络的第一损失,包括:
根据所述第一样本图像的标注信息及所述第一分割结果,确定第一子损失;
根据所述第一分割结果、所述第二分割结果、所述第三分割结果及所述第四分割结果,确定第二子损失;
根据所述第一子损失及所述第二子损失,确定所述第一损失。
7.根据权利要求1-6中任意一项所述的方法,其特征在于,所述根据第二训练集,对所述第一状态的第一分割网络进行训练,得到目标状态的第一分割网络,包括:
对所述第二训练集中的样本图像进行降采样,得到预设尺寸的降采样图像;
根据所述降采样图像,对所述第一状态的第一分割网络进行训练,得到第二状态的第一分割网络;
对所述第二训练集中的样本图像进行裁剪,得到所述预设尺寸的裁剪图像块;
根据所述裁剪图像块,对所述第二状态的第一分割网络进行训练,得到目标状态的第一分割网络。
8.根据权利要求7所述的方法,其特征在于,所述根据所述降采样图像,对第一状态的第一分割网络进行训练,得到第二状态的第一分割网络,包括:
将所述第一样本图像及所述第三样本图像的降采样图像输入所述第一分割网络,得到第五分割结果;
将所述第四样本图像的降采样图像输入所述第一分割网络,得到第六分割结果;
根据所述第一样本图像的标注信息、所述第三样本图像的第一标注信息,以及所述第五分割结果,确定第一分割网络的第三子损失;
根据所述第四样本图像的第一标注信息以及所述第六分割结果,确定第一分割网络的第四子损失;
根据所述第三子损失与所述第四子损失的加权和,确定所述第一分割网络的第二损失,所述第三子损失的权重值大于所述第四子损失的权重值;
根据所述第二损失,更新所述第一分割网络的网络参数。
9.根据权利要求7或8所述的方法,其特征在于,所述根据第二训练集,对所述第一状态的第一分割网络进行训练,得到目标状态的第一分割网络,还包括:
通过所述第二状态的第一分割网络对所述第二样本图像进行分割,得到所述第二样本图像的第三分割图;
通过所述形状约束网络对所述第三分割图进行调整,得到所述第二样本图像的第四分割图及第二标注信息,所述第二标注信息包括所述第四分割图中的目标所在的区域及目标的类别;
根据所述第三分割图及所述第四分割图,从所述第二样本图像中确定出已标注的第五样本图像及已标注的第六样本图像,所述第五样本图像的第二标注信息的标注精度大于所述第六样本图像的第二标注信息的标注精度。
10.根据权利要求9所述的方法,其特征在于,所述根据所述裁剪图像块,对所述第二状态的第一分割网络进行训练,得到目标状态的第一分割网络,包括:
将所述第一样本图像及所述第五样本图像的裁剪图像块输入所述第一分割网络,得到第七分割结果;
将所述第六样本图像的裁剪图像块输入所述第一分割网络,得到第八分割结果;
根据所述第一样本图像的标注信息、所述第五样本图像的第二标注信息,以及所述第七分割结果,确定第一分割网络的第五子损失;
根据所述第六样本图像的第二标注信息以及所述第八分割结果,确定第一分割网络的第六子损失;
根据所述第五子损失与所述第六子损失的加权和,确定所述第一分割网络的第三损失,所述第五子损失的权重值大于所述第六子损失的权重值;
根据所述第三损失,更新所述第一分割网络的网络参数。
11.根据权利要求1-10中任意一项所述的方法,其特征在于,所述方法还包括:根据所述第一样本图像训练所述形状约束网络,
其中,所述初始状态与所述第一状态之间包括K个训练批次,K为大于1的整数,
所述根据所述第一样本图像训练所述形状约束网络,包括:
通过后k个训练批次训练的第二分割网络分别对所述第一样本图像进行分割,得到所述第一样本图像的第五分割图,1<k≤K;
通过所述形状约束网络对所述第一样本图像的多个第五分割图分别进行处理,得到所述第一样本图像的多个第六分割图;
根据所述第一样本图像的标注信息及所述多个第六分割图,确定所述形状约束网络的第四损失;
根据所述第四损失,更新所述形状约束网络的网络参数。
12.根据权利要求11所述的方法,其特征在于,所述通过后k个训练批次训练的第二分割网络分别对所述第一样本图像进行分割,得到所述第一样本图像的第五分割图,包括:
在所述第一样本图像进行降采样,得到所述预设尺寸的第一降采样图;
对所述第一降采样图添加噪声信息,得到第二降采样图;
将所述第一降采样图及所述第二降采样图分别输入所述第二分割网络,得到所述第一样本图像的第五分割图。
13.根据权利要求11或12所述的方法,其特征在于,所述通过所述形状约束网络对所述第一样本图像的多个第五分割图分别进行处理,得到所述第一样本图像的多个第六分割图,包括:
对所述第五分割图进行图像变换,得到与所述第五分割图对应的多个第七分割图;
将所述第五分割图及所述多个第七分割图分别输入所述形状约束网络,得到与所述第五分割图对应的多个第六分割图,
其中,所述图像变换包括随机翻转、旋转、缩放中的至少一种。
14.根据权利要求5或6所述的方法,其特征在于,所述将所述第一样本图像及所述第二样本图像分别输入第一分割网络,得到第一分割结果及第二分割结果,包括:
对所述第一样本图像及所述第二样本图像进行裁剪,得到预设尺寸的裁剪图像块;
将所述第一样本图像的裁剪图像块及所述第二样本图像的裁剪图像块分别输入所述第一分割网络,得到所述第一分割结果及所述第二分割结果;
