CN116703933A - 图像分割训练方法、装置、电子设备和存储介质 - Google Patents

图像分割训练方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN116703933A
CN116703933A CN202310635542.5A CN202310635542A CN116703933A CN 116703933 A CN116703933 A CN 116703933A CN 202310635542 A CN202310635542 A CN 202310635542A CN 116703933 A CN116703933 A CN 116703933A
Authority
CN
China
Prior art keywords
training
image segmentation
model
training data
data
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.)
Pending
Application number
CN202310635542.5A
Other languages
English (en)
Inventor
陈相儒
谢晶
杨书航
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.)
Hanyi Technology Hangzhou Co ltd
Original Assignee
Hanyi Technology Hangzhou 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 Hanyi Technology Hangzhou Co ltd filed Critical Hanyi Technology Hangzhou Co ltd
Priority to CN202310635542.5A priority Critical patent/CN116703933A/zh
Publication of CN116703933A publication Critical patent/CN116703933A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供的一种图像分割训练方法、装置、电子设备及存储介质，涉及计算机视觉领域。该图像分割训练方法，包括：获取训练数据集，所述训练数据集包括第一训练数据和/或第二训练数据，所述第一训练数据具有单一类别特征，所述第二训练数据具有多类别特征；利用所述训练数据集进行图像分割模型训练，以得到单类别图像分割模型；以深监督方式，利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行图像分割模型训练，以得到融合模型，所述融合模型用于对具有多类别特征的待分割图像进行图像分割处理。本发明最终获得的融合模型是一个多病种的分割模型，能够提升多病种分割的检出效果。

Description

图像分割训练方法、装置、电子设备和存储介质
技术领域
本公开涉及计算机视觉领域，尤其涉及一种图像分割训练方法及装置、电子设备和存储介质。
背景技术
随着医学影像的快速发展，成像技术，电子计算机断层扫描(computedtomography，CT)成为疾病诊断、手术计划制定、预后评估必不可少的一种手段。对于医生来说，临床应用中，单一病种的检出很难实现完整的病人病程分析，医生也更为关注多病种的相互检出，从而能够对病人的病情进行综合考虑，合理安排康复计划。但在标注过程中，大多数病人病情只有一种征象，病人少有全部征象表现，因此，标注过程只能通过筛选单一病种的病人进行标注，从而难免会导致部分疾病的漏标。无法综合分析情况，以及无法给出后续的医疗规划。因此，设计一种能够更全面辅助诊断多病种分割方法是一个亟需解决的问题。
发明内容
为了克服现有技术的不足，本公开提供了一种图像分割训练方法、装置、电子设备和存储介质。
根据本公开实施例的第一方面，提供了一种图像分割训练方法，包括：
获取训练数据集，所述训练数据集包括第一训练数据和/或第二训练数据，所述第一训练数据具有单一类别特征，所述第二训练数据具有多类别特征；
利用所述训练数据集进行图像分割模型训练，以得到单类别图像分割模型；
以深监督方式，利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行图像分割模型训练，以得到融合模型，所述融合模型用于对具有多类别特征的待分割图像进行图像分割处理。
在本公开的一些实施例中，所述获取训练数据集包括：
获取对医学图像数据进行标注后的第一图像数据和/或第二图像数据；
将所述第一图像数据作为所述第一训练数据，其中，所述第一图像数据具有单一类别的病种特征，且所述第一图像数据对应于第一标签；
将所述第二图像数据作为所述第二训练数据，其中，所述第二图像数据具有多个类别的病种特征，且所述第二图像数据对应于第二标签。
在本公开的一些实施例中，所述利用所述第一训练数据进行图像分割模型训练，以得到单类别图像分割模型包括：
