【技术实现步骤摘要】
模型训练方法、图像分割方法、装置及相关产品
[0001]本公开涉及图像处理领域中的深度学习技术及图像分割技术,尤其涉及一种模型训练方法、图像分割方法、装置及相关产品。
技术介绍
[0002]随着医学成像技术和计算机技术的不断发展,医学影像分析技术也取得了不断地进步。而深度学习模型,尤其是卷积神经网络模型已被广泛应用在医疗影像分析技术中。
[0003]根据待处理的图像模态的不同,卷积神经网络模型可进一步分为二维卷积神经网络模型(简称:2D CNN)和三维卷积神经网络模型(简称:3D CNN)。在对三维图像进行分割时,为了能够整合三维图像中的空间信息,获得更好的分割结果,一般采用3D CNN对图像进行分割。
技术实现思路
[0004]本公开提供了一种用于图像分割的模型训练方法、图像分割方法、装置及相关产品。
[0005]根据本公开的第一方面,提供了一种用于图像分割的卷积神经网络模型的训练方法,包括:
[0006]获取预先构建的初始卷积神经网络模型,所述初始卷积神经网络模型中包括依次连接的初始编码器和初始解码器,所述初始编码器包括依次连接的预设二维编码网络结构及预设三维编码网络结构,所述初始解码器包括依次连接的预设三维解码网络结构和预设二维解码网络结构;
[0007]获取对所述初始卷积神经网络模型进行训练的训练样本,所述训练样本为多个沿预设空间方向连续的二维切片图像样本及对应的二维分割标注图像样本;
[0008]采用所述训练样本对所述初始卷积神经网络模型进行训练,以获 ...
【技术保护点】
【技术特征摘要】
1.一种用于图像分割的卷积神经网络模型的训练方法,包括:获取预先构建的初始卷积神经网络模型,所述初始卷积神经网络模型中包括依次连接的初始编码器和初始解码器,所述初始编码器包括依次连接的预设二维编码网络结构及预设三维编码网络结构,所述初始解码器包括依次连接的预设三维解码网络结构和预设二维解码网络结构;获取对所述初始卷积神经网络模型进行训练的训练样本,所述训练样本为多个沿预设空间方向连续的二维切片图像样本及对应的二维分割标注图像样本;采用所述训练样本对所述初始卷积神经网络模型进行训练,以获得训练至收敛的卷积神经网络模型,所述训练至收敛的卷积神经网络模型用于对待分割的目标三维图像进行图像分割处理。2.根据权利要求1所述的方法,其中,所述获取预先构建的初始卷积神经网络模型之前,还包括:采用预设二维卷积神经网络模型和预设三维卷积神经网络模型构建初始卷积神经网络模型。3.根据权利要求2所述的方法,其中,所述采用预设二维卷积神经网络模型和预设三维卷积神经网络模型构建初始卷积神经网络模型,包括:获取预设二维卷积神经网络模型中预设二维编码器和预设二维解码器及预设三维卷积神经网络模型中预设三维编码器和预设三维解码器;将预设二维编码器中末端的至少一层预设二维编码网络结构替换成所述预设三维编码器中的预设三维编码网络结构;将预设二维解码器中前端的至少一层预设二维解码网络结构替换成所述预设三维解码器中的预设三维解码网络结构。4.根据权利要求1所述的方法,其中,所述初始卷积神经网络模型中所述预设二维编码网络结构与所述预设二维解码网络结构的层数相同,所述预设三维编码网络结构与所述预设三维解码网络结构的层数相同;对称层级的预设二维编码网络结构与预设二维解码网络结构连接,对称层级的预设三维编码网络结构与预设三维解码网络结构连接。5.根据权利要求3所述的方法,其中,所述采用预设二维卷积神经网络模型和预设三维卷积神经网络模型构建初始卷积神经网络模型,还包括:在所述初始卷积神经网络模型中最后一层预设二维编码网络结构与第一层预设三维编码网络结构之间添加第一特征图维度转换层,所述第一特征图维度转换层用于将最后一层预设二维编码网络结构输出的多个样本二维下采样特征图转换为样本三维变换下采样特征图;在所述初始卷积神经网络模型中最后一层预设三维解码网络结构与第一层预设二维解码网络结构之间添加第二特征图维度转换层,所述第二特征图维度转换层用于将最后一层预设三维解码网络结构输出的样本三维上采样特征图转换为多个样本二维变换上采样特征图。6.根据权利要求1
‑
5任一项所述的方法,其中,所述获取对所述初始卷积神经网络模型进行训练的训练样本,包括:
获取三维图像样本和对应的三维分割标注图像样本;将所述三维图像样本和所述三维分割标注图像样本沿着预设空间方向划分,以获得多个二维切片图像样本及对应的二维分割标注图像样本。7.根据权利要求6所述的方法,其中,所述将所述三维图像样本和所述三维分割标注图像样本沿着预设空间方向划分之前,还包括:对所述三维图像样本和对应的三维分割标注图像样本进行归一化处理和/或图像缩放处理。8.根据权利要求1
