息肉分割模型的训练方法、息肉分割方法及相关装置制造方法及图纸

本公开涉及一种息肉分割模型的训练方法、息肉分割方法及相关装置，以减少标注成本的同时提升息肉分割模型的鲁棒性和泛化性。该方法包括：将样本图像输入息肉分割模型，得到第一分割网络针对样本图像输出的分割结果和第二分割网络针对样本图像输出的分割结果；基于判别网络和第一分割网络针对第一样本图像和第二样本图像输出的分割结果、以及第二分割网络针对第一样本图像和第二样本图像输出的分割结果，得到判别结果；根据第一分割网络输出的分割结果、第二分割网络输出的分割结果和判别结果计算目标损失函数值；基于目标损失函数值调整息肉分割模型的参数。调整息肉分割模型的参数。调整息肉分割模型的参数。

【技术实现步骤摘要】
息肉分割模型的训练方法、息肉分割方法及相关装置


[0001]本公开涉及图像处理
，具体地，涉及一种息肉分割模型的训练方法、息肉分割方法及相关装置。

技术介绍

[0002]结肠镜检查可以有效地发现并去除息肉。息肉分割(Polyp Segmentation)作为一种计算机视觉任务，可以自动地将图像或视频中的息肉部位分割出来，能够在结肠镜检查过程中降低息肉的漏检率。但是，大多数息肉分割模型都需要大量像素级精确标注的数据集作为训练样本，而对数据集进行像素级精确标注需要耗费大量的人力物力。