确定所述训练数据集中的每个训练数据对应的病种类别；
针对每个病种类别，利用具有对应病种类别的第一训练数据和/或第二训练数据分别进行图像分割模型训练，以得到每个病种类别的图像分割模型；
通过每个病种类别的图像分割模型，获取输出结果，所述输出结果为输入至每个病种类别的图像分割模型的训练数据对应的概率图像数据。
在本公开的一些实施例中，所述以深监督方式，利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行图像分割模型训练，以得到融合模型包括：
从所述输出结果中，确定对应于所述第二标签的输出结果；
利用对应于所述第二标签的输出结果，生成融合标签数据；
采用深监督方式，利用所述融合标签数据和所述第一训练数据进行图像分割模型训练，以得到所述融合模型。
在本公开的一些实施例中，所述以深监督方式，利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行图像分割模型训练，以得到融合模型包括：
当所述输出结果中不存在对应于所述第二标签的输出结果时，采用深监督方式，利用所述第一训练数据进行图像分割模型训练，以得到所述融合模型。
在本公开的一些实施例中，所述以深监督方式，利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行图像分割模型训练，以得到融合模型包括：
对所述每个病种类别的图像分割模型的输出结果进行缩放，以获取缩放标签数据；
利用所述缩放标签数据，对图像分割模型进行多层级监督训练，以得到所述融合模型。
本公开的第二方面，提供了一种图像处理方法，该方法包括：
利用融合模型，对具有多类别特征的待分割图像进行图像分割处理，其中，所述融合模型为根据上述第一方面或第一方面的任一项所述的方法得到。
本公开的第三方面，提供了一种图像分割训练装置，该装置包括：
获取数据单元，用于获取训练数据集，所述训练数据集包括第一训练数据和/或第二训练数据，所述第一训练数据具有单一类别特征，所述第二训练数据具有多类别特征；
第一训练模型单元，用于利用所述训练数据集进行图像分割模型训练，以得到单类别图像分割模型；
第二训练模型单元，用于以深监督方式，利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行图像分割模型训练，以得到融合模型，所述融合模型用于对具有多类别特征的待分割图像进行图像分割处理。
本公开的第四方面，提供了一种图像处理装置，该装置包括：
图像处理单元，用于利用融合模型，对具有多类别特征的待分割图像进行图像分割处理，其中，所述融合模型为根据第一方面或第一方面的任一项所述的方法得到。
本公开的第五方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令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前述第一方面中任一项所述的方法或上述第二方面中任一项所述的方法。
根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行前述第一方面描述的方法。
根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如前述第一方面描述的方法。
本公开提供的一种图像分割训练方法、装置、电子设备及存储介质，涉及计算机视觉领域。该图像分割训练方法，包括：获取训练数据集，所述训练数据集包括第一训练数据和/或第二训练数据，所述第一训练数据具有单一类别特征，所述第二训练数据具有多类别特征；利用所述训练数据集进行图像分割模型训练，以得到单类别图像分割模型；以深监督方式，利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行图像分割模型训练，以得到融合模型，所述融合模型用于对具有多类别特征的待分割图像进行图像分割处理。本发明最终获得的融合模型是一个多病种的分割模型，主要通过优化的深度学习的方式，实现了一种数据驱动的建模方法，得到相对其他方法表现更好的多病种检出模型，能够提升多病种分割的检出效果。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1为本公开实施例所提供的一种图像分割训练方法的流程示意图；
图2为本公开实施例所提供的一种图像分割处理方法流程示意图；
图3为本公开实施例所提供的一种图像分割训练方法的流程示意图；
图4为本公开实施例所提供的一种图像分割训练方法流程示意图；
图5为本公开实施例所提供的一种图像分割训练方法的流程示意图；
图6为本公开实施例所提供的一种图像分割训练方法的流程示意图；
图7为本公开实施例提供的一种标注数据方式示意图；
图8为本公开实施例提供的整个方法的流程示意图；
图9为本公开实施例提供的深监督带噪学习过程示意图；
图10为本公开实施例所提供的一种图像分割训练装置框图；
图11为本公开实施例所提供的一种图像分割训练装置框图；
图12为本公开实施例所提供的一种图像处理的装置框图；
