息肉分割模型的训练方法、分割方法、装置、介质及设备制造方法及图纸

本公开涉及一种息肉分割模型的训练方法、分割方法、装置、介质及设备，所述方法包括：基于息肉分割模型对源域数据集中的源域图像和目标域数据集中的目标域图像进行图像特征提取，获得第一源域块特征和第一目标域块特征；确定第一源域块特征中的源域前景块特征和第一目标域块特征中的目标域前景块特征；确定源域前景块特征和目标域前景块特征对应的连接关系；根据连接关系对第一块特征进行更新，获得第二块特征；根据第二源域块特征获得源域图像对应的预测分割结果；根据源域图像对应的预测分割结果和息肉分割标签、以及第二源域块特征和第二目标域块特征，确定所述息肉分割模型的目标损失，并根据所述目标损失对所述息肉分割模型进行训练。割模型进行训练。割模型进行训练。

【技术实现步骤摘要】
息肉分割模型的训练方法、分割方法、装置、介质及设备


[0001]本公开涉及图像处理领域，具体地，涉及一种息肉分割模型的训练方法、分割方法、装置、介质及设备。

技术介绍

[0002]在全球范围内，结直肠癌为经常诊断出的癌症疾病，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。
[0003]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，且其分割精度受设备和数据分布的影响较大，对数据集进行像素级精确标注也需要耗费大量的人力物力。

