图像分割模型的训练方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种图像分割模型的训练方法、装置、电子设备及存储介质。该方法包括：获取多组训练样本数据，训练样本数据包括样本图像；在对图像分割模型的迭代训练过程中，将样本图像输入至图像分割模型中的编码器，得到编码特征图像，将编码特征图像输入至图像分割模型中的解码器，得到第一重构图像，将编码特征图像输入至图像分割模型中的变分自编码器，得到第二重构图像；基于第一重构图像、第二重构图像和样本图像确定分割模型损失，基于分割模型损失对当前图像分割模型的参数进行调节，得到目标图像分割模型。上述技术方案，通过增加变分自编码器实现了自监督学习，实现无标注数据训练，减少对标注数据的依赖，降低数据标注成本。成本。成本。

【技术实现步骤摘要】
图像分割模型的训练方法、装置、电子设备及存储介质


[0001]本专利技术涉及数据处理
，尤其涉及一种图像分割模型的训练方法、装置、电子设备及存储介质。

技术介绍

[0002]近几年，使用医疗影像AI模型进行病灶的自动化分割是智能医疗发展的重要方向之一，基于原始影像和标注影像进行训练和推理的人工智能方案，能够节约医生的勾画时间，减轻医生工作量。
[0003]然而，基于神经网络的有监督学习AI模型的训练依赖于大量医疗标签数据。医疗领域虽然每天产生大量影像数据，而影像数据标注成本却极高，需要有经验的影像学专家的对大量的医学影像进行高质量标注。
[0004]在实现本专利技术的过程中，专利技术人发现现有技术中至少存在以下技术问题：现有技术方案，存在模型训练对标注数据的依赖强的问题。