图13为本公开实施例所提供的一种电子设备900的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本公开实施例的图像分割训练方法、装置、电子设备和存储介质。
需要说明的是，本公开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，以便这里描述的本公开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，以下实例性的实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法。
随着医学影像的快速发展，成像技术，电子计算机断层扫描(computedtomography，CT)成为疾病诊断、手术计划制定、预后评估必不可少的一种手段。对于医生来说，临床应用中，单一病种的检出很难实现完整的病人病程分析，医生也更为关注多病种的相互检出，从而能够对病人的病情进行综合考虑，合理安排康复计划。但在标注过程中，大多数病人病情只有一种征象，病人少有全部征象表现，因此，标注过程只能通过筛选单一病种的病人进行标注，从而难免会导致部分疾病的漏标。无法综合分析情况，以及无法给出后续的医疗规划。因此，设计一种能够更全面辅助诊断多病种分割方法是一个亟需解决的问题。
为解决上述问题，如图1所示，图1为本公开实施例所提供的一种图像分割训练方法流程示意图。具体可以包含以下步骤：
步骤101、获取训练数据集，所述训练数据集包括第一训练数据和/或第二训练数据，所述第一训练数据具有单一类别特征，所述第二训练数据具有多类别特征。
本公开的实施例该处需要说明的是，所述训练集可以为病人的某一部位的计算机断层扫描序列数据，比如可以是肺部电子计算机断层扫描(computed tomography，CT)序列数据。所述训练数据集包括第一训练数据和/或第二训练数据；所述第一训练集为一种单一征象，且为图像可见的主要表征的医学图像数据集；所述第二训练集为除了主要征象还有其他征象的医学图像数据集。具体的，对此不进行限制。
步骤102、利用所述训练数据集进行图像分割模型训练，以得到单类别图像分割模型。
在本公开的一些实施例中，利用所述训练集进行图像分割模型，所述的图像分割模型使用U-net模型作为基础模型，进行模型训练，分别得到对应类别的单类别图像分割模型，从而让分割网络拥有图像分割能力。具体的，对此不进行限制。
步骤103、以深监督方式，利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行图像分割模型训练，以得到融合模型，所述融合模型用于对具有多类别特征的待分割图像进行图像分割处理。
在本公开的一些实施例中，所述融合模型使用U-net模型作为基础模型，利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行深监督学习得到的，该融合模型用于对具有多类别特征的待分割图像进行图像分割处理。本申请，待分割图像为医学图像。具体的，本公开的实施例对此不进行限制。
其中，所述监督学习指利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。具体的，本公开的实施例对此不进行限制。
本发明提供一种图像分割训练方法，能够有效提升分割的检出效果。具体的，如图2所示，图2为本公开实施例所提供的一种图像分割处理方法，具体可以包括以下步骤：
步骤201、利用融合模型，对具有多类别特征的待分割图像进行图像分割处理，其中，所述融合模型为根据上述步骤101-步骤103中任一项所述的方法得到。
在本公开的一些实施例中，所述融合模型是利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行图像分割模型训练获取的。利用该融合模型对训练数据集进行划分，对具有多类别特征的待分割图像进行融合模型的监督学习，对图像进行图像分割处理，实现多病种分类的任务，提高分割检出效果。具体的，本公开的实施例对此不进行限制。
本公开提供一种图像分割训练方法，涉及计算机视觉领域。该图像分割训练方法，包括：获取训练数据集，所述训练数据集包括第一训练数据和/或第二训练数据，所述第一训练数据具有单一类别特征，所述第二训练数据具有多类别特征；利用所述训练数据集进行图像分割模型训练，以得到单类别图像分割模型；以深监督方式，利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行图像分割模型训练，以得到融合模型，所述融合模型用于对具有多类别特征的待分割图像进行图像分割处理。本发明最终获得的融合模型是一个多病种的分割模型，主要通过优化的深度学习的方式，实现了一种数据驱动的建模方法，得到相对其他方法表现更好的多病种检出模型，能够提升多病种分割的检出效果。
在本公开的一些实施例中，用户获取所述训练数据集时，可以采用但不局限于以下的方法实现，如图3，该方法包括：
步骤301、获取对医学图像数据进行标注后的第一图像数据和/或第二图像数据。
