【技术实现步骤摘要】
本申请涉及计算机，特别是涉及一种结构分割模型的训练方法、结构分割方法及相关装置。
技术介绍
1、随着图像分割技术的快速发展，在每个样本图像包括标注结构和未标注结构、多个样本图像包括多个结构类别对应的多个标注结构的基础上，通过多个样本图像训练得到的结构分割模型能够分割图像中多个结构。
2、相关技术中，结构分割模型的训练方法是指：将样本图像输入初始分割网络进行结构分割，得到样本图像中标注结构的预测分割子图像和未标注结构的预测分割子图像；结合未标注结构的预测分割子图像的置信度和样本图像的标注分割图像，训练初始分割网络得到结构分割模型。
3、然而，上述方法中未标注结构的预测分割子图像不可靠，将未标注结构的预测分割子图像作为真实标注对初始分割网络进行训练，导致结构分割模型的结构分割性能较差，从而导致结构分割模型的结构分割结果不准确。
技术实现思路
1、为了解决上述技术问题，本申请提供了一种结构分割模型的训练方法、结构分割方法及相关装置，针对样本图像输入初始分割网络分割出的未标注结构的预测分割子图像，引入隐含多个结构的丰富先验知识的先验分割图像，通过预设细化网络进一步精炼细化未标注结构的预测分割子图像，作为真实标注训练初始分割网络得到结构分割模型，能够提升结构分割模型的结构分割性能，使得结构分割模型的结构分割结果更准确。
2、本申请实施例公开了如下技术方案：
3、一方面，本申请实施例提供一种结构分割模型的训练方法，所述方法包括：
4、
5、针对所述每个样本图像，通过初始分割网络对所述样本图像进行结构分割，获得所述样本图像的预测分割图像；
6、根据所述样本图像中标注结构和未标注结构，对所述预测分割图像进行结构切片，获得所述标注结构的预测分割子图像和所述未标注结构的预测分割子图像；
7、通过预设细化网络对所述未标注结构的预测分割子图像和先验分割图像中所述未标注结构的先验分割子图像进行图像细化，获得所述未标注结构的细化分割子图像；所述先验分割图像是根据所述多个样本图像集中多个样本图像对应的多个标注分割图像构建的；
8、根据所述标注结构的预测分割子图像、所述样本图像的标注分割图像中所述标注结构的标注分割子图像、所述未标注结构的预测分割子图像、所述未标注结构的细化分割子图像和所述初始分割网络的分割损失函数，训练所述初始分割网络获得结构分割模型。
9、另一方面，本申请实施例提供一种结构分割方法，所述方法包括：
10、获取包括多个待分割结构的待分割图像；
11、通过结构分割模型对所述待分割图像进行结构分割，获得所述待分割图像中多个待分割结构的预测分割图像；所述结构分割模型是根据上述方面所述的结构分割模型的训练方法获得的；
12、根据所述多个待分割结构的预测分割图像，确定所述多个待分割结构的结构分割结果。
13、另一方面，本申请实施例提供一种结构分割模型的训练装置，所述装置包括：第一获取单元、第一分割单元、切片单元、细化单元和训练单元；
14、所述第一获取单元，用于获取多个样本图像集；所述每个样本图像集中每个样本图像包括标注结构和未标注结构，所述多个样本图像集中多个样本图像包括多个结构类别对应的多个标注结构；
15、所述第一分割单元，用于针对所述每个样本图像，通过初始分割网络对所述样本图像进行结构分割，获得所述样本图像的预测分割图像；
16、所述切片单元，用于根据所述样本图像中标注结构和未标注结构，对所述预测分割图像进行结构切片，获得所述标注结构的预测分割子图像和所述未标注结构的预测分割子图像；
17、所述细化单元，用于通过预设细化网络对所述未标注结构的预测分割子图像和先验分割图像中所述未标注结构的先验分割子图像进行图像细化，获得所述未标注结构的细化分割子图像；所述先验分割图像是根据所述多个样本图像集中多个样本图像对应的多个标注分割图像构建的；
18、所述训练单元，用于根据所述标注结构的预测分割子图像、所述样本图像的标注分割图像中所述标注结构的标注分割子图像、所述未标注结构的预测分割子图像、所述未标注结构的细化分割子图像和所述初始分割网络的分割损失函数，训练所述初始分割网络获得结构分割模型。
19、另一方面，本申请实施例提供一种结构分割装置，所述装置包括：第二获取单元、第二分割单元和确定单元；
20、所述第二获取单元，用于获取包括多个待分割结构的待分割图像；
21、所述第二分割单元，用于通过结构分割模型对所述待分割图像进行结构分割，获得所述待分割图像中多个待分割结构的预测分割图像；所述结构分割模型是根据上述方面所述的结构分割模型的训练方法获得的；
22、所述确定单元，用于根据所述多个待分割结构的预测分割图像，确定所述多个待分割结构的结构分割结果。
23、另一方面，本申请实施例提供一种计算机设备，所述计算机设备包括处理器以及存储器：
24、所述存储器用于存储计算机程序，并将所述计算机程序传输给所述处理器；
25、所述处理器用于根据所述计算机程序中的指令执行前述任一方面所述的方法。
26、另一方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行前述任一方面所述的方法。
27、另一方面，本申请实施例提供一种计算机程序产品，包括计算机程序，当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行前述任一方面所述的方法。
28、由上述技术方案可以看出，首先，获取多个样本图像集，每个样本图像集中每个样本图像包括标注结构和未标注结构，多个样本图像集中多个样本图像包括多个结构类别对应的多个标注结构；针对每个样本图像，将样本图像输入初始分割网络结构分割得到样本图像的预测分割图像；按照样本图像中标注结构和未标注结构，将预测分割图像切片为标注结构的预测分割子图像和未标注结构的预测分割子图像。该步骤在获取多个样本图像集的基础上，针对包括标注结构和未标注结构的样本图像，通过初始分割网络能够分割出样本图像中标注结构的预测分割子图像和未标注结构的预测分割子图像。
29、然后，在基于多个样本图像集中多个样本图像对应的多个标注分割图像构建先验分割图像的基础上；将未标注结构的预测分割子图像和先验分割图像中未标注结构的先验分割子图像输入预设细化网络，图像细化得到未标注结构的细化分割子图像。该步骤通过隐含多个结构的丰富先验知识的先验分割图像以及预设细化网络，精炼细化未标注结构的预测分割子图像，能够得到更可靠、更准确的未标注结构的细化分割子图像。
30、最后，基于标注结构本文档来自技高网...
