本发明专利技术实施例提供了一种图像分割方法及装置，该方法包括：获取待分割的第一图像；对第一图像进行处理，得到第二图像；将第二图像输入到预先训练好的双路一致性学习网络模型，得到目标分割特征信息；其中，双路一致性学习网络模型是在图像层面和特征层面分别对无标注图像进行一致性学习训练得到的；根据目标分割特征信息对第一图像进行分割，采用双路一致性半监督学习方法，能够大量减少全监督算法标注时需要的巨大工作量和工作难度，并且能够在短时间内就对数据进行较大扩增，同时，可以对图像上的病灶进行分割，提高分割的准确性。提高分割的准确性。提高分割的准确性。
【技术实现步骤摘要】
一种图像分割方法、装置、终端设备及可读存储介质
[0001]本专利技术涉及计算机
，特别是涉及一种图像分割方法、装置、终端设备及可读存储介质。
技术介绍
[0002]在新冠肺炎诊断过程中，CT成像技术有着重要的作用，且经过实验验证，其对新冠肺炎的诊断敏感度较高。医生通过对CT图像中新冠肺炎病灶区域的识别和勾画，可以进行定性定量诊断以及给出相应的治疗方案。然而，手动病灶识别和勾画费时费力，因此对于这种快速扩增的传染性疾病来说，精确的自动化病灶分割就十分关键。
[0003]目前采用的分割算法大部分都是基于深度学习算法和卷积神经网络的全监督方法。这些方法依赖于医生标注的像素级的轮廓或病灶区域掩模，通过神经网络编码器和构建的多个并行解码器对单层CT图像中的新冠肺炎病灶进行分割。
[0004]若采用现有技术中的全监督算法，需要大量像素级的标注数据，而对于CT图像这种三维数据来说，其标注工作量和标注难度都非常大，不仅需要消耗较多的人力，而且分割准确率较低。
技术实现思路
[0005]鉴于上述问题，提出了本专利技术实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种图像分割方法及装置。
[0006]第一个方面，本专利技术实施例提供一种图像分割方法，所述方法包括：
[0007]获取待分割的第一图像；
[0008]对所述第一图像进行处理，得到第二图像；
[0009]将所述第二图像输入到预先训练好的双路一致性学习网络模型，得到目标分割特征信息；其中，所述双路一致性学习网络模型是在图像层面和特征层面分别对无标注图像进行一致性学习训练得到的；
[0010]根据所述目标分割特征信息对所述第一图像进行分割。
[0011]可选地，所述对所述第一图像进行处理，得到第二图像，包括：
[0012]根据大津法及形态学图像处理方法，对所述第一图像进行处理，得到第一目标图像区域；
[0013]对所述第一目标图像区域进行放缩处理；
[0014]当放缩到达预设值时，对放缩后图像进行滑窗处理，得到所述第二图像；其中，所述第二图像符合所述双路一致性学习网络模型的输入要求。
[0015]可选地，所述双路一致性学习网络模型是在图像层面对无标注图像进行一致性学习训练得到的，包括：
[0016]获取第一样本图像和第二样本图像，其中，所述第一样本图像不包括标注信息，所述第二样本图像包括标注信息；
[0017]根据所述第二样本图像对初始图像模型进行训练，得到第一损失函数；
[0018]对所述第一样本图像进行随机变换，得到第一变换图像；
[0019]根据所述第一样本图像和所述第一变换图像对所述初始图像模型进行训练，得到第二损失函数。
[0020]可选地，所述双路一致性学习网络模型包括共享编码器、主解码器和多个辅助解码器，其中，所述共享编码器用于对第一样本图像进行特征提取，得到第一样本图像的特征信息，所述主解码器用于对特征信息进行处理，生成预测分割分数图；所述辅助解码器用于当第一样本图像的特征信息受到扰动时，对扰动后的图像特征信息进行特征综合，并生成预测分割分数图，所述双路一致性学习网络模型是在特征层面分别对无标注图像进行一致性学习训练得到的，包括：
[0021]对第一样本图像进行特征提取，得到第一样本图像的特征信息；
[0022]将所述第一样本图像的特征信息输入到所述主解码器，得到第一结果；
[0023]将扰动后的图像的特征信息对所述辅助解码器中，得到第二结果；
[0024]根据所述第一结果和所述第二结果，对初始图像模型进行一致性训练，得到第三损失函数；
[0025]若所述第一损失函数、所述第二损失函数和第三损失函数满足预设条件时，将所述初始图像模型确定为所述双路一致性学习网络模型。
[0026]可选地，所述方法还包括：
[0027]根据均值不确定性参数和均方差不确定性参数对初始图像模型进行鲁棒性调整，其中，所述均值不确定性参数是通过计算多个解码器预测概率值均值的熵来确定的，所述均方差不确定性参数是通过计算多个解码器输出预测值的均方差来确定的。
[0028]第二个方面，本专利技术实施例提供一种图像分割装置，所述装置包括：
[0029]获取模块，用于获取待分割的第一图像；
[0030]处理模块，用于对所述第一图像进行处理，得到第二图像；