在本公开的一些实施例中，对医学图像数据进行标注，可以采用人工标注的形式，也可以采用自动标注的形式，具体的本公开的实施例对此不进行限制。获取标注后的第一图像数据和/或第二图像数据；所述的第一图像数据是对单一征象的医学图像进行标注获取，第二图像数据是对多类病种的医学图像进行标注获取。其中，标注形式可以为多边形。具体的，本公开的实施例对此不进行限制。
步骤302、将所述第一图像数据作为所述第一训练数据，其中，所述第一图像数据具有单一类别的病种特征，且所述第一图像数据对应于第一标签。
在本公开的一些实施例中，所述第一训练数据为具有单一类别的病种特征的第一图像数据，比如其可以是具有肺不张，肺炎，胸腔积液，肺大疱，空洞等单一类别的病种的医学图像。并对每一个单一类别的训练数据进行标注，获取对应的第一标签。具体的，本公开的实施例对此不进行限制。
步骤303、将所述第二图像数据作为所述第二训练数据，其中，所述第二图像数据具有多个类别的病种特征，且所述第二图像数据对应于第二标签。
在本公开的一些实施例中，所述第二训练数据为具有多个类别的病种特征的第二图像数据，比如其可以是肺炎伴随积液等除了主要特征以外，还有其他特征的医学图像数据。并对所有多个类别的训练数据进行标注获取对应的第二标签。具体的，本公开的实施例对此不进行限制。
另外，还需要说明的是，第一标签与第二标签为不同的两个标签，例如，第一标签为0，而第二标签为1。具体的，本公开的实施例对此不进行限制。
在本公开的一些实施例中，所述利用所述第一训练数据进行图像分割模型训练，以得到单类别图像分割模型时，可以采用但不局限于以下的方法实现，如图4所示，该方法包括：
步骤401、确定所述训练数据集中的每个训练数据对应的病种类别。
在本公开的一些实施例中，利用所述第一训练数据进行图像分割模型训练之前确定所述训练数据中的每个训练数据对应的病种类别，比如图像数据1，2，3上有单一特征的病灶，分别带有a病种,b病种,c病种，并标签记录为0；图像数据4上有多个类别特征的病灶，带有a,b,c多个病种，并标签记录为1。故想要确定所述训练数据中的每个训练数据对应的病种类别，根据标签记录确定对应的病种类别。具体的，本公开的实施例对此不进行限制。
步骤402、针对每个病种类别，利用具有对应病种类别的第一训练数据和/或第二训练数据分别进行图像分割模型训练，以得到每个病种类别的图像分割模型。
在本公开的一些实施例中，利用复合损失函数对图像分割模型进行训练得到每个病种类别的图像分割模型。
另外，还需要说明的是，利用上述第一标签和第二标签对应的复合损失函数，通过反向传播的方式对图像分割模型进行训练，使得训练后的图像分割模型能够准确的确定每个病种类别。
其中，损失函数包括交叉熵损失函数(L_CE函数)，戴斯损失函数(L_Dice函数)，本申请的实施例对损失函数值不做限定。
步骤403、通过每个病种类别的图像分割模型，获取输出结果，所述输出结果为输入至每个病种类别的图像分割模型的训练数据对应的概率图像数据。
在本公开的一些实施例中，基于训练每个单病种类别的图像模型对所有训练集进行监督学习，训练固定次数后，确认模型已经收敛，对图像进行精确地分割。此时，输出每个病种类别的图像分割模型的训练数据对应的概率图像数据。该概率图像数据为通过每个病种类别的图像分割模型获取的输出结果。具体的，本公开的实施例对此不进行限制。
在本公开的一些实施例中，所述以深监督方式，利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行图像分割模型训练，以得到融合模型时，可以采用但不局限于以下的方法实现，如图5所示，该方法包括：
步骤501、从所述输出结果中，确定对应于所述第二标签的输出结果。
在本公开的实施例该处需要说明的是，通过每个病种类别的图像分割模型输出的概率图像数据，确定对应于所述第二标签的输出结果。其中所述输出结果中包括对应于所述第一标签和第二标签的输出结果。具体的，本公开的实施例对此不进行限制。
步骤502、利用对应于所述第二标签的输出结果，生成融合标签数据。
在本公开的实施例该处需要说明的是，所述第二图像数据具有多个类别的病种特征，且所述第二图像数据对应于第二标签，根据每个病种类别的图像分割模型输出的第二标签的结果，生成融合标签数据。具体的，本公开的实施例对此不进行限制。
步骤503、采用深监督方式，利用所述融合标签数据和所述第一训练数据进行图像分割模型训练，以得到所述融合模型。
在本公开的实施例该处需要说明的是，该融合模型为利用所述具有单一类别的病种特征的第一图像数据和每个病种类别的图像分割模型输出的第二标签结果作为融合标签数据进行图像分割模型训练得到的模型。具体的，本公开的实施例对此不进行限制。
在本公开的一些实施例中，所述以深监督方式，利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行图像分割模型训练，以得到融合模型时，可以采用但不局限于以下的方法实现，如图6所示，该方法包括：
步骤601、对所述每个病种类别的图像分割模型的输出结果进行缩放，以获取缩放标签数据。
在本公开的一些实施例该处需要说明的是，通过图像插值算法对图像分割模型的输出结果进行缩放。其中缩放包括图像放大和图像缩小，图像放大就是增加图像的像素数目，而图像缩小则是减少图像像素数目，改变图像的分辨率，从而获取缩放标签数据。具体的，本公开的实施例对此不进行限制。
