图像分割训练方法、装置、电子设备和存储介质制造方法及图纸

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。本发明专利技术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。的检出效果。的检出效果。

【技术实现步骤摘要】
图像分割训练方法、装置、电子设备和存储介质


[0001]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。

技术介绍

[0002]随着医学影像的快速发展，成像技术，电子计算机断层扫描(computed tomography，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。

技术实现思路

[0003]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。
[0004]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：
[0005]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；
[0006]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；
[0007]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。
[0008]在本公开的一些实施例中，所述获取训练数据集包括：
[0009]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；
[0010]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；
[0011]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。
[0012]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：
[0013]确定所述训练数据集中的每个训练数据对应的病种类别；
[0014]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；
[0015]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。
[0016]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：
[0017]从所述输出结果中，确定对应于所述第二标签的输出结果；
[0018]利用对应于所述第二标签的输出结果，生成融合标签数据；
[0019]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。
[0020]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：
[0021]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。
[0022]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：
[0023]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；
[0024]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。
[0025]本公开的第二方面，提供了一种图像处理方法，该方法包括：
[0026]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。
[0027]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：
[0028]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；
[0029]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；
[0030]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。
[0031]本公开的第四方面，提供了一种图像处理装置，该装置包括：
[0032]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。
[0033]本公开的第五方面，提供了一种电子设备，包括：
[0034]至少一个处理器；以及
[0035]与所述至少一个处理器通信连接的存储器；其中，
[0036]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。
[0037]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。
[0038]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。
[0039]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。本专利技术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。
[0040]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：陈相儒，谢晶，杨书航，
申请(专利权)人：瀚依科技杭州有限公司，
类型：发明
国别省市：