基于半监督学习的模型训练与图像分割方法和系统技术方案

本发明专利技术涉及人工智能技术领域，提供一种基于半监督学习的模型训练与图像分割方法和系统，方法包括：基于第一图像数据集，以及对第一图像数据集降采样得到的退化图像数据集，训练图像修复模型；基于图像修复模型，初始化第一预训练模型和第二预训练模型；基于携带真实分割标签的第二图像数据集，对第一预训练模型进行训练，得到第一分割模型；将第三图像数据集输入至第一分割模型，得到第一分割模型输出的第三图像数据集的伪分割标签；基于携带伪分割标签的第三图像数据集，以及携带真实分割标签的第四图像数据集，对第二预训练模型进行训练，得到图像分割模型，在不增加标注负担的前提下，提高了图像分割模型的可靠性和准确性。提高了图像分割模型的可靠性和准确性。提高了图像分割模型的可靠性和准确性。

【技术实现步骤摘要】
基于半监督学习的模型训练与图像分割方法和系统


[0001]本专利技术涉及人工智能
，尤其涉及一种基于半监督学习的模型训练与图像分割方法和系统。

技术介绍

[0002]目前，针对磁共振（Magnetic Resonance，MR）图像的图像分割技术，多是通过训练好的神经网络模型实现。神经网络模型的分割效果，很大程度上取决于训练数据集的规模和质量。
[0003]然而，在生物医学领域，训练数据集的收集本身存在困难，且针对训练数据集的标注通常需要有专业经验的医师执行，数据来源的稀缺以及标注成本的高昂，都限制着训练数据集的规模和质量。
[0004]如何在训练数据有限的情况下，实现高性能的图像分割，依然是人工智能领域亟待解决的问题。