技术实现思路

[0004]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。
[0005]第一方面，本公开提供一种息肉分割模型的训练方法，所述方法包括：
[0006]基于息肉分割模型对源域数据集中的源域图像和目标域数据集中的目标域图像进行图像特征提取，获得第一源域块特征和第一目标域块特征，其中，所述源域数据集中的图像标注有息肉分割标签，所述目标域数据集中的图像未标注标签，所述源域数据集与所述目标域数据集的数据分布不同，所述第一源域块特征中的每一特征值对应于所述源域图像中n*n的像素点的特征，所述第一目标域块特征中的每一特征值对应于所述目标域图像中n*n的像素点的特征；
[0007]确定所述第一源域块特征中的源域前景块特征和所述第一目标域块特征中的目标域前景块特征；
[0008]确定所述源域前景块特征和所述目标域前景块特征对应的连接关系；
[0009]根据所述连接关系对第一块特征进行更新，获得第二块特征，其中，所述第一块特征包括源域类型下的第一源域块特征和目标域类型下的所述第一目标域块特征，所述第二块特征包括根据所述连接关系对所述第一源域块特征更新后得到的第二源域块特征和根据所述连接关系对所述第一目标域块特征更新后得到的第二目标域块特征；
[0010]根据所述第二源域块特征获得所述源域图像对应的预测分割结果；
[0011]根据所述源域图像对应的预测分割结果和所述息肉分割标签、以及所述第二源域块特征和所述第二目标域块特征，确定所述息肉分割模型的目标损失，并根据所述目标损失对所述息肉分割模型进行训练。
[0012]第二方面，本公开提供一种息肉分割方法，所述方法包括：
[0013]接收到检测的目标图像；
[0014]将所述目标图像输入训练完成的息肉分割模型，获得所述目标图像对应的息肉分割结果，其中，所述息肉分割模型为基于第一方面所述的息肉分割模型的训练方法进行训练所得的。
[0015]第三方面，本公开提供一种息肉分割模型的训练装置，所述装置包括：
[0016]特征提取模块，用于基于息肉分割模型对源域数据集中的源域图像和目标域数据集中的目标域图像进行图像特征提取，获得第一源域块特征和第一目标域块特征，其中，所述源域数据集中的图像标注有息肉分割标签，所述目标域数据集中的图像未标注标签，所述源域数据集与所述目标域数据集的数据分布不同，所述第一源域块特征中的每一特征值对应于所述源域图像中n*n的像素点的特征，所述第一目标域块特征中的每一特征值对应于所述目标域图像中n*n的像素点的特征；
[0017]第一确定模块，用于确定所述第一源域块特征中的源域前景块特征和所述第一目标域块特征中的目标域前景块特征；
[0018]第二确定模块，用于确定所述源域前景块特征和所述目标域前景块特征对应的连接关系；
[0019]更新模块，用于根据所述连接关系对第一块特征进行更新，获得第二块特征，其中，所述第一块特征包括源域类型下的第一源域块特征和目标域类型下的所述第一目标域块特征，所述第二块特征包括根据所述连接关系对所述第一源域块特征更新后得到的第二源域块特征和根据所述连接关系对所述第一目标域块特征更新后得到的第二目标域块特征；
[0020]获取模块，用于根据所述第二源域块特征获得所述源域图像对应的预测分割结果；
[0021]训练模块，用于根据所述源域图像对应的预测分割结果和所述息肉分割标签、以及所述第二源域块特征和所述第二目标域块特征，确定所述息肉分割模型的目标损失，并根据所述目标损失对所述息肉分割模型进行训练。
[0022]第四方面，本公开提供一种息肉分割装置，所述装置包括：
[0023]接收模块，用于接收到检测的目标图像；
[0024]分割模块，用于将所述目标图像输入训练完成的息肉分割模型，获得所述目标图像对应的息肉分割结果，其中，所述息肉分割模型为基于第一方面所述的息肉分割模型的训练方法进行训练所得的。
[0025]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第一或第二方面所述方法的步骤。
[0026]第六方面，本公开提供一种电子设备，包括：
[0027]存储装置，其上存储有计算机程序；
[0028]处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一或第二方面所述方法的步骤。
[0029]通过上述技术方案，可以基于已标注的源域数据和未标注的目标域数据对息肉分割模型进行训练，可以有效降低人工标注的工作量和技术要求。并且，在息肉分割模型的训练过程中，在对图像进行特征提取时，提取包含多个像素点特征的块特征，可以在降低数据处理量的同时能够分析息肉分割特征上的相关性，而分别实现对源域图像和目标域图像的
前景特征增强，以提高息肉目标的判别性，进而提高息肉分割的准确性，解决息肉强伪装性导致的难分割问题，从而保证跨域息肉分割的准确度，适用于息肉前景强伪装性的应用场景。
[0030]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
[0031]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：
[0032]图1是根据本公开的一种实施方式提供的一种息肉分割模型的训练方法的流程图；
[0033]图2是根据本公开的一种实施方式提供的一种息肉分割模型的训练装置的框图；
[0034]图3示出了适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
[0035]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，所述方法包括：基于息肉分割模型对源域数据集中的源域图像和目标域数据集中的目标域图像进行图像特征提取，获得第一源域块特征和第一目标域块特征，其中，所述源域数据集中的图像标注有息肉分割标签，所述目标域数据集中的图像未标注标签，所述源域数据集与所述目标域数据集的数据分布不同，所述第一源域块特征中的每一特征值对应于所述源域图像中n*n的像素点的特征，所述第一目标域块特征中的每一特征值对应于所述目标域图像中n*n的像素点的特征；确定所述第一源域块特征中的源域前景块特征和所述第一目标域块特征中的目标域前景块特征；确定所述源域前景块特征和所述目标域前景块特征对应的连接关系；根据所述连接关系对第一块特征进行更新，获得第二块特征，其中，所述第一块特征包括源域类型下的第一源域块特征和目标域类型下的所述第一目标域块特征，所述第二块特征包括根据所述连接关系对所述第一源域块特征更新后得到的第二源域块特征和根据所述连接关系对所述第一目标域块特征更新后得到的第二目标域块特征；根据所述第二源域块特征获得所述源域图像对应的预测分割结果；根据所述源域图像对应的预测分割结果和所述息肉分割标签、以及所述第二源域块特征和所述第二目标域块特征，确定所述息肉分割模型的目标损失，并根据所述目标损失对所述息肉分割模型进行训练。2.根据权利要求1所述的方法，其特征在于，所述确定所述第一源域块特征中的源域前景块特征和所述第一目标域块特征中的目标域前景块特征，包括：对所述息肉分割标签对应的位置进行特征切分，获得分割标签块特征；根据所述分割标签块特征确定所述第一源域块特征对应的候选前景块特征集合；针对所述候选前景块特征集合中的每一所述候选前景块特征，确定所述第一目标域块特征中与所述候选前景块特征对应的目标域匹配前景块特征，并确定所述目标域匹配前景块特征在所述第一源域块特征中的源域匹配前景块特征；若所述源域匹配前景块特征属于所述候选前景块特征集合，将所述候选前景块特征确定为所述源域前景块特征，并将所述目标域匹配前景块特征确定为所述目标域前景块特征。3.根据权利要求1所述的方法，其特征在于，所述确定所述源域前景块特征和所述目标域前景块特征对应的连接关系，包括：根据每一目标类型下的域前景块特征，确定所述目标类型下的域连接关系，其中，所述目标类型包括源域类型和目标域类型，所述域连接关系包括所述源域类型下的源域前景块特征之间的源域连接关系和所述目标域类型下的所述目标域前景块特征之间的目标域连接关系；基于各个所述源域前景块特征和所述目标域前景块特征，确定所述源域前景块特征和所述目标域前景块特征之间的域间连接关系。4.根据权利要求3所述的方法，其特征在于，所述根据每一目标类型下的域前景块特征，确定所述目标类型下的域连接关系，包括：针对每一所述目标类型下各个域前景块特征，确定所述目标类型下的所述域前景块特
征与各个候选域前景块特征之间的相似度，所述候选域前景块特征与所述域前景块特征不同，且对应于同一目标类型；若所述相似度大于或等于预设阈值，则确定所述域前景块特征与所述候选域前景块特征之间具备连接关系，所述目标类型下的域连接关系包括所述目标类型下各个域前景块特征对应的接连关系。5.根据权利要求3所述的方法，其特征在于，所述基于各个所述源域前景块特征和所述目标域前景块特征，确定所述源域前景块特征和所述目标域前景块特征之间的域间连接关系，包括：通过以下公式确定第i个源域前景块特征和第j个目标域前景块特征之间的域间连接关系值关系值其中，用于表示源域图像s中的第i个源域前景块特征；用于表示目标域图像t中的第j个目标域前景块特征；σ用于表示调节超参数；所述域间连接关系包括每一所述源域前景块特征和每一所述目标域前景块特征之间的域间连接关系值。6.根据权利要求3所述的方法，其特征在于，所述根据所述连接关系对第一块特征进行更新，获得第二块特征，包括：根据所述目标类型下的域连接关系和至少一个注意力特征层对所述目标类型下的第一块特征进行卷积处理，...

【专利技术属性】
技术研发人员：王杰祥，张志诚，边成，李永会，
申请(专利权)人：抖音视界有限公司，
类型：发明
国别省市：