另外，还需要说明的是，图像插值算法可以是最近邻插值算法，也可以是双线性插值算法，还可以是双次插值算法，具体的本公开的实施例对此不进行限制。
步骤602、利用所述缩放标签数据，对图像分割模型进行多层级监督训练，以得到所述融合模型。
在本公开的实施例该处需要说明的是，图像分割模型进行训练时，每层对上一层的输出进行监督训练，每一层输出的图像大小一般都是上一层的一半。通过多层的处理，逐渐将初始的“低层”特征表示转化为“高层”的特征表示之后，完成复杂的分类等学习任务，以此得到所述融合模型。具体的，本公开的实施例对此不进行限制。
基于上述方法的描述，如图7、图8和图9所示，图7为标注数据标注方式，其中浅灰色部分为病变部分。图8为整个方法流程，图9为深监督带噪学习过程。
本公开的实施例中，图像分割训练方法可以采用如下的步骤进行，具体包括：
第一步，利用训练数据集进行标注，对具有多种病种的第二训练数据，除了如图7标注的方式外，还需要标记有额外病变，即额外病变标签为1。
第二步，利用U-net模型训练每个单类别图像分割模型对病种进行分类，其中训练采用常规的损失函数有交叉熵损失函数(L_CE函数)，戴斯损失函数(L_Dice函数)，其中损失函数主要是用于评估模型的预测值和真实标签的匹配程度的重要指标。
第三步，利用基于U-net模型作为基础模型的单类别图像分割模型训练所述融合模型，训练的过程中，如果带有额外病变标签，则利用全部单类别图像分割模型结果进行融合模型训练，生成融合标签，该融合标签即为第二标签。否则仅使用单类别病种标签进行结果生成，即使用第一标签进行结果生成。采用深监督方式，利用所述融合标签数据和所述第一训练数据进行图像分割模型训练以得到所述融合模型。其中，使用深监督的方式完成融合模型的训练，其具体方式如第四步所示。
第四步，利用深监督的方式，对融合模型进行训练，如图9所示，具体为：对每个单类别图像分割模型的输出结果进行缩放，使其大小达到与多层级的U-net模型输出的结果大小一致，获取缩放标签数据，并利用该缩放标签数据，进行不同层级的输出结果拟合，实现不同层级的监督训练。
基于上述的描述，本公开提供的图像分割训练方法和现有技术中的纯模型计算方法进行比较，具体的，见下表所示，本公开的实施例对图像分割的精度为0.23，相比现有技术中的寻模型计算方法的精度0.11，有较大的精度提升。
方法 精度(miou)
Unet+多标签loss 0.11
Unet+带噪学习+深监督loss 0.23
本公开提供一种图像分割训练方法、装置、电子设备及存储介质，涉及计算机视觉领域。该图像分割训练方法，包括：获取训练数据集，所述训练数据集包括第一训练数据和/或第二训练数据，所述第一训练数据具有单一类别特征，所述第二训练数据具有多类别特征；利用所述训练数据集进行图像分割模型训练，以得到单类别图像分割模型；以深监督方式，利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行图像分割模型训练，以得到融合模型，所述融合模型用于对具有多类别特征的待分割图像进行图像分割处理。本发明最终获得的融合模型是一个多病种的分割模型，主要通过优化的深度学习的方式，实现了一种数据驱动的建模方法，得到相对其他方法表现更好的多病种检出模型，能够提升多病种分割的检出效果。
与上述的图像分割模型训练方法相对应，本发明还提出一种图像分割训练装置的组成结构示意图。由于本发明的装置实施例与上述的方法实施例相对应，对于装置实施例中未披露的细节可参照上述的方法实施例，本发明中不再进行赘述。
图10为本公开实施例提供的一种图像分割训练装置的组成框图，如图10所示，该装置包括：
数据获取单元701，用于获取训练数据集，所述训练数据集包括第一训练数据和/或第二训练数据，所述第一训练数据具有单一类别特征，所述第二训练数据具有多类别特征。
第一训练模型单元702，用于利用所述训练数据集进行图像分割模型训练，以得到单类别图像分割模型。
第二训练模型单元703，用于以深监督方式，利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行图像分割模型训练，以得到融合模型，所述融合模型用于对具有多类别特征的待分割图像进行图像分割处理。
在本公开的实施例中该处需要说明的是，深监督学习就是人们常说的分类，通过已有的训练样本(即已知数据以及其对应的输出)去训练得到一个最优模型(这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的)，再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，也就具有了对未知数据进行分类的能力。
在本公开的一些实施例，如图11所示，所述第一训练模型单元702，包括：
第一确定模块7021，用于确定所述训练数据集中的每个训练数据对应的病种类别；
第一训练模块7022，用于针对每个病种类别，利用具有对应病种类别的第一训练数据和/或第二训练数据分别进行图像分割模型训练，以得到每个病种类别的图像分割模型；
