【技术实现步骤摘要】
本公开涉及基于人工智能的图像处理领域，具体涉及一种识别医学图像中的目标的模型训练方法及电子设备。
技术介绍
1、近些年来，人工智能技术在计算机视觉领域中取得了巨大的成就。例如，深度学习技术在语义分割、图像分类和目标识别等方面的应用越来越广泛。特别在医学领域，常常通过对医学图像中的目标进行分割、识别或分类以辅助对目标进行分析。
2、目前，深度学习目标识别技术对大尺寸的目标可以获得较高的识别准确度，但是对小目标(例如细物体或小物体)的识别性能却不尽人意，容易造成漏报和虚警的情况，并且区别小目标的类别也很困难。例如，在眼底图像中，点状出血和微血管瘤等小目标体征由于目标小、颜色浅、颜色接近，因此在深度学习进行目标识别时不易发现，也不易区分。因此，如何有效地对小目标进行识别还有待于研究。
技术实现思路
1、本公开是有鉴于上述现有技术的状况而提出的，其目的在于提供一种能够有效地对小目标进行识别的识别医学图像中的目标的模型训练、方法、设备及介质。
2、为此，本公开第一方面提供一种识别医学图像中的目标的模型训练方法，包括：获取作为训练样本的所述医学图像和所述训练样本中的所述目标对应的标注区域；确定所述标注区域对应的区域分割结果，并利用所述训练样本和所述区域分割结果构建训练集，其中，通过对所述标注区域内的图像数据进行欠分割以获取所述区域分割结果；并且基于所述训练集训练待训练模型，并利用训练损失函数优化所述待训练模型，其中，在所述训练损失函数中，利用空间权重减小所述训练样本中的
3、另外，在本公开的第一方面所涉及的模型训练方法中，可选地，获取所述区域分割结果进一步包括：基于所述训练样本中所述标注区域对应的图像数据获取待分割图像数据、或基于所述训练样本中所述标注区域对应的图像数据以及感兴趣分割结果中所述标注区域对应的图像数据获取所述待分割图像数据，其中，所述感兴趣分割结果为用于识别所述训练样本的感兴趣区域的二值图像；并且利用目标分割阈值对所述待分割图像数据进行阈值分割，进而获取所述区域分割结果，其中，所述区域分割结果为二值图像。在这种情况下，能够通过阈值分割识别待分割图像数据中的目标区域，并且在标注区域包括感兴趣区域以外的区域时，能够消除感兴趣区域以外的噪声。
4、另外，在本公开的第一方面所涉及的模型训练方法中，可选地，根据所述目标所属的标注类别的获取阈值方法获取所述目标分割阈值，其中，各个标注类别的获取阈值方法由各个标注类别的平均面积和平均颜色确定，所述获取阈值方法包括第一种方法和第二种方法，所述第一种方法对应的标注类别的平均面积大于所述第二种方法对应的标注类别的平均面积且所述第一种方法对应的标注类别的平均颜色比所述第二种方法对应的标注类别的平均颜色浅；对于所述第一种方法，查找阈值，使所述待分割图像数据内灰度值大于所述阈值的像素的面积小于所述待分割图像数据的面积的预设倍数，将所述阈值作为所述目标分割阈值，其中，所述预设倍数大于0且小于1；对于所述第二种方法，若所述待分割图像数据的最小的边的长度小于预设长度，则取所述待分割图像数据中像素的灰度值的均值作为所述目标分割阈值，否则基于所述待分割图像数据的四个角的区域和中心区域的灰度值确定所述目标分割阈值。在这种情况下，能够根据目标对应的标注类别自身的特点获取目标分割阈值。由此，能够提高阈值分割的准确性。
