本发明专利技术公开了一种分割模型训练方法、图像分割方法、装置、设备及介质。该方法包括获取用于模型训练的样本图像以及样本图像中各像素点的像素点标签；像素点包括目标像素点和背景像素点；迭代执行如下训练过程，直至满足训练完成条件得到目标分割模型：将样本图像输入至待训练的分割模型，得到样本图像中各像素点的样本分割结果；基于各像素点标签以及样本预测结果计算模型损失函数；其中，模型损失函数包括基于目标像素点的标签生成的第一损失函数以及基于背景像素点的标签生成的第二损失函数；基于模型损失函数对分割模型进行模型参数的调节。通过本发明专利技术公开的技术方案，以解决现有技术中图像分割不准确的问题，提高了图像分割结果的准确性。割结果的准确性。割结果的准确性。
【技术实现步骤摘要】
分割模型训练方法、图像分割方法、装置、设备及介质
[0001]本专利技术涉及图像处理
，尤其涉及一种分割模型训练方法、图像分割方法、装置、设备及介质。
技术介绍
[0002]随着计算机断层扫描CT和核磁共振成像MRI等无创影像诊断技术的进步，也对临床医生提出了越来越高的要求。为了减轻医生的劳动强度，并且避免个人主观性的影响，基于图像处理和人工智能的计算机辅助诊断技术日益成为全世界研究的热点。
[0003]现有技术一般都是先提取图像的统计特征、纹理特征等一系列特征，之后再利用诸如人工神经网络、随机森林及支持向量机等来分割。但是现有技术在实施过程中，发现存在如下问题：计算效率低、人工成本高且鲁棒性差，极易出现目标过度分割的情况。
技术实现思路
[0004]本专利技术提供了一种分割模型训练方法、图像分割方法、装置、设备及介质，以解决现有技术中图像分割不准确的问题，提高了图像分割结果的准确性。
[0005]第一方面，本专利技术实施例提供了一种分割模型训练方法，该方法包括：
[0006]获取用于模型训练的样本图像以及所述样本图像中各像素点的像素点标签；其中，所述像素点包括目标像素点和背景像素点；
[0007]迭代执行如下训练过程，直至满足训练完成条件得到目标分割模型：将所述样本图像输入至待训练的分割模型，得到所述样本图像中各像素点的样本预测结果；
[0008]基于各所述像素点标签以及所述样本预测结果计算模型损失函数；其中，所述模型损失函数包括基于所述目标像素点的标签生成的第一损失函数以及基于所述背景像素点的标签生成的第二损失函数；
[0009]基于所述模型损失函数对所述分割模型进行模型参数的调节。
[0010]可选的，所述分割模型包括至少一层级联的编码模块和与所述编码模块层级相同层级的解码模块；所述解码模块包括残差注意力组件；
[0011]相应的，所述将所述样本图像输入至待训练的分割模型，得到所述样本图像中各像素点的样本预测结果，包括：
[0012]对于任一层级编码模块，基于第一预设卷积参数对所述样本图像/对上一层级编码模块进行下采样处理后输出的编码特征进行卷积操作，得到所述当前层级编码模块进行特征提取后的编码特征；
[0013]对于任一层级解码模块，基于第二预设卷积参数对上一层级编码模块进行下采样处理后输出的编码，或者对所述当前层级编码模块进行输出的编码特征与上一层级解码模块上采样处理后输出的图像特征进行拼接后的拼接特征进行卷积操作，并基于残差注意力组件对卷积操作后的图像特征进行特征提取，得到当前层级解码模块进行特征提取后的图像特征。
[0014]可选的，所述基于各所述像素点标签以及所述样本预测结果计算模型损失函数，包括：
[0015]获取所述样本预测结果中目标像素点对应的第一样本预测结果，基于所述第一样本预测结果以及所述目标像素点的标签生成所述分割模型的第一损失函数；
[0016]获取所述样本预测结果中背景像素点对应的第二样本预测结果，基于所述第二样本预测结果以及所述背景像素点的标签生成所述分割模型的第二损失函数；
[0017]基于所述第一损失函数、所述第二损失函数、预设的第一损失函数权重以及预设的第二损失函数权重确定所述分割模型的模型损失函数。
[0018]可选的，所述基于所述第二样本预测结果以及所述背景像素点的标签生成所述分割模型的第二损失函数，包括：
[0019]基于所述背景像素点的标签与所述第二样本预测结果的比对结果确定所述背景像素点中的候选背景像素点，并基于预设的筛选条件确定所述候选背景像素点中的目标背景像素点；
[0020]基于所述目标背景点的标签以及所述第二样本预测结果中目标背景点对应的样本预测结果，生成所述分割模型的第二损失函数。
[0021]可选的，在所述将所述样本图像输入至待训练的分割模型之前，还包括：
[0022]对所述样本进行预设尺寸的裁剪，得到至少两张裁剪后的样本图像；
[0023]相应的，所述得到所述样本图像中各像素点的样本预测结果，还包括：
[0024]基于重叠滑窗方式输出所述裁剪后的样本图像的初始样本预测结果；
[0025]基于裁剪后的样本图像的数量对各所述初始样本预测结果进行均值处理，得到所述样本图像的样本预测结果。
[0026]第二方面，本专利技术实施例还提供了一种图像分割方法，该方法包括：
[0027]获取待分割图像；
