图像处理模型训练方法及相关装置、设备和存储介质制造方法及图纸

本申请公开了一种图像处理模型训练方法及相关装置、设备和存储介质，方法包括：利用第一图像处理模型对第一样本图像进行目标分割，得到第一预测掩膜图像；基于目标角度，将第一预测掩膜图像和第一样本图像的样本掩膜图像分别投影至相同图像坐标轴，得到第一预测掩膜图像的第一像素分布情况和样本掩膜图像的样本像素分布情况；基于第一像素分布情况和第二像素分布情况，得到第一差异；基于第一差异，调整第一图像处理模型的网络参数。通过该方法，可以提高模型的训练效果。可以提高模型的训练效果。可以提高模型的训练效果。

【技术实现步骤摘要】
图像处理模型训练方法及相关装置、设备和存储介质


[0001]本申请涉及深度学习
，特别是涉及一种图像处理模型训练方法及相关装置、设备和存储介质。

技术介绍

[0002]深度学习的快速发展，神经网络算法的日益改进，计算准确度也相应提高。目前，利用神经网络模型进行图像分割已经应用于许多行业。例如，在医学领域，利用神经网络模型进行医学图像分割，可以是对人体器官、血管等分割。
[0003]目前，在对神经网络模型进行图像分割的训练时，现有的损失函数如Dice损失函数、交叉熵损失函数等计算出的损失值，能够反映出预测结果和目标在重合程度上的差异。然而，对于与目标区域不重合的假阳性预测结果(预测结果为目标，但实际是非目标的区域)，现有的损失函数无法反映出假阳性预测结果和目标区域的距离差异，这限制了对神经网络模型的训练效果提升。并且，现有的损失函数计算方法的计算量较大，这也降低了神经网络模型的训练速度。
[0004]因此，如何改进神经网络模型的损失值计算方法，具有重要的意义。