输出模块7023，用于通过每个病种类别的图像分割模型，获取输出结果，所述输出结果为输入至每个病种类别的图像分割模型的训练数据对应的概率图像数据。
在本公开的一些实施例，如图11所示，所述第二训练模型单元703，包括：
第二确定模块7031，用于从所述输出结果中，确定对应于所述第二标签的输出结果；
生成模块7032，用于利用对应于所述第二标签的输出结果，生成融合标签数据；
第二训练模块7033，用于采用深监督方式，利用所述融合标签数据和所述第一训练数据进行图像分割模型训练，以得到所述融合模型。
在本公开的一些实施例，如图11所示，所述第二训练训练模型单元703，还包括：
缩放模块7034，用于对所述每个病种类别的图像分割模型的输出结果进行缩放，以获取缩放标签数据；
获取模块7035，用于利用所述缩放标签数据，对图像分割模型进行多层级监督训练，以得到所述融合模型。
图12为本公开实施例提供的一种图像处理装置的组成框图，如图12所示，该装置包括：
图像处理单元801，用于利用融合模型，对具有多类别特征的待分割图像进行图像分割处理，其中，所述融合模型为根据上述如图1—图6中所述的方法得到。
本公开提供一种图像分割训练方法、装置、电子设备及存储介质，涉及计算机视觉领域。该图像分割训练方法，包括：获取训练数据集，所述训练数据集包括第一训练数据和/或第二训练数据，所述第一训练数据具有单一类别特征，所述第二训练数据具有多类别特征；利用所述训练数据集进行图像分割模型训练，以得到单类别图像分割模型；以深监督方式，利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行图像分割模型训练，以得到融合模型，所述融合模型用于对具有多类别特征的待分割图像进行图像分割处理。本发明最终获得的融合模型是一个多病种的分割模型，主要通过优化的深度学习的方式，实现了一种数据驱动的建模方法，得到相对其他方法表现更好的病种检出模型，能够提升多病种分割的检出效果。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图13示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。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/或者要求的本公开的实现。
如图13所示，设备900包括计算单元901，其可以根据存储在ROM(Read-OnlyMemory，只读存储器)902中的计算机程序或者从存储单元908加载到RAM(Random AccessMemory，随机访问/存取存储器)903中的计算机程序，来执行各种适当的动作和处理。在RAM903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。I/O(Input/Output，输入/输出)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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。
计算单元901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。计算单元901的一些示例包括但不限于CPU(Central Processing Unit，中央处理单元)、GPU(Graphic Processing Units，图形处理单元)、各种专用的AI(Artificial Intelligence，人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor，数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如安全座椅插入检测方法。例如，在一些实施例中，安全座椅插入检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行前述安全座椅插入检测方法。
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、FPGA(Field Programmable Gate Array，现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit，专用集成电路)、ASSP(Application Specific StandardProduct，专用标准产品)、SOC(System On Chip，芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device，复杂可编程逻辑设备)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
