图像处理模型的训练方法、装置、电子设备及存储介质制造方法及图纸

本申请提供了一种图像处理模型的训练方法、装置、电子设备及存储介质；方法包括：获取多个三维图像样本以及标注数据，三维样本的类型包括标注图像样本和未标注图像样本，标注数据包括标注图像样本的实际分割位置；基于多个三维图像样本调用图像处理模型进行图像分割处理，得到第一预测分割位置，并基于第一预测分割位置与标注数据之间的第一损失，更新图像处理模型；将未标注图像样本的第一预测分割位置，作为未标注图像样本的实际分割位置；基于每个三维图像样本的实际分割位置，对第一损失进行更新，得到第二损失；基于第二损失更新基于第一损失更新后的图像处理模型。通过本申请，能够提升针对三维图像进行分割的准确性。能够提升针对三维图像进行分割的准确性。能够提升针对三维图像进行分割的准确性。

【技术实现步骤摘要】
图像处理模型的训练方法、装置、电子设备及存储介质


[0001]本申请涉及人工智能技术，尤其涉及一种图像处理模型的训练方法、装置、电子设备及存储介质。

技术介绍

[0002]人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。计算机视觉技术(Computer Vision，CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、定位和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。
[0003]针对三维图像的分割处理，相关技术中通常将三维图像转换为二维图像进行处理，例如光学相干断层扫描(Optical Coherence Tomography，OCT)图像，针对图像中的每个切片图像进行处理，在训练相关的图像处理模型的过程中，通常需要对训练样本进行人工标注，消耗了大量的时间以及计算资源，
[0004]相关技术，针对提升分割三维图像的准确性暂无较好的解决方法。