‑
5任一项所述的方法,其中,采用所述训练样本对所述初始卷积神经网络模型进行训练,以获得训练至收敛的卷积神经网络模型,包括:将所述训练样本进行分组;将每组训练样本循环输入到初始卷积神经网络模型中,在每次输入训练样本后,调整初始卷积神经网络模型中的训练参数,以对所述初始卷积神经网络模型进行训练;若确定满足预设的收敛条件,则停止输入训练样本,并将满足预设的收敛条件的卷积神经网络模型确定为训练至收敛的卷积神经网络模型。9.一种基于卷积神经网络模型的图像分割方法,包括:获取目标三维图像;对所述目标三维图像沿着预设空间方向划分,以形成多个目标二维切片图像;采用训练至收敛的卷积神经网络模型对多个目标二维切片图像进行图像分割处理;所述训练至收敛的卷积神经网络模型中包括依次连接的目标编码器和目标解码器,所述目标编码器包括依次连接的目标二维编码网络结构及目标三维编码网络结构,所述目标解码器包括依次连接的目标三维解码网络结构和目标二维解码网络结构。10.根据权利要求9所述的方法,其中,所述采用训练至收敛的卷积神经网络模型对多个目标二维切片图像进行图像分割处理,包括:将所述多个目标二维切片图像进行分组;将每组目标二维切片图像依次输入到训练至收敛的卷积神经网络模型中;通过所述训练至收敛的卷积神经网络模型对每组目标二维切片图像进行图像分割处理。11.根据权利要求10所述的方法,其中,所述通过所述训练至收敛的卷积神经网络模型对每组目标二维切片图像进行图像分割处理,包括:通过至少一层所述目标二维编码网络结构对每组目标二维切片图像中的每个目标二维切片图像进行二维编码,以获得每组目标二维切片图像对应的多个目标二维下采样特征图;通过至少一层所述目标三维编码网络结构对多个目标二维下采样特征图进行三维编码,以获得每组目标二维切片图像对应的目标三维下采样特征图;通过至少一层所述目标三维解码网络结构对所述目标三维下采样特征图进行三维解码,以获得每组目标二维切片图像对应的目标三维上采样特征图;通过至少一层所述目标二维解码网络结构对所述目标三维上采样特征图进行二维解码,以获得每组目标二维切片图像对应的多个分割结果图。12.根据权利要求10所述的方法,其中,所述训练至收敛的卷积神经网络模型中所述目
标二维编码网络结构与所述目标二维解码网络结构的层数相同,所述目标三维编码网络结构与所述目标三维解码网络结构的层数相同。13.根据权利要求12所述的方法,其中,所述通过所述训练至收敛的卷积神经网络模型对每组目标二维切片图像进行图像分割处理,还包括:将所述至少一层所述目标二维编码网络结构输出的多个目标二维下采样特征图输入至对称层级的目标二维解码网络结构中;将除最后一层目标三维编码网络结构以外的其他层级目标三维编码网络结构输出的目标三维下采样特征图输入至对称层级的目标三维解码网络结构中。14.根据权利要求11所述的方法,其中,所述训练至收敛的卷积神经网络模型还包括:第一特征图维度转换层和第二特征图维度转换层;所述通过至少一层所述目标三维编码网络结构对多个目标二维下采样特征图进行三维编码之前,还包括:通过所述第一特征图维度转换层将每组目标二维切片图像对应的多个目标二维下采样特征图转换为目标三维变换下采样特征图;所述通过至少一层所述目标二维解码网络结构对所述目标三维上采样特征图进行二维解码之前,还包括:通过所述第二特征图维度转换层将每组目标二维切片图像对应的目标三维上采样特征图转换为多个目标二维变换上采样特征图。15.根据权利要求9
‑
14任一项所述的方法,其中,所述对所述目标三维图像沿着预设空间方向划分,以形成多个目标二维切片图像之前,还包括:对所述目标三维图像进行归一化处理和/或图像缩放处理。16.一种用于图像分割的卷积神经网络模型的训练装置,包括:模型获取单元,用于获取预先构建的初始卷积神经网络模型,所述初始卷积神经网络模型中包括依次连接的初始编码器和初始解码器,所述初始编码器包括依次连接的预设二维编码网络结构及预设三维编码网络结构,所述初始解码器包括依次连接的预设三维解码...
【专利技术属性】
技术研发人员:尚方信,王思其,杨叶辉,黄海峰,王磊,
申请(专利权)人:北京百度网讯科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。