其中,所述将所述第一样本图像及所述第二样本图像分别输入第二分割网络,得到第三分割结果及第四分割结果,包括:
将所述第一样本图像的裁剪图像块及所述第二样本图像的裁剪图像块分别输入所述第二分割网络,得到所述第三分割结果及所述第四分割结果。
15.根据权利要求1-14中任意一项所述的方法,其特征在于,所述目标状态的第一分割网络用于对待处理图像中的目标进行分割,所述待处理图像包括三维的心脏CT图像,所述目标包括心脏的腔体,所述腔体的类别包括左心腔、左心肌壁、右心室、左心房、右心房、主动脉、肺动脉中的至少一种。
16.一种图像分割方法,其特征在于,所述方法包括:
通过第一分割网络对待处理图像进行分割,得到分割结果,所述分割结果包括所述待处理图像中的目标所在的区域及目标的类别,
其中,所述第一分割网络是根据权利要求1-15中任意一项的网络训练方法训练得到的。
17.一种网络训练装置,其特征在于,包括:
第一训练模块,用于根据预设的第一训练集,对初始状态的第一分割网络及初始状态的第二分割网络进行训练,得到第一状态的第一分割网络及第一状态的第二分割网络;
其中,所述第一训练集中包括已标注的第一样本图像及未标注的第二样本图像,所述第二分割网络用于训练所述第一分割网络;
标注模块,用于通过所述第一状态的第二分割网络以及已训练的形状约束网络,对所述第二样本图像进行标注,从所述第二样本图像中确定出已标注的第三样本图像及已标注的第四样本图像,所述第三样本图像的第一标注信息的标注精度大于所述第四样本图像的第一标注信息的标注精度;
第二训练模块,用于根据第二训练集,对所述第一状态的第一分割网络进行训练,得到目标状态的第一分割网络,所述第二训练集中包括已标注的第一样本图像、已标注的第三样本图像及已标注的第四样本图像。
18.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至16中任意一项所述的方法。
19.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至16中任意一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011511304.6A CN112541928A (zh) | 2020-12-18 | 2020-12-18 | 网络训练方法及装置、图像分割方法及装置和电子设备 |
PCT/CN2021/103070 WO2022127071A1 (zh) | 2020-12-18 | 2021-06-29 | 网络训练方法、图像分割方法、装置、设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011511304.6A CN112541928A (zh) | 2020-12-18 | 2020-12-18 | 网络训练方法及装置、图像分割方法及装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112541928A true CN112541928A (zh) | 2021-03-23 |
Family
ID=75019262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011511304.6A Withdrawn CN112541928A (zh) | 2020-12-18 | 2020-12-18 | 网络训练方法及装置、图像分割方法及装置和电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112541928A (zh) |
WO (1) | WO2022127071A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160233A (zh) * | 2021-04-02 | 2021-07-23 | 易普森智慧健康科技(深圳)有限公司 | 利用稀疏标注数据集训练实例分割神经网络模型的方法 |
CN113326886A (zh) * | 2021-06-16 | 2021-08-31 | 中山大学 | 基于无监督学习的显著性物体检测方法及系统 |
CN113379627A (zh) * | 2021-06-07 | 2021-09-10 | 北京百度网讯科技有限公司 | 图像增强模型的训练方法和对图像进行增强的方法 |
CN114066884A (zh) * | 2022-01-11 | 2022-02-18 | 南京医科大学眼科医院 | 视网膜血管分割方法及装置、电子设备和存储介质 |
WO2022127071A1 (zh) * | 2020-12-18 | 2022-06-23 | 上海商汤智能科技有限公司 | 网络训练方法、图像分割方法、装置、设备、介质及产品 |
CN114708286A (zh) * | 2022-06-06 | 2022-07-05 | 珠海横琴圣澳云智科技有限公司 | 基于伪标注动态更新的细胞实例分割方法和装置 |
CN114882372A (zh) * | 2022-07-11 | 2022-08-09 | 浙江大华技术股份有限公司 | 一种目标检测的方法及设备 |