技术实现思路

[0005]本专利技术提供一种基于半监督学习的模型训练与图像分割方法和系统，用以解决现有技术中训练数据有限，限制了图像分割性能的缺陷。
[0006]本专利技术提供一种基于半监督学习的模型训练方法，包括：基于第一图像数据集，以及对所述第一图像数据集降采样得到的退化图像数据集，训练图像修复模型；基于所述图像修复模型，初始化第一预训练模型和第二预训练模型；基于携带真实分割标签的第二图像数据集，对所述第一预训练模型进行训练，得到第一分割模型；将第三图像数据集输入至所述第一分割模型，得到所述第一分割模型输出的所述第三图像数据集的伪分割标签；基于携带伪分割标签的第三图像数据集，以及携带真实分割标签的第四图像数据集，对所述第二预训练模型进行训练，得到图像分割模型。
[0007]根据本专利技术提供的一种基于半监督学习的模型训练方法，所述基于携带伪分割标签的第三图像数据集，以及携带真实分割标签的第四图像数据集，对所述第二预训练模型进行训练，得到图像分割模型，包括：将所述第三图像数据集输入至所述第二预训练模型，得到所述第二预训练模型输出的第三分割结果；将所述第四图像数据集输入至所述第二预训练模型，得到所述第二预训练模型输出的第四分割结果；基于所述第三分割结果、所述第三图像数据集的伪分割标签、所述第四分割结果、以及所述第四图像数据集的真实分割标签，对所述第二预训练模型进行参数迭代，得到图
像分割模型。
[0008]根据本专利技术提供的一种基于半监督学习的模型训练方法，所述基于所述第三分割结果、所述第三图像数据集的伪分割标签、所述第四分割结果、以及所述第四图像数据集的真实分割标签，对所述第二预训练模型进行参数迭代，得到图像分割模型，包括：基于所述第三分割结果，以及所述第三图像数据集的伪分割标签，确定无监督损失；基于所述第四分割结果，以及所述第四图像数据集的真实分割标签，确定监督损失；基于所述监督损失和所述无监督损失，对所述第二预训练模型进行参数迭代，得到所述图像分割模型。
[0009]根据本专利技术提供的一种基于半监督学习的模型训练方法，所述基于第一图像数据集，以及对所述第一图像数据集降采样得到的退化图像数据集，训练图像修复模型，包括：将所述退化图像数据集输入至初始模型，得到所述初始模型输出的修复图像数据集；基于所述第一图像数据集和所述修复图像数据集，确定修复损失；基于所述修复损失，对所述初始模型进行参数迭代，得到所述图像修复模型。
[0010]根据本专利技术提供的一种基于半监督学习的模型训练方法，所述退化图像数据集基于如下步骤确定：基于至少一种预设降采样率，对所述第一图像数据集在行或列上进行降采样，并对降采样后的行或列上的像素进行重组运算，得到所述第一图像数据集对应的退化图像数据集。
[0011]本专利技术还提供一种基于半监督学习的图像分割方法，包括：确定待分割图像；将所述待分割图像输入至图像分割模型，得到所述图像分割模型输出的图像分割结果，所述图像分割模型基于如上所述的基于半监督学习的模型训练方法确定。
[0012]本专利技术还提供一种基于半监督学习的模型训练系统，包括：修复训练单元，用于基于第一图像数据集，以及对所述第一图像数据集降采样得到的退化图像数据集，训练图像修复模型；预训练单元，用于基于所述图像修复模型，初始化第一预训练模型和第二预训练模型；第一分割训练单元，用于基于携带真实分割标签的第二图像数据集，对所述第一预训练模型进行训练，得到第一分割模型；伪标签获取单元，用于将第三图像数据集输入至所述第一分割模型，得到所述第一分割模型输出的所述第三图像数据集的伪分割标签；图像分割训练单元，用于基于携带伪分割标签的第三图像数据集，以及携带真实分割标签的第四图像数据集，对所述第二预训练模型进行训练，得到图像分割模型。
[0013]本专利技术还提供一种基于半监督学习的图像分割系统，包括：图像获取单元，用于确定待分割图像；图像分割单元，用于将所述待分割图像输入至图像分割模型，得到所述图像分割
模型输出的图像分割结果，所述图像分割模型基于如上所述的基于半监督学习的模型训练方法确定。
[0014]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于半监督学习的模型训练方法，或基于半监督学习的图像分割方法。
[0015]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于半监督学习的模型训练方法，或基于半监督学习的图像分割方法。
[0016]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于半监督学习的模型训练方法，或基于半监督学习的图像分割方法。
[0017]本专利技术提供的基于半监督学习的模型训练与图像分割方法和系统，基于第一图像数据集及其降采样所得的退化图像数据集训练得到图像修复模型，并由此初始化后续训练的预训练模型，使得预训练模型的获取无需再额外进行样本标注，极大降低了训练数据获取的负担；并且，基于第一预训练模型微调得到的第一分割模型生成伪分割标签，扩充了图像分割模型的训练数据，保证了基于第二预训练模型微调得到的图像分割模型的泛化性能，提高了图像分割模型的可靠性和准确性。
附图说明
[0018]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]图1是本专利技术提供的基于半监督学习的模型训练方法的流程示意图之一；图2是本专利技术提供的基于半监督学习的模型训练方法中步骤150的流程示意图；图3是本专利技术提供的基于半监督学习的模型训练方法的流程示意图之二；图4是本专利技术提供的基于半监督学习的图像分割方法的流程示意图；图5是本专利技术提供的基于半监督学习的模型训练系统的结构示意图；图6是本专利技术提供的基于半监督学习的图像分割系统的结构示意图；图7是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0020]为使本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半监督学习的模型训练方法，其特征在于，包括：基于第一图像数据集，以及对所述第一图像数据集降采样得到的退化图像数据集，训练图像修复模型；基于所述图像修复模型，初始化第一预训练模型和第二预训练模型；基于携带真实分割标签的第二图像数据集，对所述第一预训练模型进行训练，得到第一分割模型；将第三图像数据集输入至所述第一分割模型，得到所述第一分割模型输出的所述第三图像数据集的伪分割标签；基于携带伪分割标签的第三图像数据集，以及携带真实分割标签的第四图像数据集，对所述第二预训练模型进行训练，得到图像分割模型。2.根据权利要求1所述的基于半监督学习的模型训练方法，其特征在于，所述基于携带伪分割标签的第三图像数据集，以及携带真实分割标签的第四图像数据集，对所述第二预训练模型进行训练，得到图像分割模型，包括：将所述第三图像数据集输入至所述第二预训练模型，得到所述第二预训练模型输出的第三分割结果；将所述第四图像数据集输入至所述第二预训练模型，得到所述第二预训练模型输出的第四分割结果；基于所述第三分割结果、所述第三图像数据集的伪分割标签、所述第四分割结果、以及所述第四图像数据集的真实分割标签，对所述第二预训练模型进行参数迭代，得到图像分割模型。3.根据权利要求2所述的基于半监督学习的模型训练方法，其特征在于，所述基于所述第三分割结果、所述第三图像数据集的伪分割标签、所述第四分割结果、以及所述第四图像数据集的真实分割标签，对所述第二预训练模型进行参数迭代，得到图像分割模型，包括：基于所述第三分割结果，以及所述第三图像数据集的伪分割标签，确定无监督损失；基于所述第四分割结果，以及所述第四图像数据集的真实分割标签，确定监督损失；基于所述监督损失和所述无监督损失，对所述第二预训练模型进行参数迭代，得到所述图像分割模型。4.根据权利要求1至3中任一项所述的基于半监督学习的模型训练方法，其特征在于，所述基于第一图像数据集，以及对所述第一图像数据集降采样得到的退化图像数据集，训练图像修复模型，包括：将所述退化图像数据集输入至初始模型，得到所述初始模型输出的修复图像数据集；基于所述第一图像数据集和所述修复图像数据集，确定修复损失；基于所述修复损失，对所述初始模型进行参数...

【专利技术属性】
技术研发人员：罗家佳，冯飞，左健为，
申请(专利权)人：北京大学，
类型：发明
国别省市：