技术实现思路

[0003]提供该
技术实现思路
部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该
技术实现思路
部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
[0004]第一方面，本公开提供一种息肉分割模型的训练方法，所述息肉分割模型包括第一分割网络和第二分割网络，所述训练方法包括：
[0005]将样本图像输入所述息肉分割模型，得到所述第一分割网络针对所述样本图像输出的分割结果和所述第二分割网络针对所述样本图像输出的分割结果，其中所述样本图像包括标注有息肉位置标签的第一样本图像和未标注息肉位置标签的第二样本图像；
[0006]基于判别网络和所述第一分割网络针对所述第一样本图像和所述第二样本图像输出的分割结果、以及所述第二分割网络针对所述第一样本图像和所述第二样本图像输出的分割结果，得到判别结果，所述判别网络用于判别输入的分割结果是否对应标注有息肉位置标签的样本图像；
[0007]根据所述第一分割网络输出的分割结果、所述第二分割网络输出的分割结果和所述判别结果计算目标损失函数值；
[0008]基于所述目标损失函数值调整所述息肉分割模型的参数。
[0009]第二方面，本公开提供一种息肉分割方法，所述方法包括：
[0010]获取待分割的内窥镜图像；
[0011]通过息肉分割模型对所述内窥镜图像进行分割处理，得到目标息肉图像，所述息肉分割模型是通过本公开第一方面所述的息肉分割模型的训练方法得到的，所述息肉分割模型用于通过如下方式对所述内窥镜图像进行分割处理，得到目标息肉图像：
[0012]通过第一分割网络对所述内窥镜图像进行分割处理，得到第一息肉图像，并通过第二分割网络对所述内窥镜图像进行分割处理，得到第二息肉图像；
[0013]将所述第一息肉图像与所述第二息肉图像进行图像融合，得到目标息肉图像。
[0014]第三方面，本公开提供一种息肉分割模型的训练装置，所述息肉分割模型包括第一分割网络和第二分割网络，所述训练装置包括：
[0015]输入模块，用于将样本图像输入所述息肉分割模型，得到所述第一分割网络针对所述样本图像输出的分割结果和所述第二分割网络针对所述样本图像输出的分割结果，其中所述样本图像包括标注有息肉位置标签的第一样本图像和未标注息肉位置标签的第二样本图像；
[0016]判别模块，用于基于判别网络和所述第一分割网络针对所述第一样本图像和所述第二样本图像输出的分割结果、以及所述第二分割网络针对所述第一样本图像和所述第二样本图像输出的分割结果，得到判别结果，所述判别网络用于判别输入的分割结果是否对应标注有息肉位置标签的样本图像；
[0017]计算模块，用于根据所述第一分割网络输出的分割结果、所述第二分割网络输出的分割结果和所述判别结果计算目标损失函数值；
[0018]调整模块，用于基于所述目标损失函数值调整所述息肉分割模型的参数。
[0019]第四方面，本公开提供一种息肉分割装置，所述装置包括：
[0020]获取模块，用于获取待分割的内窥镜图像；
[0021]分割模块，用于通过息肉分割模型对所述内窥镜图像进行分割处理，得到目标息肉图像，所述息肉分割模型是通过本公开第一方面所述的息肉分割模型的训练方法得到的，所述息肉分割模型用于通过如下方式对所述内窥镜图像进行分割处理，得到目标息肉图像：
[0022]通过第一分割网络对所述内窥镜图像进行分割处理，得到第一息肉图像，并通过第二分割网络对所述内窥镜图像进行分割处理，得到第二息肉图像；
[0023]将所述第一息肉图像与所述第二息肉图像进行图像融合，得到目标息肉图像。
[0024]第五方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
[0025]第六方面，本公开提供一种电子设备，包括：
[0026]存储装置，其上存储有计算机程序；
[0027]处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。
[0028]通过上述技术方案，可以利用少量的标注有息肉位置标签的样本图像和大量的未标注息肉位置标签的样本图像对息肉分割模型进行训练，减少标注成本的同时提升息肉分割模型的泛化性。另外，在训练过程中，第一分割网络和第二分割网络之间可以相互优化、相互引导，并且通过判别网络可以进一步对息肉分割模型进行优化，提升息肉分割模型的鲁棒性和泛化性。
[0029]本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0030]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
[0031]图1是根据一示例性实施例提供的一种息肉分割模型的训练方法的流程图；
[0032]图2是根据一示例性实施例提供的一种第一分割网络的结构示意图；
[0033]图3是根据一示例性实施例提供的一种第二分割网络的结构示意图；
[0034]图4是根据一示例性实施例提供的另一种息肉分割模型的训练方法的流程图；
[0035]图5是根据一示例性实施例提供的一种息肉分割方法的流程图；
[0036]图6是根据一示例性实施例提供的一种息肉分割模型的训练装置的框图；
[0037]图7是根据一示例性实施例提供的一种息肉分割装置的框图；
[0038]图8是根据一示例性实施例提供的一种电子设备的框图。
具体实施方式
[0039]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0040]应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
[0041]本文本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种息肉分割模型的训练方法，其特征在于，所述息肉分割模型包括第一分割网络和第二分割网络，所述训练方法包括：将样本图像输入所述息肉分割模型，得到所述第一分割网络针对所述样本图像输出的分割结果和所述第二分割网络针对所述样本图像输出的分割结果，其中所述样本图像包括标注有息肉位置标签的第一样本图像和未标注息肉位置标签的第二样本图像；基于判别网络和所述第一分割网络针对所述第一样本图像和所述第二样本图像输出的分割结果、以及所述第二分割网络针对所述第一样本图像和所述第二样本图像输出的分割结果，得到判别结果，所述判别网络用于判别输入的分割结果是否对应标注有息肉位置标签的样本图像；根据所述第一分割网络输出的分割结果、所述第二分割网络输出的分割结果和所述判别结果计算目标损失函数值；基于所述目标损失函数值调整所述息肉分割模型的参数。2.根据权利要求1所述的方法，其特征在于，所述根据所述第一分割网络输出的分割结果、所述第二分割网络输出的分割结果和所述判别结果计算目标损失函数值，包括：根据所述第一分割网络针对所述第一样本图像输出的分割结果和所述第一样本图像标注的息肉位置标签、以及所述第二分割网络针对所述第一样本图像输出的分割结果和所述第一样本图像标注的息肉位置标签，计算第一损失函数值；根据所述第一分割网络针对所述第二样本图像输出的分割结果和所述第二分割网络针对所述第二样本图像输出的分割结果，计算第二损失函数值；根据所述判别结果，计算第三损失函数值；将所述第一损失函数值、所述第二损失函数值和所述第三损失函数值的总和确定为目标损失函数值。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网络针对所述第二样本图像输出的分割结果和所述第二分割网络针对所述第二样本图像输出的分割结果，计算第二损失函数值，包括：基于所述第一分割网络针对所述第二样本图像输出的分割结果，确定第一息肉位置标签，并根据所述第一息肉位置标签和所述第二分割网络针对所述第二样本图像输出的分割结果计算第一分割损失函数值；基于所述第二分割网络针对所述第二样本图像输出的分割结果，确定第二息肉位置标签，并根据所述第二息肉位置标签和所述第一分割网络针对所述第二样本图像输出的分割结果计算第二分割损失函数值；将所述第一分割损失函数值和所述第二分割损失函数值的总和确定为所述第二损失函数值。4.根据权利要求2或3所述的方法，其特征在于，所述基于判别网络和所述第一分割网络针对所述第一样本图像和所述第二样本图像输出的分割结果、以及所述第二分割网络针对所述第一样本图像和所述第二样本图像输出的分割结果，得到判别结果，包括：将所述第一样本图像和所述第一分割网络针对所述第一样本图像输出的分割结果输入所述判别网络，得到第一判别结果，将所述第二样本图像和所述第一分割网络针对所述第二样本图像输出的分割结果输入所述判别网络，得到第二判别结果，将所述第一样本图
像和所述第二分割网络针对所述第一样本图像输出的分割结果输入所述判别网络，得到第三判别结果，将所述第二样本图像和所述第二分割网络针对所述第二样本图像输出的分割结果输入所述判别网络，得到第四判别结果；所述根据所述判别结果，计算第三损失函数值，包括：根据所述第一判别结果、所述第二判别结果、所述第三判别结果和所述第四判别结果计算第三损失函数值。5.根据权利要求4所述的方法，其特征在于，所述根据所述第一判别结果、所述第二判别结果、所述第三判别结果和所述第四判别结果计算第三损失函数值，包括：根据所述第一判别结果与所述第二判别结果确定第一交叉熵损失值，以及根据所述第三判别结果与所述第四判别结果确定第二交叉熵损失值；将所述第一交叉熵损失值与所述第...

【专利技术属性】
技术研发人员：边成，
申请(专利权)人：小荷医疗器械海南有限公司，
类型：发明
国别省市：