【技术实现步骤摘要】
模型生成、图像分割方法、装置、电子设备及存储介质
本专利技术实施例涉及图像处理
,尤其涉及一种模型生成、图像分割方法、装置、电子设备及存储介质。
技术介绍
基于深度学习模型对医学图像上的感兴趣点进行分割时,需要大量的人力和时间进行分割标记,该感兴趣点可以作为医护人员定位病灶点的参考因素。在国内,三甲医院普遍人满为患,专业医生是很难有时间为深度学习模型提供大量精细的分割标记,用于分割感兴趣点的深度学习模型需要更为简单的标注数据进行训练。据此,基于图像级别的分类标签进行像素级别的分割训练后得到的弱监督分割模型应运而生。但是,上述弱监督分割模型的分割结果过于粗糙,只能达到感兴趣点所在的感兴趣区域定位的效果,距离精细的感兴趣点分割仍是存在相当大的差距。
技术实现思路
本专利技术实施例提供了一种模型生成、图像分割方法、装置、电子设备及存储介质,解决了现有的弱监督分割模型的分割性能较差的问题。第一方面,本专利技术实施例提供了一种模型生成方法,可以包括:将获取到的样本图像输入至原始分割模型中,根据原始分割模型输出的分割特征图确定增强特征图和分类向量;根据增强特征图中的第三特征图和第四特征图确定相似性损失函数,且根据分类向量和针对于已知目标的分类标签确定分类损失函数;将分类损失函数和相似性损失函数反向输入到原始分割模型,调节原始分割模型的网络参数,生成图像分割模型;其中,第三特征图中的目标信息多于分割特征图中与样本图像中的第一图像对应的第一特征图,且第 ...
【技术保护点】
1.一种模型生成方法,其特征在于,包括:/n将获取到的样本图像输入至原始分割模型中,根据所述原始分割模型输出的分割特征图确定增强特征图和分类向量;/n根据所述增强特征图中的第三特征图和第四特征图确定相似性损失函数,且根据所述分类向量和针对于已知目标的分类标签确定分类损失函数;/n将所述分类损失函数和所述相似性损失函数反向输入到所述原始分割模型,调节所述原始分割模型的网络参数,生成图像分割模型;/n其中,所述第三特征图中的目标信息多于所述分割特征图中与所述样本图像中的第一图像对应的第一特征图,且所述第四特征图中的所述目标信息多于所述分割特征图中与所述样本图像中的第二图像对应的第二特征图,所述第二图像是对所述第一图像进行降维后得到的图像。/n
【技术特征摘要】
1.一种模型生成方法,其特征在于,包括:
将获取到的样本图像输入至原始分割模型中,根据所述原始分割模型输出的分割特征图确定增强特征图和分类向量;
根据所述增强特征图中的第三特征图和第四特征图确定相似性损失函数,且根据所述分类向量和针对于已知目标的分类标签确定分类损失函数;
将所述分类损失函数和所述相似性损失函数反向输入到所述原始分割模型,调节所述原始分割模型的网络参数,生成图像分割模型;
其中,所述第三特征图中的目标信息多于所述分割特征图中与所述样本图像中的第一图像对应的第一特征图,且所述第四特征图中的所述目标信息多于所述分割特征图中与所述样本图像中的第二图像对应的第二特征图,所述第二图像是对所述第一图像进行降维后得到的图像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述原始分割模型输出的分割特征图确定增强特征图,包括:
获取所述原始分割模型输出的分割特征图、以及包含所述目标信息的信息特征图,其中,所述信息特征图包括下述中的至少一个:所述样本图像、在将所述样本图像输入至所述原始分割模型之后,经由所述原始分割模型内各分割网络中的预设分割网络输出的特征图、及将所述样本图像和所述预设分割网络输出的特征图进行拼接后得到的特征图;
根据所述信息特征图和所述分割特征图确定全局注意力图,并根据所述全局注意力图和所述分割特征图得到增强特征图。
3.根据权利要求1所述的方法,其特征在于,所述根据所述增强特征图中的第三特征图和第四特征图确定相似性损失函数,包括:
根据所述增强特征图中的第三特征图和第四特征图确定第一损失函数;和/或,根据所述第一特征图和所述第四特征图确定第二损失函数,并且根据所述第二特征图和所述第三特征图确定第三损失函数;
相应的,所述将所述分类损失函数和所述相似性损失函数反向输入到所述原始分割模型,包括:
将所述分类损失函数和所述第一损失函数、或是所述分类损失函数、所述第二损失函数和所述第三损失函数、或所述分类损失函数、所述第一损失函数、所述第二损失函数和所述第三损失函数反向输入到所述原始分割模型中。
4.根据权利要求1所述的方法,其特征在于,还包括:
针对所述分割特征图中的每个目标像素点,从所述分割特征图中分别获取所述目标像素点的目标分割向量和与所述目标像素点临近的临近像素点的临近分割向量,并根据所述目标分割向量和所述临近分割向量确定分割损失函数;
将各所述分割损失函数反向输入到所述原始分割模型。
5.根据权利要求4所述的方法,其特征在于,所述目标像素点是所述分割特征图中满足预设分割策略的分割概率对应的像素点,且所述目标像素点包括目标前景点或是目标背景点;
所述临近像素点是所述分割特征图中以所述目标像素点为中心的预设范围内的满足所述预设分割策略的所述分割概率对应的像素点,且所述临近像素点包括临近前景点或是临近背景点;
所述根据所述目标分割向量和所述临近分割向量确定分割损失函数,包括:
确定所述目标像素点和所述临近像素点的像素点类别是否一致,根据确定结果、所述目标分割向量和所述临近分割向量确定分割损失函数。
6.根据权利要求1所述的方法,...
【专利技术属性】
技术研发人员:唐雯,张荣国,李新阳,陈宽,王少康,
申请(专利权)人:推想医疗科技股份有限公司,
类型:发明
国别省市:北京;11
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。