技术实现思路

[0005]本专利技术提供了一种图像分割模型的训练方法、装置、电子设备及存储介质，降低对标注数据的依赖。
[0006]根据本专利技术的一方面，提供了一种图像分割模型的训练方法，包括：
[0007]获取多组训练样本数据，其中，所述训练样本数据包括样本图像；
[0008]在对图像分割模型的迭代训练过程中，将所述样本图像输入至所述图像分割模型中的编码器，得到编码特征图像，将所述编码特征图像输入至所述图像分割模型中的解码器，得到第一重构图像，将所述编码特征图像输入至所述图像分割模型中的变分自编码器，得到第二重构图像；
[0009]基于所述第一重构图像、所述第二重构图像和所述样本图像确定分割模型损失，基于所述分割模型损失对当前图像分割模型的参数进行调节，直到迭代训练完成得到目标图像分割模型。
[0010]根据本专利技术的另一方面，提供了一种图像分割模型的训练装置，包括：
[0011]样本数据获取模块，用于获取多组训练样本数据，其中，所述训练样本数据包括样本图像；
[0012]重构图像生成模块，用于在对图像分割模型的迭代训练过程中，将所述样本图像输入至所述图像分割模型中的编码器，得到编码特征图像，将所述编码特征图像输入至所述图像分割模型中的解码器，得到第一重构图像，将所述编码特征图像输入至所述图像分割模型中的变分自编码器，得到第二重构图像；
[0013]分割模型损失确定模块，用于基于所述第一重构图像、所述第二重构图像和所述样本图像确定分割模型损失，基于所述分割模型损失对当前图像分割模型的参数进行调节，直到迭代训练完成得到目标图像分割模型。
[0014]根据本专利技术的一方面，提供了一种图像分割方法，包括：
[0015]获取至少一张待分割图像；
[0016]将所述待分割图像输入至本专利技术任一实施例所述的目标图像分割模型中，得到与所述待分割图像对应的目标分割图像。
[0017]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0018]至少一个处理器；以及
[0019]与所述至少一个处理器通信连接的存储器；其中，
[0020]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图像分割模型的训练方法，或者图像分割方法。
[0021]根据本专利技术的另一方面，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图像分割模型的训练方法，或者图像分割方法。
[0022]本专利技术实施例的技术方案，通过获取多组训练样本数据，训练样本数据包括样本图像；在对图像分割模型的迭代训练过程中，将样本图像输入至图像分割模型中的编码器，得到编码特征图像，将编码特征图像输入至图像分割模型中的解码器，得到第一重构图像，将编码特征图像输入至图像分割模型中的变分自编码器，得到第二重构图像；基于第一重构图像、第二重构图像和样本图像确定分割模型损失，基于分割模型损失对当前图像分割模型的参数进行调节，得到目标图像分割模型。上述技术方案，通过增加变分自编码器实现了自监督学习，实现无标注数据训练，减少对标注数据的依赖，进而降低数据标注成本。
[0023]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0024]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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。
[0025]图1是根据本专利技术实施例一提供的一种图像分割模型的训练方法的流程图；
[0026]图2是根据本专利技术实施例二提供的一种图像分割模型的训练方法的流程图；
[0027]图3是根据本专利技术实施例二提供的一种图像分割模型的网络结构图；
[0028]图4是根据本专利技术实施例三提供的一种图像分割方法的流程图；
[0029]图5是根据本专利技术实施例四提供的一种图像分割模型的训练装置的结构示意图；
[0030]图6是实现本专利技术实施例的图像分割模型的训练方法的电子设备的结构示意图。
具体实施方式
[0031]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人
员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0032]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0033]实施例一
[0034]图1为本专利技术实施例一提供的一种图像分割模型的训练方法的流程图，本实施例可适用于在少量训练样本数据的情况下，进行图像分割模型训练的情况，该方法可以由图像分割模型的训练装置来执行，该图像分割模型的训练装置可以采用硬件和/或软件的形式实现，该图像分割模型的训练装置可配置于计算机终端中。如图1所示，该方法包括：
[0035]S110、获取多组训练样本数据，其中，所述训练样本数据包括样本图像。
[0036]其中，训练样本数据可以理解为用于模型训练的样本图像集合。
[0037]示例性地，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分割模型的训练方法，其特征在于，包括：获取多组训练样本数据，其中，所述训练样本数据包括样本图像；在对图像分割模型的迭代训练过程中，将所述样本图像输入至所述图像分割模型中的编码器，得到编码特征图像，将所述编码特征图像输入至所述图像分割模型中的解码器，得到第一重构图像，将所述编码特征图像输入至所述图像分割模型中的变分自编码器，得到第二重构图像；基于所述第一重构图像、所述第二重构图像和所述样本图像确定分割模型损失，基于所述分割模型损失对当前图像分割模型的参数进行调节，直到迭代训练完成得到目标图像分割模型。2.根据权利要求1所述的方法，其特征在于，所述获取多组训练样本数据，包括：获取至少一组原始样本数据，其中，所述原始样本数据包括样本图像；对所述原始样本数据进行数据增强，得到多组训练样本数据。3.根据权利要求1所述的方法，其特征在于，所述基于所述第一重构图像、所述第二重构图像和所述样本图像确定分割模型损失，包括：将所述第一重构图像、所述第二重构图像和所述样本图像输入至损失函数，得到分割模型损失；其中，所述损失函数包括均方差损失项、散度损失项和对比损失项。4.根据权利要求3所述的方法，其特征在于，所述损失函数包括：Loss＝αL
i，j
+βL
KL
+(1
‑
α
‑
β)L
contrastive
L
i，j
＝L1(X，X
i
)+L2(X，X
j
))其中，L
i，j
表示均方差损失项，L
KL
表示散度损失项，L
contrastive
表示对比损失项，α、β表示各损失项的权重系数；L1表示第一均方差损失项，L2表示第二均方差损失项，X表示样本图像，X
i
表示第i个第一重构图像，X
j
表示第j个第二重构图像；L
KL
是Kullback
‑
Leibler散度，作为所述变分自编码器的惩罚项，使得图像分割模型的隐藏层特征接近正态分布，n表示样本图像的体素总数，N(σ，μ)表示所述编码特征图像的分布，N
std
表示标准正态分布；z
i
表示X
i
的特征向量，z
j
表示X
j
的特征向量，...

【专利技术属性】
技术研发人员：刘长东，许文仪，周子捷，
申请(专利权)人：联仁健康医疗大数据科技股份有限公司，
类型：发明
国别省市：