5、另外，在本公开的第一方面所涉及的模型训练方法中，可选地，在获取所述区域分割结果之前：还对所述待分割图像数据的阈值分割结果进行腐蚀操作以获取至少一个连通区域，从所述至少一个连通区域中选择中心离所述待分割图像数据的中心最近的所述连通区域作为所述区域分割结果。由此，能够获得准确的目标区域。
6、另外，在本公开的第一方面所涉及的模型训练方法中，可选地，在所述空间权重中，所述训练样本中的所述第一区域的像素被分配第一权重，其中，所述第一权重为0。在这种情况下，能够忽略未确定类别的样本，以减小未确定类别的样本对待训练模型的负面影响。
7、另外，在本公开的第一方面所涉及的模型训练方法中，可选地，所述训练样本中的所述第一区域、第二区域、第三区域和第四区域的像素分别被分配第一权重、第二权重、第三权重和第四权重，其中，所述第二区域为所述目标区域，所述第三区域为感兴趣区域内的不属于所述标注区域的区域，所述第四区域为所述感兴趣区域之外的区域，所述第一权重小于所述第二权重且小于所述第三权重，所述第四权重小于所述第二权重且小于所述第三权重。在这种情况下，能够抑制未确定类别的像素以及感兴趣区域以外的像素对待训练模型的负面影响，提高目标区域以内和感兴趣区域内的无目标区域对待训练模型的正面影响。由此，能够提高模型的准确性。
8、另外，在本公开的第一方面所涉及的模型训练方法中，可选地，所述待训练模型是语义分割模型，所述待训练模型的预测结果是所述训练样本的语义分割结果。由此，能够对小目标进行识别。
9、另外，在本公开的第一方面所涉及的模型训练方法中，可选地，所述标注区域的形状为矩形。由此，能够降低标注的难度。
10、本公开第二方面提供了一种电子设备，该电子设备包括：至少一个处理电路，所述至少一个处理电路被配置为执行本公开第一方面所述的模型训练方法的步骤。
11、本公开第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现上述的模型训练方法的步骤。
12、本公开第四方面提供了一种识别医学图像中目标的方法，该方法包括：获取作为输入图像的所述医学图像；并且利用根据本公开第一方面所述的模型训练方法训练的至少一个经训练模型，确定针对所述输入图像的各个经训练模型的预测结果，基于所述至少一个经训练模型的预测结果获取目标预测结果。
13、另外，在本公开的第四方面所涉及的方法中，可选地，各个经训练模型的预测结果包括所述输入图像中的各个像素属于相应标注类别的概率，按标注类别和像素对所述至少一个经训练模型的预测结果进行集成以获取所述输入图像的各个像素属于相应标注类别的集成概率，基于所述集成概率确定连通区域，基于该连通区域获取各个标注类别对应的所述目标预测结果，其中，若仅存在一个经训练模型，则将所述概率作为所述集成概率，否则对多个经训练模型的预测结果求均值以获取所述输入图像中的各个像素属于相应标注类别的概率均值并作为所述集成概率。在这种情况下，基于集成概率获取目标预测结果，能够进一步提高目标预测结果的准确本文档来自技高网...
