图像分割模型训练方法、图像分割方法及装置制造方法及图纸

本发明专利技术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。

Image segmentation model training method, image segmentation method and device

【技术实现步骤摘要】
图像分割模型训练方法、图像分割方法及装置
本专利技术实施例涉及图像处理
，尤其涉及图像分割模型训练方法、图像分割方法及装置。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术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，本专利技术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专利技术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，本专利技术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，本专利技术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专利技术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，本专利技术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专利技术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，本专利技术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专利技术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。本专利技术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为本专利技术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为本专利技术实施例一提供的一种样本图像的原始标签的示意图；图2B为本专利技术实施例一提供的一种预测结果的示意图；图2C为本专利技术实施例一提供的一种调节后的标签示意图；图3是本专利技术实施例一提供的图像分割模型的训练流程示意图；图4是本专利技术实施例提供的一种图像分割方法的流程示意图；图5是本专利技术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是本专利技术实施例四提供的一种图像分割装置的结构示意图；图7为本专利技术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专利技术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专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1为本专利技术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，该方法可以由本专利技术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，负样本标签本文档来自技高网...

【技术保护点】
1.一种图像分割模型训练方法，其特征在于，包括：/n获取样本图像以及所述样本图像中各像素点的原始标签；/n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；/n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；/n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；/n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。/n

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：亢寒，张荣国，李新阳，王少康，陈宽，
申请(专利权)人：北京推想科技有限公司，
类型：发明
国别省市：北京;11