在本公开的上下文中，机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory，可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory，便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(Cathode-Ray Tube，阴极射线管)或者LCD(Liquid Crystal Display，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计算机。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。
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：LAN(LocalArea Network，局域网)、WAN(Wide Area Network，广域网)、互联网和区块链网络。
计算机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("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
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，本发公开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，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (11)

1.一种图像分割的训练方法，其特征在于，所述方法包括：
获取训练数据集，所述训练数据集包括第一训练数据和/或第二训练数据，所述第一训练数据具有单一类别特征，所述第二训练数据具有多类别特征；
利用所述训练数据集进行图像分割模型训练，以得到单类别图像分割模型；
以深监督方式，利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行图像分割模型训练，以得到融合模型，所述融合模型用于对具有多类别特征的待分割图像进行图像分割处理。
2.根据权利要求1所述的方法，其特征在于，所述获取训练数据集包括：
获取对医学图像数据进行标注后的第一图像数据和/或第二图像数据；
将所述第一图像数据作为所述第一训练数据，其中，所述第一图像数据具有单一类别的病种特征，且所述第一图像数据对应于第一标签；
将所述第二图像数据作为所述第二训练数据，其中，所述第二图像数据具有多个类别的病种特征，且所述第二图像数据对应于第二标签。
3.根据权利要求2所述的方法，其特征在于，所述利用所述第一训练数据进行图像分割模型训练，以得到单类别图像分割模型包括：
确定所述训练数据集中的每个训练数据对应的病种类别；
针对每个病种类别，利用具有对应病种类别的第一训练数据和/或第二训练数据分别进行图像分割模型训练，以得到每个病种类别的图像分割模型；
通过每个病种类别的图像分割模型，获取输出结果，所述输出结果为输入至每个病种类别的图像分割模型的训练数据对概率图像数据。
4.根据权利要求3所述的方法，其特征在于，所述以深监督方式，利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行图像分割模型训练，以得到融合模型包括：
从所述输出结果中，确定对应于所述第二标签的输出结果；
利用对应于所述第二标签的输出结果，生成融合标签数据；
采用深监督方式，利用所述融合标签数据和所述第一训练数据进行图像分割模型训练，以得到所述融合模型。
5.根据权利要求3或4所述的方法，其特征在于，所述以深监督方式，利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行图像分割模型训练，以得到融合模型包括：
当所述输出结果中不存在对应于所述第二标签的输出结果时，采用深监督方式，利用所述第一训练数据进行图像分割模型训练，以得到所述融合模型。
6.根据权利要求5所述的方法，其特征在于，所述以深监督方式，利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行图像分割模型训练，以得到融合模型包括：
对所述每个病种类别的图像分割模型的输出结果进行缩放，以获取缩放标签数据；
利用所述缩放标签数据，对图像分割模型进行多层级监督训练，以得到所述融合模型。
7.一种图像处理方法，其特征在于，所述方法包括：
利用融合模型，对具有多类别特征的待分割图像进行图像分割处理，其中，所述融合模型为根据如权利要求1至6中任一项所述的方法得到。
8.一种图像分割训练装置，其特征在于，所述装置包括：
获取数据单元，用于获取训练数据集，所述训练数据集包括第一训练数据和/或第二训练数据，所述第一训练数据具有单一类别特征，所述第二训练数据具有多类别特征；
第一训练模型单元，用于利用所述训练数据集进行图像分割模型训练，以得到单类别图像分割模型；
第二训练模型单元，用于以深监督方式，利用所述单类别图像分割模型的输出结果和/或所述第一训练数据进行图像分割模型训练，以得到融合模型，所述融合模型用于对具有多类别特征的待分割图像进行图像分割处理。
9.一种图像处理装置，其特征在于，包括：
