用于图像处理的方法、设备、存储介质和程序产品技术

根据本公开的实施例，提供了一种用于图像处理的方法、设备、存储介质和程序产品。在此描述的方法包括：获取训练图像集，训练图像集包括一组强标注图像和一组弱标注图像；确定待训练的图像分割模型的第一梯度信息和第二梯度信息；基于第一梯度信息与第二梯度信息之间的相似性，确定与目标弱标注图像相关联的目标训练权重；以及利用一组强标注图像和一组弱标注图像来训练图像分割模型，其中目标弱标注图像对训练的影响基于目标训练权重而被确定。通过确定针对单个弱标注样本的训练权重，本公开的实施例能够提高图像分割模型的性能。实施例能够提高图像分割模型的性能。实施例能够提高图像分割模型的性能。

【技术实现步骤摘要】
用于图像处理的方法、设备、存储介质和程序产品


[0001]本公开的各实现方式涉及计算机领域，更具体地，涉及图像处理的方法、设备、存储介质和计算机程序产品。

技术介绍

[0002]图像分割是图像处理中的一类典型任务，基于机器学习的图像分割方法已经成为当前的主流之一。在基于机器学习的图像分割方法中，训练图像的标注准确性将极大地影响图像分割的准确程度。
[0003]在一些特定领域中，人们通常难以足够数量的高质量标注结果。尤其，在医学图像处理领域中，人们难以获得足够数量的像素级别标注结果，这将直接影响医学图像处理的准确性。
[0004]目前，如何利用弱标注图像与强标注图像的结合来训练图像处理模型已经成为当前的热点。弱标注图像通常包括例如基于预定的分割样式（例如，圆形样式、椭圆形样式、方形样式等）而被标注的图像，强标注图像通常包括例如基于逐像素而被标注的图像，因此强标注图像具有更加精确的标注信息。

技术实现思路

[0005]在本公开的第一方面，提供了一种用于图像处理的方法。该方法包括：获取训练图像集，训练图像集包括一组强标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于图像处理的方法，包括：获取训练图像集，所述训练图像集包括一组强标注图像和一组弱标注图像，所述一组强标注图像具有比所述一组弱标注图像更加精确的标注信息；确定待训练的图像分割模型的、与所述一组弱标注图像中目标弱标注图像相关联的第一梯度信息和与所述一组强标注图像相关联的第二梯度信息；基于所述第一梯度信息与所述第二梯度信息之间的相似性，确定与所述目标弱标注图像相关联的目标训练权重；以及利用所述一组强标注图像和所述一组弱标注图像来训练所述图像分割模型，其中所述目标弱标注图像对所述训练的影响基于所述目标训练权重而被确定。2.根据权利要求1所述的方法，其中所述训练图像集包括多个医学图像，并且所述图像分割模型被配置用于确定与医学图像中的病灶部位相关联的分割信息。3.根据权利要求1所述的方法，其中所述一组强标注图像包括多个强标注图像，并且确定所述第二梯度信息包括：基于所述多个强标注图像，确定所述图像分割模型的多个梯度；以及基于所述多个梯度的均值，确定所述第二梯度信息。4.根据权利要求1所述的方法，其中确定与所述目标弱标注图像相关联的目标训练权重包括：确定与所述目标弱标注图像相关联的初始训练权重；以及基于所述相似性，调整所述初始训练权重以确定所述目标训练权重。5.根据权利要求1所述的方法，还包括：基于所述第二梯度信息的转置和所述第一梯度信息确定所述相似性。6.根据权利要求1所述的方法，其中利用所述一组强标注图像和所述一组弱标注图像来训练所述图像分割模型包括：基于所述一组强标注图像，确定与所述训练相关联的第一损失部分；基于所述一组弱标注图像和所述目标训练权重，确定与所述训练相关联的第二损失部分；以及基于所述第一损失部分和所述第二损失部分，调整所述图像分割模型的参数。7.根据权利要求1所述的方法，其中利用所述一组强标注图像和所述一组弱标注图像来训练所述图像分割模型包括：基于所述训练图像集中的第一图像和第二图像，构建混合图像；确定用于所述训练的目标函数，所述目标函数包括与所述第一图像相关联的第一部分、与所述第二图像相关联的第二部分和与所述混合图像相关联的第三部分，所述第一部分基于所述第一图像的第一训练权重，所述第二部分基于所述第二图像的第二训练权重，所述第三部分基于第三训练权重，所述第三训练权重基于所述第一训练权重和所述第二训练权重而被确定；以及基于所述目标函数，调整所述图像分割模型的参数。8.根据权利要求7所述的方法，其中构建所述混合图像包括：基于与所述第一图像的第一掩码信息，确定所述第一图像的第一部分，所述第一掩码信息用于指示预定区域将被保留；

【专利技术属性】
技术研发人员：边成，杨延展，李永会，
申请(专利权)人：北京字节跳动网络技术有限公司，
类型：发明
国别省市：