[0028]将所述待分割图像输入至预先训练完成的分割模型中，得到所述分割模型输出的分割结果；其中，所述分割模型基于上述任一实施例所述的分割模型训练方法进行训练得到。
[0029]第三方面，本专利技术实施例还提供了一种分割模型训练装置，该装置包括：
[0030]样本图像获取模块，用于获取用于模型训练的样本图像以及所述样本图像中各像素点的像素点标签；其中，所述像素点包括目标像素点和背景像素点；
[0031]目标分割模型获得模块，用于迭代执行如下训练过程，直至满足训练完成条件得到目标分割模型：将所述样本图像输入至待训练的分割模型，得到所述样本图像中各像素点的样本预测结果；
[0032]基于各所述像素点标签以及所述样本预测结果计算模型损失函数；其中，所述模型损失函数包括基于所述目标像素点的标签生成的第一损失函数以及基于所述背景像素点的标签生成的第二损失函数；
[0033]基于所述模型损失函数对所述分割模型进行模型参数的调节。
[0034]第四方面，本专利技术实施例还提供了一种图像分割装置，该装置包括：
[0035]图像获取模块，用于获取待分割图像；
[0036]分割结果获得模块，用于将所述待分割图像输入至预先训练完成的分割模型中，
得到所述分割模型输出的分割结果；其中，所述分割模型基于上述任一实施例所述的分割模型训练方法进行训练得到。
[0037]第五方面，本专利技术实施例还提供了一种电子设备，包括：
[0038]至少一个处理器；以及
[0039]与所述至少一个处理器通信连接的存储器；其中，
[0040]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的分割模型训练方法和/或图像分割方法。
[0041]第六方面，本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的分割模型训练方法和/或图像分割方法。
[0042]本专利技术实施例的技术方案具体包括：获取用于模型训练的样本图像以及样本图像中各像素点的像素点标签；其中，像素点包括目标像素点和背景像素点；迭代执行如下训练过程，直至满足训练完成条件得到目标分割模型：将样本图像输入至待训练的分割模型，得到样本图像中各像素点的样本预测结果；基于各像素点标签以及样本预测结果计算模型损失本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种分割模型训练方法，其特征在于，包括：获取用于模型训练的样本图像以及所述样本图像中各像素点的像素点标签；其中，所述像素点包括目标像素点和背景像素点；迭代执行如下训练过程，直至满足训练完成条件得到目标分割模型：将所述样本图像输入至待训练的分割模型，得到所述样本图像中各像素点的样本分割结果；基于各所述像素点标签以及所述样本预测结果计算模型损失函数；其中，所述模型损失函数包括基于所述目标像素点的标签生成的第一损失函数以及基于所述背景像素点的标签生成的第二损失函数；基于所述模型损失函数对所述分割模型进行模型参数的调节。2.根据权利要求1所述的方法，其特征在于，所述分割模型包括至少一层级联的编码模块和与所述编码模块层级相同层级的解码模块；所述解码模块包括残差注意力组件；相应的，所述将所述样本图像输入至待训练的分割模型，得到所述样本图像中各像素点的样本预测结果，包括：对于任一层级编码模块，基于第一预设卷积参数对所述样本图像/对上一层级编码模块进行下采样处理后输出的编码特征进行卷积操作，得到所述当前层级编码模块进行特征提取后的编码特征；对于任一层级解码模块，基于第二预设卷积参数对上一层级编码模块进行下采样处理后输出的编码，或者对所述当前层级编码模块进行输出的编码特征与上一层级解码模块上采样处理后输出的图像特征进行拼接后的拼接特征进行卷积操作，并基于残差注意力组件对卷积操作后的图像特征进行特征提取，得到当前层级解码模块进行特征提取后的图像特征。3.根据权利要求1所述的方法，其特征在于，所述基于各所述像素点标签以及所述样本预测结果计算模型损失函数，包括：获取所述样本预测结果中目标像素点对应的第一样本预测结果，基于所述第一样本预测结果以及所述目标像素点的标签生成所述分割模型的第一损失函数；获取所述样本预测结果中背景像素点对应的第二样本预测结果，基于所述第二样本预测结果以及所述背景像素点的标签生成所述分割模型的第二损失函数；基于所述第一损失函数、所述第二损失函数、预设的第一损失函数权重以及预设的第二损失函数权重确定所述分割模型的模型损失函数。4.根据权利要求3所述的方法，其特征在于，所述基于所述第二样本预测结果以及所述背景像素点的标签生成所述分割模型的第二损失函数，包括：基于所述背景像素点的标签与所述第二样本预测结果的比对结果确定所述背景像素点中的候选背景像素点，并基于预设的筛选条件确定所述候选背景像素点中的目标背景像素点；基于所述目标背景点的标签以及所述第二样本预测结果中目标背景点对应的样本预测...
【专利技术属性】
技术研发人员：赵冬冬，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：
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。