技术实现思路

[0005]本申请至少提供一种图像处理模型训练方法及相关装置、设备和存储介质。
[0006]本申请第一方面提供了一种图像处理模型训练方法，方法包括：利用第一图像处理模型对第一样本图像进行目标分割，得到第一预测掩膜图像；基于目标角度，将第一预测掩膜图像和第一样本图像的样本掩膜图像分别投影至相同图像坐标轴，得到第一预测掩膜图像的第一像素分布情况和样本掩膜图像的样本像素分布情况；基于第一像素分布情况和第二像素分布情况，得到第一差异；基于第一差异，调整第一图像处理模型的网络参数。
[0007]因此，对于第一预测掩模图像中的假阳性区域，通过对第一预测掩膜图像和样本掩膜图像进行投影的方式，可以对距离样本掩膜区域距离不同的假阳性区域的损失权重进行区分，使得距离样本掩膜区域越远的假阳性区域，其损失权重越大，进而能够使得损失值越大，以此有助于提高模型对于距离样本掩膜区域越远的假阳性区域给予更多关注，进而提高模型的训练效果。
[0008]其中，上述的标角度为投影方向与图像坐标轴之间的夹角，上述的第一像素分布或样本像素分布的获取步骤，包括：从掩膜图像中，获取若干组像素点集；其中，连接同组像素点集中各像素点的直线与投影方向平行；基于各组像素点集的像素统计值，得到掩膜图像的像素分布情况；其中，在掩膜图像为第一预测掩膜图像的情况下，像素分布情况为第一像素分布情况，在掩膜图像为样本掩膜图像的情况下，像素分布情况为样本像素分布情况。
[0009]因此，通过在掩膜图像中获取若干组像素点集，并获取各组像素点集的像素统计值，以此可以获得掩膜图像的像素分布情况。
[0010]其中，上述的像素统计值包括以下任一者：最大值、平均值、最小值。
[0011]因此，因此，通过确定具体的统计值，可以基于不同的统计值得到对应的像素分布情况
[0012]其中，上述的第一样本图像为包括目标组织的医学图像。
[0013]因此，通过限定第一样本图像为目标组织的医学图像，以此实现了利用包括目标组织的医学图像来对模型进行训练，使得训练后的模型能够对目标组织进行分割，实现了本申请的图像处理模型训练方法在医学领域的应用。
[0014]其中，上述的像素分布情况以向量形式表示，上述的基于各组像素点集的像素统计值，得到掩膜图像的像素分布情况，包括：获取各组像素点集分别对应的直线与图像坐标轴的交点；基于交点在图像坐标轴上的坐标值，将各组像素点集的像素统计值进行排列，得到掩膜图像的分布特征向量。
[0015]因此，通过获取各组像素点集分别对应的直线与图像坐标轴的交点，并基于交点在图像坐标轴上的坐标值，将各组像素点集的像素统计值进行排列，以此可以获得掩膜图像的分布特征向量，进而得到掩模图像的像素分布情况。
[0016]其中，上述的第一样本图像中包含若干目标对象，且第一图像处理模型预测得到各个目标对象的第一预测掩膜图像，第一样本图像对应标注有各个目标对象的样本掩膜图像；上述的基于目标角度，将第一预测掩膜图像和第一样本图像的样本掩膜图像分别投影至相同图像坐标轴，得到第一预测掩膜图像的第一像素分布情况和样本掩膜图像的样本像素分布情况，包括：对于各个目标对象，将目标对象的第一预测掩膜图像和目标对象的样本掩膜图像，分别朝目标角度投影至相同图像坐标轴，得到目标对象分别对应的第一像素分布情况和样本像素分布情况；上述的基于第一像素分布情况和第二像素分布情况，得到第一差异，包括：对于各个目标对象，基于目标对象分别对应的第一像素分布情况和样本像素分布情况之间的差异，得到目标对象对应的子差异；融合若干目标对象分别对应的子差异，得到第一差异。
[0017]因此，通过获取目标对象对应的子差异，并利用目标对象对应的子差异得到第一差异，以此可以分别基于每一个目标对象对应的像素分布情况差异来得到第一差异，使得第一差异能够更加准确。
[0018]其中，上述的目标角度是在若干预设角度中选择得到的，在上述的基于第一差异，调整第一图像处理模型的网络参数之前，方法还包括：响应于存在未被选择的预设角度，选择一个未被选择的预设角度作为新的目标角度；重复执行基于目标角度，将第一预测掩膜图像和第一样本图像的样本掩膜图像分别投影至相同图像坐标轴，得到第一预测掩膜图像的第一像素分布情况和样本掩膜图像的样本像素分布情况的步骤以及后续步骤，以获取各个预设角度分别对应的第一差异；上述的基于第一差异，调整第一图像处理模型的网络参数，包括：融合各个预设角度分别对应的第一差异，得到第二差异；基于第二差异，调整第一图像处理模型的网络参数。
[0019]因此，通过未被选择的预设角度作为目标角度，进而利用新的目标角度获得第一预测掩膜图像的第一像素分布情况和样本掩膜图像的样本像素分布情况，并得到对应的第一差异，以此可以获得第一预测掩膜图像和样本掩膜图像在多个不同角度下的像素分布情况，使得第一差异能够更加准确地反映第一预测掩膜图像和样本掩膜图像的相似程度。
[0020]本申请第二方面提供了一种图像处理模型训练方法，方法包括：利用第一图像处