WO2022257410A1 (zh) * | 2021-06-08 | 2022-12-15 | 青岛商汤科技有限公司 | 图像分割和分类方法及其模型训练方法、相关装置及介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409194A (zh) * | 2022-07-06 | 2024-01-16 | 北京字跳网络技术有限公司 | 图像语义分割模型优化方法、装置、电子设备及存储介质 |
CN116258861B (zh) * | 2023-03-20 | 2023-09-22 | 南通锡鼎智能科技有限公司 | 基于多标签学习的半监督语义分割方法以及分割装置 |
CN116596867B (zh) * | 2023-05-05 | 2024-02-13 | 理工特智科技(重庆)有限公司 | 一种用于焊接图像的目标检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190114773A1 (en) * | 2017-10-13 | 2019-04-18 | Beijing Curacloud Technology Co., Ltd. | Systems and methods for cross-modality image segmentation |
CN109871883A (zh) * | 2019-01-24 | 2019-06-11 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置、电子设备和存储介质 |
CN110287782A (zh) * | 2019-05-17 | 2019-09-27 | 北京迈格威科技有限公司 | 行人分割模型训练方法及装置 |
CN111881956A (zh) * | 2020-07-15 | 2020-11-03 | 北京市商汤科技开发有限公司 | 网络训练方法及装置、目标检测方法及装置和电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10025950B1 (en) * | 2017-09-17 | 2018-07-17 | Everalbum, Inc | Systems and methods for image recognition |
CN111598900B (zh) * | 2020-05-18 | 2022-08-09 | 腾讯医疗健康(深圳)有限公司 | 一种图像区域分割模型训练方法、分割方法和装置 |
CN112541928A (zh) * | 2020-12-18 | 2021-03-23 | 上海商汤智能科技有限公司 | 网络训练方法及装置、图像分割方法及装置和电子设备 |
-
2020
- 2020-12-18 CN CN202011511304.6A patent/CN112541928A/zh not_active Withdrawn
-
2021
- 2021-06-29 WO PCT/CN2021/103070 patent/WO2022127071A1/zh unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190114773A1 (en) * | 2017-10-13 | 2019-04-18 | Beijing Curacloud Technology Co., Ltd. | Systems and methods for cross-modality image segmentation |
CN109871883A (zh) * | 2019-01-24 | 2019-06-11 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置、电子设备和存储介质 |
CN110287782A (zh) * | 2019-05-17 | 2019-09-27 | 北京迈格威科技有限公司 | 行人分割模型训练方法及装置 |
CN111881956A (zh) * | 2020-07-15 | 2020-11-03 | 北京市商汤科技开发有限公司 | 网络训练方法及装置、目标检测方法及装置和电子设备 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022127071A1 (zh) * | 2020-12-18 | 2022-06-23 | 上海商汤智能科技有限公司 | 网络训练方法、图像分割方法、装置、设备、介质及产品 |
CN113160233A (zh) * | 2021-04-02 | 2021-07-23 | 易普森智慧健康科技(深圳)有限公司 | 利用稀疏标注数据集训练实例分割神经网络模型的方法 |
CN113379627A (zh) * | 2021-06-07 | 2021-09-10 | 北京百度网讯科技有限公司 | 图像增强模型的训练方法和对图像进行增强的方法 |
CN113379627B (zh) * | 2021-06-07 | 2023-06-27 | 北京百度网讯科技有限公司 | 图像增强模型的训练方法和对图像进行增强的方法 |