[0031]确定模块，用于将所述第二图像输入到预先训练好的双路一致性学习网络模型，得到目标分割特征信息；其中，所述双路一致性学习网络模型是在图像层面和特征层面分别对无标注图像进行一致性学习训练得到的；
[0032]分割模块，用于根据所述目标分割特征信息对所述第一图像进行分割。
[0033]可选地，所述处理模块，用于：
[0034]根据大津法及形态学图像处理方法，对所述第一图像进行处理，得到第一目标图像区域；
[0035]对所述第一目标图像区域进行放缩处理；
[0036]当放缩到达预设值时，对放缩后图像进行滑窗处理，得到所述第二图像；其中，所述第二图像符合所述双路一致性学习网络模型的输入要求。
[0037]可选地，所述装置还包括训练模块，所述训练模块用于：
[0038]获取第一样本图像和第二样本图像，其中，所述第一样本图像不包括标注信息，所述第二样本图像包括标注信息；
[0039]根据所述第二样本图像对初始图像模型进行训练，得到第一损失函数；
[0040]对所述第一样本图像进行随机变换，得到第一变换图像；
[0041]根据所述第一样本图像和所述第一变换图像对所述初始图像模型进行训练，得到第二损失函数。
[0042]可选地，所述双路一致性学习网络模型包括共享编码器、主解码器和多个辅助解码器，其中，所述共享编码器用于对第一样本图像进行特征提取，得到第一样本图像的特征信息，所述主解码器用于对特征信息进行处理，生成预测分割分数图；所述辅助解码器用于当第一样本图像的特征信息受到扰动时，对扰动后的图像特征信息进行特征综合，并生成预测分割分数图，所述训练模块用于：
[0043]对第一样本图像进行特征提取，得到第一样本图像的特征信息；
[0044]将所述第一样本图像的特征信息输入到所述主解码器，得到第一结果；
[0045]将扰动后的图像的特征信息对所述辅助解码器中，得到第二结果；
[0046]根据所述第一结果和所述第二结果，对初始图像模型进行一致性训练，得到第三损失函数；
[0047]若所述第一损失函数、所述第二损失函数和第三损失函数满足预设条件时，将所述初始图像模型确定为所述双路一致性学习网络模型。
[0048]可选地，所述确定模块用于：
[0049]根据所述第一结果和第二结果，对初始图像模型进行一致性训练，得到均方差损失函数。可选地，所述训练模块用于：
[0050]根据均值不确定性参数和均方差不确定性参数对初本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像分割方法，其特征在于，所述方法包括：获取待分割的第一图像；对所述第一图像进行处理，得到第二图像；将所述第二图像输入到预先训练好的双路一致性学习网络模型，得到目标分割特征信息；其中，所述双路一致性学习网络模型是在图像层面和特征层面分别对无标注图像进行一致性学习训练得到的；根据所述目标分割特征信息对所述第一图像进行分割。2.根据权利要求1所述的方法，其特征在于，所述对所述第一图像进行处理，得到第二图像，包括：根据大津法及形态学图像处理方法，对所述第一图像进行处理，得到第一目标图像区域；对所述第一目标图像区域进行放缩处理；当放缩到达预设值时，对放缩后图像进行滑窗处理，得到所述第二图像；其中，所述第二图像符合所述双路一致性学习网络模型的输入要求。3.根据权利要求1所述的方法，其特征在于，所述双路一致性学习网络模型是在图像层面对无标注图像进行一致性学习训练得到的，包括：获取第一样本图像和第二样本图像，其中，所述第一样本图像不包括标注信息，所述第二样本图像包括标注信息；根据所述第二样本图像对初始图像模型进行训练，得到第一损失函数；对所述第一样本图像进行随机变换，得到第一变换图像；根据所述第一样本图像和所述第一变换图像对所述初始图像模型进行训练，得到第二损失函数。4.根据权利要求1所述的方法，其特征在于，所述双路一致性学习网络模型包括共享编码器、主解码器和多个辅助解码器，其中，所述共享编码器用于对第一样本图像进行特征提取，得到第一样本图像的特征信息，所述主解码器用于对特征信息进行处理，生成预测分割分数图；所述辅助解码器用于当第一样本图像的特征信息受到扰动时，对扰动后的图像特征信息进行特征综合，并生成预测分割分数图，所述双路一致性学习网络模型是在特征层面分别对无标注图像进行一致性学习训练得到的，包括：对第一样本图像进行特征提取，得到第一样本图像的特征信息；将所述第一样本图像的特征信息输入到所述主解码器，得到第一结果；将扰动后的图像的特征信息对所述辅助解码器中，得到第二结果；根据所述第一结果和所述第二结果，对初始图像...
【专利技术属性】
技术研发人员：林黄靖，李雁雯，张宏伟，
申请(专利权)人：深圳视见医疗科技有限公司，
类型：发明
国别省市：
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。