技术实现思路

[0005]本申请实施例提供一种图像处理模型的训练方法、装置、电子设备及计算机可读存储介质、计算机程序产品，能够提升针对三维图像进行分割的准确性。
[0006]本申请实施例的技术方案是这样实现的：
[0007]本申请实施例提供一种图像处理模型的训练方法，包括：
[0008]获取多个三维图像样本以及标注数据，其中，所述三维样本的类型包括标注图像样本和未标注图像样本，所述标注数据包括所述标注图像样本的实际分割位置；
[0009]基于所述多个三维图像样本调用所述图像处理模型进行图像分割处理，得到第一预测分割位置，并基于所述第一预测分割位置与所述标注数据之间的第一损失，更新所述图像处理模型；
[0010]将所述未标注图像样本的第一预测分割位置，作为所述未标注图像样本的实际分割位置，其中，所述第一预测分割位置是调用所述图像处理模型生成的；
[0011]基于每个所述三维图像样本的实际分割位置，对所述第一损失进行更新，得到第二损失；
[0012]基于所述第二损失更新基于所述第一损失更新后的所述图像处理模型。
[0013]本申请实施例提供一种图像处理方法，所述方法包括：
[0014]获取待分割的三维图像；
[0015]基于所述三维图像调用图像处理模型进行图像分割处理，得到所述三维图像中的分割位置，其中，所述图像处理模型是通过本申请实施例的图像处理模型的训练方法得到
的。
[0016]本申请实施例提供一种图像处理模型的训练装置，所述装置包括：
[0017]样本获取模块，配置为获取多个三维图像样本以及标注数据，其中，所述三维样本的类型包括标注图像样本和未标注图像样本，所述标注数据包括所述标注图像样本的实际分割位置；
[0018]预训练模块，配置为基于所述多个三维图像样本调用所述图像处理模型进行图像分割处理，得到第一预测分割位置，并基于所述第一预测分割位置与所述标注数据之间的第一损失，更新所述图像处理模型；
[0019]模型更新模块，配置为将所述未标注图像样本的第一预测分割位置，作为所述未标注图像样本的实际分割位置，其中，所述第一预测分割位置是调用所述图像处理模型生成的；
[0020]所述模型更新模块，还配置为基于每个所述三维图像样本的实际分割位置，对所述第一损失进行更新，得到第二损失；
[0021]所述模型更新模块，还配置为基于所述第二损失更新基于所述第一损失更新后的所述图像处理模型。
[0022]本申请实施例提供一种图像处理装置，所述图像处理装置包括：
[0023]图像接收模块，配置为获取待分割的三维图像；
[0024]图像处理模块，配置为基于所述三维图像调用图像处理模型进行图像分割处理，得到所述三维图像中的分割位置，其中，所述图像处理模型是通过本申请实施例的图像处理模型的训练方法得到的。
[0025]本申请实施例提供一种电子设备，包括：
[0026]存储器，用于存储计算机可执行指令；
[0027]处理器，用于执行所述存储器中存储的计算机可执行指令时，实现本申请实施例提供的图像处理模型的训练方法。
[0028]本申请实施例提供一种计算机可读存储介质，存储有计算机可执行指令，用于引起处理器执行时，实现本申请实施例提供的图像处理模型的训练方法。
[0029]本申请实施例提供一种计算机程序产品，包括计算机程序或计算机可执行指令，所述计算机程序或计算机可执行指令被处理器执行时实现本申请实施例提供的图像处理模型的训练方法。
[0030]本申请实施例具有以下有益效果：
[0031]通过两阶段地进行训练，提升了训练图像处理模型的准确性，通过稀疏标注的方式基于预测得到的第一预测分割位置对未标注的训练数据进行标注，以更新图像处理模型对应的损失，并通过更新的损失对图像处理模型进行优化训练，提升了训练得到的图像处理模型的准确性，节约了标注训练数据所需的计算资源。
附图说明
[0032]图1是本申请实施例提供的图像处理模型的训练方法的应用模式示意图；
[0033]图2A是本申请实施例提供的服务器的结构示意图；
[0034]图2B是本申请实施例提供的服务器的结构示意图；
[0035]图2C是本申请实施例提供的图像处理模型的结构示意图；
[0036]图3A至图3I是本申请实施例提供的图像处理模型的训练方法的流程示意图；
[0037]图4是本申请实施例提供的图像处理模型的结构示意图；
[0038]图5是本申请实施例提供的图像处理模型的训练方法的流程示意图；
[0039]图6A是本申请实施例提供的图像处理模型的训练方法的应用模式示意图；
[0040]图6B是本申请实施例提供的图像处理方法的应用模式示意图；
[0041]图7A至图7D是本申请实施例提供的实验结果表格；
[0042]图8A至图8D是本申请实施例提供的图像处理结果的示意图。
具体实施方式
[0043]为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
[0044]在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
[0045]在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理模型的训练方法，其特征在于，所述方法包括：获取多个三维图像样本以及标注数据，其中，所述三维样本的类型包括标注图像样本和未标注图像样本，所述标注数据包括所述标注图像样本的实际分割位置；基于所述多个三维图像样本调用所述图像处理模型进行图像分割处理，得到第一预测分割位置，并基于所述第一预测分割位置与所述标注数据之间的第一损失，更新所述图像处理模型；将所述未标注图像样本的第一预测分割位置，作为所述未标注图像样本的实际分割位置，其中，所述第一预测分割位置是调用所述图像处理模型生成的；基于每个所述三维图像样本的实际分割位置，对所述第一损失进行更新，得到第二损失；基于所述第二损失更新基于所述第一损失更新后的所述图像处理模型。2.根据权利要求1所述的方法，其特征在于，所述第一损失包括：第一对齐损失以及第一分割损失；所述基于所述多个三维图像样本调用所述图像处理模型进行图像分割处理，得到第一预测分割位置，并基于所述第一预测分割位置与所述标注数据之间的第一损失，更新所述图像处理模型，包括：基于每个所述三维图像样本调用所述图像处理模型执行以下处理：获取所述三维图像样本的对齐特征；对所述对齐特征进行分割处理，得到所述三维图像样本对应的第一预测分割位置；基于每个所述对齐特征与所述标注数据确定所述第一对齐损失；基于每个所述第一预测分割位置与所述标注数据确定所述第一分割损失；基于所述第一对齐损失与所述第一分割损失对所述图像处理模型进行参数更新处理。3.根据权利要求2所述的方法，其特征在于，所述获取所述三维图像样本的对齐特征，包括：对所述三维图像样本进行特征提取处理，得到图像特征；对所述图像特征进行位移处理，得到位移向量特征；对所述位移向量特征与所述图像特征进行对齐处理，得到所述三维图像样本的对齐特征。4.根据权利要求3所述的方法，其特征在于，所述图像处理模型包括：特征提取网络、对齐网络、空间位移模块、分割网络；所述特征提取网络用于执行所述特征提取处理，所述对齐网络用于执行所述位移处理，所述空间位移模块用于执行所述对齐处理，所述分割网络用于执行所述分割处理。5.根据权利要求4所述的方法，其特征在于，所述基于每个所述对齐特征与所述标注数据确定第一对齐损失，包括：针对所述多个三维图像中任意相邻的两个所述三维图像执行以下处理：获取两个所述三维图像的对齐特征之间的子互相关损失；获取每个所述三维图像的所述实际分割位置与所述位移向量特征之间的第一差值，获取两个所述三维图像分别对应的两个所述第一差值之间的第二差值，将所述第二差值的平方作为第一平方项；
将每个所述子互相关损失相加，得到互相关损失，并将每个所述第一平方项相加，得到平滑对齐损失；将所述互相关损失与所述平滑对齐损失的加和作为第一对齐损失。6.根据权利要求5所述的方法，其特征在于，所述获取两个所述三维图像的对齐特征之间的子互相关损失，包括：从第一三维图像的对齐特征中，提取所述第一三维图像中的每个像素周围的多个像素值的第一平均值；从第二三维图像的对齐特征中，提取所述第二三维图像中的每个像素周围的多个像素值的第二平均值；将第一三维图像中的任意一个像素、以及所述第二三维图像中与所述任意一个像素相同位置的像素作为像素对，并基于所述像素对的所述第一平均值与所述第二平均值之间的差异，确定所述两个所述三维图像的子互相关损失。7.根据权利要求5所述的方法，其特征在于，所述分割处理的结果包括：所述三维图像中每个位置的分布概率、所述第一预测分割位置；所述基于每个所述第一预测分割位置与所述标注数据确定第一分割损失，包括：基于所述三维图像中每个实际分割位置的分布概率、所述第一预测分割位置，确定交叉熵损失；基于每个所述第一预测分割位置与实际分割位置之间的差异，确定绝对平均误差损失；基于相邻的两个所述第一预测分割位置之间的位置差值，确定所述三维图像中每个位置的曲面二维梯度，将每个所述曲面二维梯度的范数的加和作为全局平滑损失；将所述交叉熵损失、所述平均误差损失、所述全局平滑损失进行相加，得到所述第一分割损失。8.根据权利要求7所述的方法，其特征在于，所述基于所述第一对齐损失与所述第一分割损失对所述图像处理模型进行参数更新处理，包括：基于所述第一对齐损失，对所述对齐网络以及所述空间位移模块进行参数更新处理，得到参数更新后的所述对齐网络以及所述空间位移模块；基于所述第一分割损失对所述分割网络进行参数更新处理，得到参数更新后的所述分割网络。9.根据权利要求8所述的方法，其特征在于，所述分割网络包括第一输出头以及第...

【专利技术属性】
技术研发人员：魏东，刘洪，卢东焕，黄雅雯，王连生，郑冶枫，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：