WO2022257410A1 (zh) * | 2021-06-08 | 2022-12-15 | 青岛商汤科技有限公司 | 图像分割和分类方法及其模型训练方法、相关装置及介质 |
CN113326886A (zh) * | 2021-06-16 | 2021-08-31 | 中山大学 | 基于无监督学习的显著性物体检测方法及系统 |
CN113326886B (zh) * | 2021-06-16 | 2023-09-15 | 中山大学 | 基于无监督学习的显著性物体检测方法及系统 |
CN114066884A (zh) * | 2022-01-11 | 2022-02-18 | 南京医科大学眼科医院 | 视网膜血管分割方法及装置、电子设备和存储介质 |
CN114708286A (zh) * | 2022-06-06 | 2022-07-05 | 珠海横琴圣澳云智科技有限公司 | 基于伪标注动态更新的细胞实例分割方法和装置 |
CN114708286B (zh) * | 2022-06-06 | 2022-08-26 | 珠海横琴圣澳云智科技有限公司 | 基于伪标注动态更新的细胞实例分割方法和装置 |
CN114882372A (zh) * | 2022-07-11 | 2022-08-09 | 浙江大华技术股份有限公司 | 一种目标检测的方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2022127071A1 (zh) | 2022-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112541928A (zh) | 网络训练方法及装置、图像分割方法及装置和电子设备 | |
CN110047078B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112767329B (zh) | 图像处理方法及装置、电子设备 | |
TWI713054B (zh) | 圖像分割方法及裝置、電子設備和儲存媒體 | |
US20220198775A1 (en) | Image processing method and apparatus, electronic device, storage medium and computer program | |
CN109829920B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112785565B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN114820584B (zh) | 肺部病灶定位装置 | |
CN110211134B (zh) | 一种图像分割方法及装置、电子设备和存储介质 | |
CN111783986A (zh) | 网络训练方法及装置、姿态预测方法及装置 | |
CN112967291B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
WO2022156235A1 (zh) | 神经网络训练和图像处理方法及装置、电子设备及存储介质 | |
US11928825B2 (en) | Unsupervised image segmentation method and electronic device | |
CN113034491B (zh) | 一种冠脉钙化斑块检测方法及装置 | |
CN111724361B (zh) | 实时显示病灶的方法及装置、电子设备和存储介质 | |
CN112115894A (zh) | 手部关键点检测模型的训练方法、装置及电子设备 | |
CN115035158B (zh) | 目标跟踪的方法及装置、电子设备和存储介质 | |
CN113012146A (zh) | 血管信息获取方法及装置、电子设备和存储介质 | |
KR20220034844A (ko) | 이미지 처리 방법 및 장치, 전자 기기, 저장 매체 및 프로그램 제품 | |
CN117218133A (zh) | 肺图像处理方法及装置、电子设备和存储介质 | |
CN113781518A (zh) | 神经网络结构搜索方法及装置、电子设备和存储介质 | |
CN112686867A (zh) | 医学图像的识别方法及装置、电子设备和存储介质 | |
CN111738998A (zh) | 病灶位置动态检测方法及装置、电子设备和存储介质 | |
CN115099293B (zh) | 一种模型训练方法及装置、电子设备和存储介质 | |
CN111369512A (zh) | 图像处理方法及装置、电子设备和存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40039725 Country of ref document: HK |
|
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210323 |