理模型对第一样本图像进行目标分割，得到第一预测掩膜图像；利用第二图像处理模型对第一样本图像的增强样本图像进行目标分割，得到第二预测掩膜图像；其中，第二图像处理模型的网络参数基于第一图像处理模型的网络参数设置，增强样本图像包括以下任一者：第一样本图像自身、第一样本图像经增强处理后的第二样本图像；基于目标角度，将第一预测掩膜图像和第二预测掩膜图像分别投影至相同图像坐标轴，得到第一预测掩膜图像的第一像素分布情况和第二预测掩膜图像的第二像素分布情况；基于第一像素分布情况和第二像素分布情况，得到第一差异；基于第一差异，调整第一图像处理模型的网络参数。
[0021]因此，由于第一差异是基于第一预测掩膜图像和第二预测掩膜图像得到的，而第一预测掩膜图像和第二预测掩膜图像都是基于没有标注信息的第一样本图像得到的，因此可以认为第一差异是基于无标注数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理模型训练方法，其特征在于，包括：利用第一图像处理模型对第一样本图像进行目标分割，得到第一预测掩膜图像；基于目标角度，将所述第一预测掩膜图像和所述第一样本图像的样本掩膜图像分别投影至相同图像坐标轴，得到所述第一预测掩膜图像的第一像素分布情况和所述样本掩膜图像的样本像素分布情况；基于所述第一像素分布情况和所述第二像素分布情况，得到第一差异；基于所述第一差异，调整所述第一图像处理模型的网络参数。2.根据权利要求1所述的方法，其特征在于，所述目标角度为投影方向与所述图像坐标轴之间的夹角，所述第一像素分布或所述样本像素分布的获取步骤，包括：从掩膜图像中，获取若干组像素点集；其中，连接同组所述像素点集中各像素点的直线与所述投影方向平行；基于各组所述像素点集的像素统计值，得到所述掩膜图像的像素分布情况；其中，在所述掩膜图像为所述第一预测掩膜图像的情况下，所述像素分布情况为所述第一像素分布情况，在所述掩膜图像为所述样本掩膜图像的情况下，所述像素分布情况为所述样本像素分布情况。3.根据权利要求2所述的方法，其特征在于，所述像素统计值包括以下任一者：最大值、平均值、最小值；和/或，所述第一样本图像为包括目标组织的医学图像；和/或，所述像素分布情况以向量形式表示，所述基于各组所述像素点集的像素统计值，得到所述掩膜图像的像素分布情况，包括：获取各组所述像素点集分别对应的所述直线与所述图像坐标轴的交点；基于所述交点在所述图像坐标轴上的坐标值，将各组所述像素点集的像素统计值进行排列，得到所述掩膜图像的分布特征向量。4.根据权利要求1
‑
3任一项所述的方法，其特征在于，所述第一样本图像中包含若干目标对象，且所述第一图像处理模型预测得到各个所述目标对象的第一预测掩膜图像，所述第一样本图像对应标注有各个所述目标对象的样本掩膜图像；所述基于目标角度，将所述第一预测掩膜图像和所述第一样本图像的样本掩膜图像分别投影至相同图像坐标轴，得到所述第一预测掩膜图像的第一像素分布情况和所述样本掩膜图像的样本像素分布情况，包括：对于各个所述目标对象，将所述目标对象的第一预测掩膜图像和所述目标对象的样本掩膜图像，分别朝所述目标角度投影至所述相同图像坐标轴，得到所述目标对象分别对应的所述第一像素分布情况和所述样本像素分布情况；所述基于所述第一像素分布情况和所述第二像素分布情况，得到第一差异，包括：对于各个所述目标对象，基于所述目标对象分别对应的所述第一像素分布情况和所述样本像素分布情况之间的差异，得到所述目标对象对应的子差异；融合所述若干目标对象分别对应的子差异，得到所述第一差异。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述目标角度是在若干预设角度中选择得到的，在所述基于所述第一差异，调整所述第一图像处理模型的网络参数之前，所述方法还包括：响应于存在未被选择的预设角度，选择一个未被选择的预设角度作为新的目标角度；
重复执行所述基于目标角度，将所述第一预测掩膜图像和所述第一样本图像的样本掩膜图像分别投影至相同图像坐标轴，得到所述第一预测掩膜图像的第一像素分布情况和所述样本掩膜图像的样本像素分布情况的步骤以及后续步骤，以获取各个所述预设角度分别对应的第一差异；所述基于所述第一差异，调整所述第一图像处理模型的网络参数，包括：融合各个所述预设角度分别对应的第一差异，得到第二差异；基于所述第二差异，调整所述第一图像处理模型的网络参数。6.一种图像处理模型训练方法，其特征在于，包括：利用第一图像处理模型对第一样本图像进行目标分割，得到第一预测掩膜图像；利用第二图像处理模型对第一样本图像的增强样本图像进行目标分割，得到第二预测掩膜图像；其中，所述第二图像处理模型的网络参数基于所述第一图像处理模型的网络参数设置，所述增强...

【专利技术属性】
技术研发人员：胡敏浩，宋涛，冯世祥，张少霆，
申请(专利权)人：上海商汤智能科技有限公司，
类型：发明
国别省市：