【技术保护点】
1.一种结构分割模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述先验分割图像的构建步骤，包括：
3.根据权利要求1所述的方法，其特征在于，所述预设细化网络的训练步骤，包括：
4.根据权利要求1所述的方法，其特征在于，所述初始分割网络的分割损失函数包括有监督损失函数和伪监督损失函数；所述根据所述标注结构的预测分割子图像、所述样本图像的标注分割图像中所述标注结构的标注分割子图像、所述未标注结构的预测分割子图像、所述未标注结构的细化分割子图像和所述初始分割网络的分割损失函数，训练所述初始分割网络获得结构分割模型，包括：
5.根据权利要求1所述的方法，其特征在于，所述通过预设细化网络对所述未标注结构的预测分割子图像和先验分割图像中所述未标注结构的先验分割子图像进行图像细化，获得所述未标注结构的细化分割子图像，包括：
6.根据权利要求1-5任一项所述的方法，其特征在于，所述多个样本图像集中属于不同样本图像集的任意两个样本图像包括不同标注结构。
7.根据权利要求1所述的方法，其特
8.根据权利要求7所述的方法，其特征在于，所述根据所述平均结构类别原型更新多模态下的结构类别原型中标注结构类别原型，获得更新后的结构类别原型，包括：
9.根据权利要求1所述的方法，其特征在于，若所述多个样本图像集包括多模态下的多个样本图像，所述先验分割图像为多模态下的先验分割图像，所述未标注结构的先验分割子图像为所述未标注结构在多模态下的先验分割子图像，所述标注结构的先验分割子图像为所述标注结构在多模态下的先验分割子图像；在所述获得所述标注结构的预测分割子图像和所述未标注结构的预测分割子图像之后，所述方法还包括：
10.根据权利要求9所述的方法，其特征在于，所述模态对齐网络的训练步骤，包括：
11.根据权利要求7所述的方法，其特征在于，所述先验分割图像为多模态下的先验分割图像，所述未标注结构的先验分割子图像为所述未标注结构在多模态下的先验分割子图像，所述标注结构的先验分割子图像为所述标注结构在多模态下的先验分割子图像；在所述获得所述标注结构的预测分割子图像和所述未标注结构的预测分割子图像之后，所述方法还包括：
12.一种结构分割方法，其特征在于，所述方法包括：
13.一种结构分割模型的训练装置，其特征在于，所述装置包括：第一获取单元、第一分割单元、切片单元、细化单元和训练单元；
14.一种结构分割装置，其特征在于，所述装置包括：第二获取单元、第二分割单元和确定单元；
15.一种计算机设备，其特征在于，所述计算机设备包括处理器以及存储器：
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行权利要求1-12任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，其特征在于，当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行权利要求1-12任一项所述的方法。
...【技术特征摘要】
1.一种结构分割模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述先验分割图像的构建步骤，包括：
3.根据权利要求1所述的方法，其特征在于，所述预设细化网络的训练步骤，包括：
4.根据权利要求1所述的方法，其特征在于，所述初始分割网络的分割损失函数包括有监督损失函数和伪监督损失函数；所述根据所述标注结构的预测分割子图像、所述样本图像的标注分割图像中所述标注结构的标注分割子图像、所述未标注结构的预测分割子图像、所述未标注结构的细化分割子图像和所述初始分割网络的分割损失函数，训练所述初始分割网络获得结构分割模型，包括：
5.根据权利要求1所述的方法，其特征在于，所述通过预设细化网络对所述未标注结构的预测分割子图像和先验分割图像中所述未标注结构的先验分割子图像进行图像细化，获得所述未标注结构的细化分割子图像，包括：
6.根据权利要求1-5任一项所述的方法，其特征在于，所述多个样本图像集中属于不同样本图像集的任意两个样本图像包括不同标注结构。
7.根据权利要求1所述的方法，其特征在于，若所述多个样本图像集包括多模态下的多个样本图像，在所述获得所述样本图像的预测分割图像之后，所述方法还包括：
8.根据权利要求7所述的方法，其特征在于，所述根据所述平均结构类别原型更新多模态下的结构类别原型中标注结构类别原型，获得更新后的结构类别原型，包括：
9.根据权利要求1所述的方法，其特征在于，若所述多个样本图像集包括多模态下的多个样本图像，所述先验分割图像为多模态下的先验分...
【专利技术属性】
技术研发人员：刘洪，魏东，卢东焕，郑昊，王红，郑冶枫，
申请(专利权)人：腾讯医疗健康深圳有限公司，
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。