图像分割模型训练方法、图像分割方法、装置、设备及介质制造方法及图纸

本申请涉及智能决策技术领域，基于深度学习训练图像分割模型，并公开了一种图像分割模型训练方法、图像分割方法、装置、设备及介质。该方法通过对获取的眼底图像进行下采样以获得不同尺度的特征映射，并将其输入至区域生成网络，以获得所述不同尺度的感兴趣区域以及分类；将所述感兴趣区域与上采样后的感兴趣区域进行多尺度融合分割；然后根据损失函数的值调整所述下采样、区域生成网络以及上采样的参数，直到所述损失函数的值在预设误差范围内，以获得图像分割模型。该方法先进行多尺度的特征提取，然后提取感兴趣区域，然后再进行多尺度融合的精细分割，提高了分割精度。

Image Segmentation Model Training Method, Image Segmentation Method, Device, Equipment and Media

【技术实现步骤摘要】
图像分割模型训练方法、图像分割方法、装置、设备及介质
本申请涉及图像
，尤其涉及一种图像分割模型训练方法、图像分割方法、装置、设备及介质。
技术介绍
眼底是位于内眼后部组织结构的统称，主要包括视网膜、视乳头、黄斑和视网膜中心血管等结构。黄斑位于眼球后极部，视盘外侧，是视网膜的中心区域，是视力轴的投影点。黄斑区由于富含叶黄素，故呈暗红或红褐色，是眼底后部色调最暗区域，一般呈椭圆或近似圆形。黄斑的中央也存在一小凹陷，称为中央凹，为视觉最敏锐处。相干光断层扫描(opticalcoherencetomography，OCT)作为一种新型的非接触式、非侵入式对视网膜进行横截面扫描的影像学检查方法,能直观显示视网膜内部结构,在活体上获得类似眼组织病理学的影像,可以客观定量地对视网膜结构进行测量和分析,对眼睛疾病激光治疗后的病程发展能提供临床指导。目前，人工手动分割光学相干断层扫描眼底图像的视网膜层在眼科临床实践中仍占主导地位，该过程费时费力，而且主观性强、重复性差，严重影响临床诊断的效率和准确性。应用图像分割技术对OCT图像中眼底黄斑区典型病灶进行自动分割，能为临床治疗提供定量化影像学指标。相对于传统图像分割方法(如水平集等)，深度学习为主的图像分割技术具有很多优势，目前常用的深度学习分割网络为U-Net。但由于U-Net网络是在整张图像上逐个像素分别进行计算，在一些并不存在病灶的区域，很容易分割得到假阳性病灶区域。
技术实现思路
本申请提供了一种图像分割模型训练方法、图像分割方法、装置、设备及介质，能先检测定位然后再精细分割，提高了分割的精度。第一方面，本申请提供了一种图像分割模型训练方法，所述图像分割模型训练方法包括：获取眼底图像；对所述眼底图像进行下采样以获得不同尺度的特征映射；将所述不同尺度的特征映射输入至区域生成网络，以获得所述不同尺度的感兴趣区域以及所述感兴趣区域的分类；对所述不同尺度的感兴趣区域进行上采样；将所述感兴趣区域与上采样后的感兴趣区域进行多尺度融合分割；根据所述区域生成网络获得所述不同尺度的感兴趣区域的边界框回归误差、所述分类的分类误差以及所述多尺度融合分割的分割误差计算损失函数；根据所述损失函数的值调整所述下采样、区域生成网络以及上采样的参数，直到所述损失函数的值在预设误差范围内，以获得所述眼底图像分割模型。第二方面，本申请还提供了一种图像分割方法，所述图像分割方法包括：获取待分割的眼底图像；对所述待分割的眼底图像进行预处理；将预处理后的待分割的眼底图像输入眼底图像分割模型，以对预处理后的待分割的眼底图像进行分割；所述眼底图像分割模型为采用第一方面所述的眼底图像分割模型训练方法训练得到的眼底图像分割模型。第三方面，本申请还提供了一种图像分割模型训练装置，所述图像分割模型训练装置包括：获取模块，用于获取眼底图像；下采样模块，用于对所述眼底图像进行下采样以获得不同尺度的特征映射；输入模块，将所述不同尺度的特征映射输入至区域生成网络，以获得所述不同尺度的感兴趣区域以及所述感兴趣区域的分类；上采样模块，对所述不同尺度的感兴趣区域进行上采样；分割模块，用于将所述感兴趣区域与上采样后的感兴趣区域进行多尺度融合分割；计算模块，用于根据所述区域生成网络获得所述不同尺度的感兴趣区域的边界框回归误差、所述分类的分类误差以及所述多尺度融合分割的分割误差计算损失函数；调整模块，用于根据所述损失函数的值调整所述下采样、区域生成网络以及上采样的参数，直到所述损失函数的值在预设误差范围内，以获得所述眼底图像分割模型。第四方面，本申请还提供了一种图像分割装置，所述图像分割装置包括：获取单元，用于获取待分割的眼底图像；预处理单元，用于对所述待分割的眼底图像进行预处理；图像分割单元，用于将预处理后的待分割的眼底图像输入眼底图像分割模型，以对预处理后的待分割的眼底图像进行分割；所述眼底图像分割模型为第一方面所述的眼底图像分割模型训练方法训练得到的眼底图像分割模型。第五方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现第一方面所述的图像分割模型训练方法，或者第二方面的所述图像分割方法。第六方面，本申请还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计算机程序，所述计算机程序被处理器执行时使所述处理器实现第一方面所述的图像分割模型训练方法，或者第二方面的所述图像分割方法。本申请公开了一种图像分割模型训练方法、图像分割方法、装置、设备及介质。该方法通过对获取的眼底图像进行下采样以获得不同尺度的特征映射；将所述不同尺度的特征映射输入至区域生成网络，以获得所述不同尺度的感兴趣区域以及所述感兴趣区域的分类；对所述不同尺度的感兴趣区域进行上采样；将所述感兴趣区域与上采样后的感兴趣区域进行多尺度融合分割；根据所述区域生成网络获得所述不同尺度的感兴趣区域的边界框回归误差、所述分类的分类误差以及所述多尺度融合分割的分割误差计算损失函数；根据所述损失函数的值调整所述下采样、区域生成网络以及上采样的参数，直到所述损失函数的值在预设误差范围内，以获得所述眼底图像分割模型。该方法先进行多尺度的特征提取，然后提取感兴趣区域，然后再进行多尺度融合的精细分割，提高了分割精度。附图说明为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请实施例提供的一种图像分割模型训练方法步骤示意流程图；图2为本申请实施例提供的一种图像分割模型训练方法的训练示意性结构框图；图3为本申请实施例提供的一种图像分割方法步骤示意流程图；图4为本申请实施例提供的图像分割模型训练装置结构示意性框图；图5为本申请实施例提供的图像分割装置结构示意性框图；图6为本申请实施例提供的一种计算机设备结构示意性框图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。本申请实施例提供了一种图像分割模型训练方法、图像分割方法、装置、设备及介质。该图像分割模型训练方法、图像分割方法、装置、设备及介质可用于医院、社康、体检机构、研究部门等其他机构对眼底图像进行分割。下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。图1为本申请实施例提供的一种图像分割模型训练方法的示意流程图，图2为本申请实施例提供的一种图像分割模型训练方法的训练示意性结构框图，请参考图1及图2，所述图像分割模型训练方法包括以下步骤：步骤S101、获取眼底图像。具体的，本文档来自技高网...