【技术保护点】
1.一种识别医学图像中的目标的模型训练方法，其特征在于，包括：获取作为训练样本的所述医学图像和所述训练样本中的所述目标对应的标注区域；确定所述标注区域对应的区域分割结果，并利用所述训练样本和所述区域分割结果构建训练集，其中，所述区域分割结果用于确定目标区域和第一区域，所述目标区域中的像素确定属于所述目标，所述第一区域中的像素为未确定类别的像素，且所述第一区域为所述训练样本中的所述标注区域内的所述目标区域以外的区域；并且基于所述训练集训练待训练模型，并利用训练损失函数优化所述待训练模型，其中，在所述训练损失函数中，所述第一区域的像素和所述目标区域的像素分别被分配第一权重和第二权重且所述第一权重小于所述第二权重以减小所述第一区域的像素对所述待训练模型的负面影响。
2.根据权利要求1所述的模型训练方法，其特征在于，在所述训练损失函数中，按所述训练样本中的像素属于的真实类别计算损失，所述真实类别由所述区域分割结果确定且包括所述目标的标注类别、无目标类别和未确定类别中的至少一项。
3.根据权利要求1所述的模型训练方法，其特征在于，通过对所述标注区域内的图像数据进行欠
4.根据权利要求3所述的模型训练方法，其特征在于，所述欠分割的方式为阈值分割，所述区域分割结果为二值图像。
5.根据权利要求4所述的模型训练方法，其特征在于，通过各个所述标注类别的特征得到的各个所述标注类别的获取阈值方法或根据经验确定所述标注类别的获取阈值方法，所述获取阈值方法包括第一种方法和第二种方法，所述第一种方法对应的标注类别的平均面积大于所述第二种方法对应的标注类别的平均面积且所述第一种方法对应的标注类别的平均颜色比所述第二种方法对应的标注类别的平均颜色浅。
6.根据权利要求5所述的模型训练方法，其特征在于，对于所述第一种方法，查找阈值，使待分割图像数据内灰度值大于所述阈值的像素的面积小于所述待分割图像数据的面积的预设倍数，将所述阈值作为目标分割阈值，其中，所述预设倍数大于0且小于1；对于所述第二种方法，若所述待分割图像数据的最小的边的长度小于预设长度，则取所述待分割图像数据中像素的灰度值的均值作为所述目标分割阈值，否则基于所述待分割图像数据的四个角的区域和中心区域的灰度值确定所述目标分割阈值。
7.根据权利要求1至6中任一项所述的模型训练方法，其特征在于，所述标注区域的形状为矩形、圆形或与所述训练样本中目标的形状相匹配的形状。
8.根据权利要求1至6中任一项所述的模型训练方法，其特征在于，所述第一权重为0。
9.根据权利要求1至6中任一项所述的模型训练方法，其特征在于，所述训练损失函数采用加权均衡交叉熵。
10.一种电子设备，其特征在于，包括：至少一个处理电路，所述至少一个处理电路被配置为执行如权利要求1至9中任一项所述的模型训练方法。
...【技术特征摘要】
1.一种识别医学图像中的目标的模型训练方法，其特征在于，包括：获取作为训练样本的所述医学图像和所述训练样本中的所述目标对应的标注区域；确定所述标注区域对应的区域分割结果，并利用所述训练样本和所述区域分割结果构建训练集，其中，所述区域分割结果用于确定目标区域和第一区域，所述目标区域中的像素确定属于所述目标，所述第一区域中的像素为未确定类别的像素，且所述第一区域为所述训练样本中的所述标注区域内的所述目标区域以外的区域；并且基于所述训练集训练待训练模型，并利用训练损失函数优化所述待训练模型，其中，在所述训练损失函数中，所述第一区域的像素和所述目标区域的像素分别被分配第一权重和第二权重且所述第一权重小于所述第二权重以减小所述第一区域的像素对所述待训练模型的负面影响。
2.根据权利要求1所述的模型训练方法，其特征在于，在所述训练损失函数中，按所述训练样本中的像素属于的真实类别计算损失，所述真实类别由所述区域分割结果确定且包括所述目标的标注类别、无目标类别和未确定类别中的至少一项。
3.根据权利要求1所述的模型训练方法，其特征在于，通过对所述标注区域内的图像数据进行欠分割以获取所述区域分割结果，基于所述欠分割获得的所述区域分割结果识别所述标注区域内未确定类别的像素。
4.根据权利要求3所述的模型训练方法，其特征在于，所述欠分割的方式为阈值分割，所述区域分割结果为二值图像。
5.根据权利要求4所述的模型训练方法，其特征在...
【专利技术属性】
技术研发人员：潘晓春，王娟，陈素平，夏斌，
申请(专利权)人：深圳硅基智能科技有限公司，
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。