基于三维图像识别的模型训练方法、存储介质和设备技术

本申请涉及一种基于三维图像识别的模型训练方法、装置、计算机可读存储介质和计算机设备，所述方法包括：获取三维原始图像、以及带有标注信息的三维样本图像；对所述三维原始图像中至少一张的原始切片进行干扰处理，得到对应的三维噪声图像；将所述三维噪声图像作为样本输入，并将所述三维原始图像作为训练标签来对目标网络进行预训练，得到预训练好的目标网络；根据预训练好的目标网络中至少一部分的网络结构和相应的网络参数，构建待训练的任务模型；通过所述三维样本图像和相应的标注信息对所述任务模型进行再训练，得到最终训练好的任务模型。本申请提供的方案可以提高模型训练效率。

Model training method, storage medium and equipment based on 3D image recognition

The application relates to a model training method, device, computer readable storage medium and computer equipment based on 3D image recognition, the method includes: obtaining 3D original image and 3D sample image with annotation information; performing interference processing on at least one original slice of the 3D original image to obtain the corresponding 3D noise image; and The 3D noise image is input as a sample, and the 3D original image is used as a training label to pre train the target network to obtain the pre trained target network; according to the network structure and corresponding network parameters of at least part of the pre trained target network, the task model to be trained is constructed; the 3D sample image and corresponding annotation information are used to pre train the target network After retraining the task model, the final trained task model is obtained. The scheme provided in the application can improve the training efficiency of the model.

【技术实现步骤摘要】
基于三维图像识别的模型训练方法、存储介质和设备
本申请涉及机器学习领域，特别是涉及一种基于三维图像识别的模型训练方法、装置、计算机可读存储介质和计算机设备。
技术介绍
随着计算机技术的发展，出现了图像处理技术，可对各种不同场景中的图像进行处理分析。结合神经网络对图像进行处理，可大大提高对图像处理的速度和效果。而在训练神经网络的过程中，分别训练处理二维图像和三维图像的模型所需求的样本数量的完全不同的。对于常见的三维医学图像，比如计算机断层成像(CT)，核磁共振成像(MRI)等，用于处理三维医学图像的三维深度卷积神经网络拥有远远多于二维网络的网络参数需要学习，因此需要更大量的标注信息进行训练，才能取得不错的效果。然而，在实际应用中，由于各种客观限制往往难以获取大量标注的标注信息，比如，三维医学图像的分割标注耗时费力，并且，对于三维医学图像中的医学数据的标注需要相当的专业知识或培训，这就使得训练数据难以获取，进而导致模型训练效率低的问题。
技术实现思路
基于此，有必要针对模型训练效率低的技术问题，提供一种基于三维图像识别的本文档来自技高网...

【技术保护点】
1.一种基于三维图像识别的模型训练方法，包括：/n获取三维原始图像、以及带有标注信息的三维样本图像；/n对所述三维原始图像中至少一张的原始切片进行干扰处理，得到对应的三维噪声图像；/n将所述三维噪声图像作为样本输入，并将所述三维原始图像作为训练标签来对目标网络进行预训练，得到预训练好的目标网络；/n根据所述预训练好的目标网络中至少一部分的网络结构和相应的网络参数，构建待训练的任务模型；/n通过所述三维样本图像和相应的标注信息对所述任务模型进行再训练，得到最终训练好的任务模型。/n

【技术特征摘要】
1.一种基于三维图像识别的模型训练方法，包括：
获取三维原始图像、以及带有标注信息的三维样本图像；
对所述三维原始图像中至少一张的原始切片进行干扰处理，得到对应的三维噪声图像；
将所述三维噪声图像作为样本输入，并将所述三维原始图像作为训练标签来对目标网络进行预训练，得到预训练好的目标网络；
根据所述预训练好的目标网络中至少一部分的网络结构和相应的网络参数，构建待训练的任务模型；
通过所述三维样本图像和相应的标注信息对所述任务模型进行再训练，得到最终训练好的任务模型。


2.根据权利要求1所述的方法，其特征在于，所述对所述三维原始图像中至少一张的原始切片进行干扰处理，得到对应的三维噪声图像，包括：
从所述三维原始图像中抽取至少一张的原始切片；
通过噪声值替代所述原始切片中的至少一部分的原始体素值，得到对应的噪声切片；
根据所述噪声切片确定与所述三维原始图像对应的三维噪声图像。


3.根据权利要求1所述的方法，其特征在于，所述对所述三维原始图像中至少一张的原始切片进行干扰处理，得到对应的三维噪声图像，包括：
从所述三维原始图像中抽取至少一张的原始切片；
分别打乱所述原始切片中原始体素的排布顺序，得到对应的噪声切片；
根据所述噪声切片确定与所述三维原始图像对应的三维噪声图像。


4.根据权利要求1所述的方法，其特征在于，所述将所述三维噪声图像作为样本输入，并将所述三维原始图像作为训练标签来对目标网络进行预训练，得到预训练好的目标网络，包括：
将所述三维噪声图像输入至目标网络进行训练，通过所述目标网络中的编码器和解码器进行还原处理，得到对应的三维还原图像；
根据所述三维原始图像和所述三维还原图像的差异，调整所述目标网络的网络参数并继续训练，直到满足第一训练停止条件时停止训练，以得到预训练好的目标网络。


5.根据权利4所述的方法，其特征在于，所述将所述三维噪声图像输入至目标网络进行训练，通过所述目标网络中的编码器和解码器进行还原处理，得到对应的三维还原图像，包括：
将所述三维噪声图像输入至目标网络中，通过所述目标网络的编码器进行卷积操作和下采样操作，得到与所述三维噪声图像对应的第一特征图；
通过所述目标网络的解码器对所述第一特征图进行卷积操作和上采样操作，得到与所述三维噪声图像对应的三维还原图像。


6.根据权利要求4所述的方法，其特征在于，所述根据所述三维原始图像和所述三维还原图像的差异，调整所述目标网络的网络参数并继续训练，包括：
根据所述三维原始图像和所述三维还原图像的差异，构建相应的损失函数；
调整所述目标网络的网络参数，以控制所述损失函数的值减小；
将使得所述损失函数最小化时的网络参数，作为对所述目标网络进行训练时当次训练得到的网络参数，并基于当次训练得到的网络参数继续训练。


7.根据权利要求1所述的方法，其特征在于，所述通过所述三维样本图像和相应的标注信息对所述任务模型进行再训练，得到最终训练好的任务模型，包括：
将所述三维样本图像输入至所述任务模型，得到预测输出；
根据所述标注信息和所述预测输出的差异，以小于等于预设值的学习率调整所述任务模型的模型参数并继续训练，直到满足第二训练停止条件时停止训练，得到最终训练好的任务模型。


8.根据权利要求1所述的方法，其特征在于，所述标注信息包括用于标记所述三维样本图像中不同部件的参考掩模；所述根据所述预训练好的目标网络中至少一部分的网络结构和相应的网络参数，构建待训练的任务模型，包括：
调整所述预训练好的目标网络中输出层的运算逻辑，得到适用于进行语义分割的分割任务模型；所述分割任务模型的模型参数包括所述预...

【专利技术属性】
技术研发人员：魏东，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：广东;44