【技术保护点】
1.一种图像分割模型训练方法，其特征在于，所述图像分割模型训练方法包括：获取眼底图像；对所述眼底图像进行下采样以获得不同尺度的特征映射；将所述不同尺度的特征映射输入至区域生成网络，以获得所述不同尺度的感兴趣区域以及所述感兴趣区域的分类；对所述不同尺度的感兴趣区域进行上采样；将所述感兴趣区域与上采样后的感兴趣区域进行多尺度融合分割；根据所述区域生成网络获得所述不同尺度的感兴趣区域的边界框回归误差、所述分类的分类误差以及所述多尺度融合分割的分割误差计算损失函数；根据所述损失函数的值调整所述下采样、区域生成网络以及上采样的参数，直到所述损失函数的值在预设误差范围内，以获得所述眼底图像分割模型。

【技术特征摘要】
1.一种图像分割模型训练方法，其特征在于，所述图像分割模型训练方法包括：获取眼底图像；对所述眼底图像进行下采样以获得不同尺度的特征映射；将所述不同尺度的特征映射输入至区域生成网络，以获得所述不同尺度的感兴趣区域以及所述感兴趣区域的分类；对所述不同尺度的感兴趣区域进行上采样；将所述感兴趣区域与上采样后的感兴趣区域进行多尺度融合分割；根据所述区域生成网络获得所述不同尺度的感兴趣区域的边界框回归误差、所述分类的分类误差以及所述多尺度融合分割的分割误差计算损失函数；根据所述损失函数的值调整所述下采样、区域生成网络以及上采样的参数，直到所述损失函数的值在预设误差范围内，以获得所述眼底图像分割模型。2.根据权利要求1所述的图像分割模型训练方法，其特征在于，所述根据所述区域生成网络获得感兴趣区域的边界框回归误差、所述分类的分类误差以及所述多尺度融合分割的分割误差计算损失函数，包括：根据所述区域生成网络获得感兴趣区域的边界框回归误差、所述分类的分类误差以及所述多尺度融合分割的分割误差关联的计算公式计算损失函数；所述计算公式为：L＝λ1L1+λ2L2+λ3L3其中，λ1、λ2、λ3为权衡参数，L表示损失函数，L1表示分类误差，L2表示边界框回归误差，L3表示分割误差，Nc表示类别数，i表示所述感兴趣区域的下标，pi表示第i个感兴趣区域预测为正样本的概率，当感兴趣区域为正样本时，pi*为1；当感兴趣区域为负样本时，pi*为0；ti表示正样本感兴趣区域到预测区域的四个平移缩放参数，ti*表示正样本感兴趣区域到真实标签的四个平移缩放参数，R()是smooth函数，即yi表示期望输出值、ai表示实际输出值，N表示感兴趣区域个数，α为权衡因子。3.根据权利要求1所述的图像分割模型训练方法，其特征在于，所述对所述眼底图像进行下采样以获得不同尺度的特征映射，包括：将所述眼底图像输入至残差跳连网络，所述残差跳连网络包括多个卷积层、多个池化层以及多个跳连结构，所述眼底图像每经过一层卷积层以及池化层就得到一个尺度的特征映射，从而得到多个不同尺度的特征映射。4.根据权利要求1所述的图像分割模型训练方法，其特征在于，所述对所述不同尺度的感兴趣区域进行上采样，包括：将所述不同尺度的感兴趣区域进行反卷积从而实现上采样。5.根据权利要求1所述的图像分割模型训练方法，其特征在于，所述将所述感兴...

【专利技术属性】
技术研发人员：吕彬，郭晏，吕传峰，谢国彤，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44