图像处理单元，用于利用融合模型，对具有多类别特征的待分割图像进行图像分割处理，其中，所述融合模型为根据如权利要求1至6中任一项所述的方法得到。
10.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令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权利要求1-6中任一项所述的方法或权利要求7所述的方法。
11.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法或权利要求7所述的方法。
CN202310635542.5A 2023-05-31 2023-05-31 图像分割训练方法、装置、电子设备和存储介质 Pending CN116703933A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310635542.5A CN116703933A (zh) 2023-05-31 2023-05-31 图像分割训练方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310635542.5A CN116703933A (zh) 2023-05-31 2023-05-31 图像分割训练方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN116703933A true CN116703933A (zh) 2023-09-05

Family

ID=87842627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310635542.5A Pending CN116703933A (zh) 2023-05-31 2023-05-31 图像分割训练方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN116703933A (zh)

Similar Documents

Publication Publication Date Title
Fan et al. Inf-net: Automatic covid-19 lung infection segmentation from ct images
WO2021196632A1 (zh) 一种全景数字病理图像智能分析系统及方法
CN110428432B (zh) 结肠腺体图像自动分割的深度神经网络算法
CN112598643B (zh) 深度伪造图像检测及模型训练方法、装置、设备、介质
CN111524106B (zh) 颅骨骨折检测和模型训练方法、装置、设备和存储介质
US20190191988A1 (en) Screening method for automated detection of vision-degenerative diseases from color fundus images
CN113642431B (zh) 目标检测模型的训练方法及装置、电子设备和存储介质
WO2024060416A1 (zh) 一种病理图像的端到端弱监督语义分割标注方法
CN112434718B (zh) 基于深度图的新冠肺炎多模态特征提取融合方法及系统
US20220092407A1 (en) Transfer learning with machine learning systems
CN111444844A (zh) 一种基于变分自编码器的液基细胞人工智能检测方法
CN112560993A (zh) 数据筛选方法、装置、电子设备及存储介质
CN113662664B (zh) 一种基于仪器追踪的外科手术质量客观自动化评估方法
CN115457329B (zh) 图像分类模型的训练方法、图像分类方法和装置
CN111127400A (zh) 一种乳腺病变检测方法和装置
CN113827240B (zh) 情绪分类方法和情绪分类模型的训练方法、装置及设备
CN117036288A (zh) 一种面向全切片病理图像的肿瘤亚型诊断方法
CN116682109B (zh) 一种病理显微图像的分析方法、装置、设备及存储介质
JP2023524947A (ja) 医用画像のセット内の異常画像を識別する方法及びシステム
EP4104098A1 (en) Explaining a model output of a trained model
WO2022247448A1 (zh) 数据处理方法、装置、计算设备和计算机可读存储介质
Zhang et al. MPMR: multi-scale feature and probability map for melanoma recognition
CN114783597B (zh) 多类疾病诊断的诊断方法及装置、电子设备和存储介质
CN115762721A (zh) 一种基于计算机视觉技术的医疗影像质控方法和系统
CN116703933A (zh) 图像分割训练方法、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