切片分割模型训练方法及装置、切片分割方法及装置制造方法及图纸

本发明专利技术提供一种切片分割模型训练方法及装置、切片分割方法及装置，其中分割模型训练方法包括：将第一样本集中的原始切片图像输入至初始切片分割模型，得到中间特征图及推理值，基于推理值、真值及各中间特征图，确定原始切片图像针对初始切片分割模型的第一损失值；基于第一损失值确定目标原始切片图像并对初始切片分割模型进行迭代训练直至收敛；将第二样本集中各切片图像输入收敛后的初始切片分割模型，确定各切片图像对应的价值量；基于各价值量，从第二样本集中确定新增切片图像并添加至第一样本集；利用更新后的第一样本集对收敛后的初始切片分割模型进行迭代训练。通过上述方法，实现仅使用少量样本训练使目标切片分割模型达到预期性能。割模型达到预期性能。割模型达到预期性能。

【技术实现步骤摘要】
切片分割模型训练方法及装置、切片分割方法及装置


[0001]本专利技术涉及计算机
，尤其涉及一种切片分割模型训练方法及装置、切片分割方法及装置。

技术介绍

[0002]连续切片显微成像方式易于多台显微设备并行工作，被广泛应用于对样本在微观和介观尺度上的研究中。随着显微成像技术的不断发展和研究的逐渐深入，研究人员对微介观结构的观测需求越来越大，观测样本切片的体量也越来越大，切片数量已经达到上万张。对观测样本切片进行自动且精确的分割，能够有效的加速显微设备拍摄过程，节省人力和时间。
[0003]相关技术中，基于深度学习的切片分割模型大多是依靠数据驱动，依赖于其针对应用领域的庞大数据集的支持。然而在连续切片显微成像过程中，由于不同的样本制成的连续切片在形态上差异较大，基于已有的连续切片数据集训练的切片分割模型可能无法适用于新的连续切片分割任务。当面对新的连续切片分割任务时，直接使用现有的切片分割模型进行切片分割很难达到满意的效果，极有可能需要重新制作训练集，进而带来了人力物力的消耗。
[0004]因此针对切片分割模型，如何在仅使用少量样本训练的情况下，使切片分割模型达到预期性能是目前亟待解决的问题。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术提供一种切片分割模型训练方法及装置、切片分割方法及装置。
[0006]本专利技术提供一种切片分割模型训练方法，包括：
[0007]将第一样本集中的原始切片图像输入至初始切片分割模型，得到所述初始切片分割模型输出的与所述原始切片图像对应的至少一个中间特征图及推理值，所述推理值用于表征所述初始切片分割模型输出的分割结果属于真值的概率；所述真值用于表征所述分割结果正确；
[0008]基于所述推理值、所述真值及各所述中间特征图，确定所述原始切片图像针对所述初始切片分割模型的第一损失值；
[0009]基于所述第一损失值，从所述第一样本集中确定目标原始切片图像；利用所述目标原始切片图像对所述初始切片分割模型进行迭代训练，直至所述初始切片分割模型收敛；
[0010]将第二样本集中每一个切片图像输入收敛后的初始切片分割模型，得到所述收敛后的初始切片分割模型输出的各分割结果；基于各所述切片分割结果，确定各所述切片图像对应的价值量；
[0011]基于各所述价值量，从所述第二样本集中确定新增切片图像并添加至所述第一样
本集；利用更新后的第一样本集对所述收敛后的初始切片分割模型进行迭代训练，直至达到训练停止条件，得到目标切片分割模型。
[0012]可选地，所述初始切片分割模型包括全局平均池化层和全连接层；
[0013]所述基于所述推理值、所述真值及各所述中间特征图，确定所述原始切片图像针对所述初始切片分割模型的第一损失值，包括：
[0014]基于所述推理值及所述真值，确定所述原始切片图像针对所述初始切片分割模型的第二损失值；
[0015]将各所述中间特征图输入所述全局平均池化层，得到各所述中间特征图对应的特征向量；
[0016]将各所述特征向量输入所述全连接层，得到所述原始切片图像针对所述初始切片分割模型的预测损失值；
[0017]基于所述预测损失值及所述第二损失值，确定所述第一损失值。
[0018]可选地，所述基于所述预测损失值及所述第二损失值，确定所述第一损失值，包括：
[0019]基于所述预测损失值及所述第二损失值，利用第一损失函数计算所述第一损失值；
[0020]所述第一损失函数通过以下公式(1)表示：
[0021][0022]其中，为所述第一损失值；为所述预测损失值；l为所述第二损失值。
[0023]可选地，所述切片分割结果包括N个分割子切片、各所述分割子切片属于目标类别的后验概率及各所述分割子切片的分割掩码，所述分割掩码为二值图，所述二值图中每个像素点的像素值表示所述像素点属于所述目标类别的后验概率；
[0024]所述基于各所述切片分割结果，确定各所述切片图像对应的价值量，包括：
[0025]针对每一个所述切片图像，基于所述分割掩码，确定所述分割掩码的不确定度；
[0026]基于所述分割掩码的不确定度及所述后验概率，确定所述切片图像针对所述初始切片分割模型的不确定度；
[0027]基于所述初始切片分割模型的不确定度及所述预测损失值，确定所述价值量。
[0028]可选地，所述基于各所述价值量，从所述第二样本集中确定新增切片图像并添加至所述第一样本集，包括：
[0029]将所述价值量大于第一阈值的切片图像确定为所述新增切片图像；
[0030]将所述新增切片图像添加至所述第一样本集。
[0031]可选地，所述训练停止条件为所述初始切片分割模型的第三损失值达到第二阈值，和/或确定所述新增切片图像的数量达到第三阈值；所述第三损失值通过以下公式(2)计算得到：
[0032][0033]其中，L为所述第三损失值；为所述第二损失值；为所述推理值；y为所述
真值；λ为超参数；为所述第一损失值。
[0034]本专利技术还提供一种切片分割方法，包括：
[0035]获取待分割切片图像；
[0036]将所述待分割切片图像输入目标切片分割模型，得到所述目标切片分割模型输出的切片分割结果；
[0037]其中，所述目标切片分割模型是通过所述切片分割模型训练方法训练得到的。
[0038]本专利技术还提供一种切片分割模型训练装置，包括：
[0039]第一输入模块，用于将第一样本集中的原始切片图像输入至初始切片分割模型，得到所述初始切片分割模型输出的与所述原始切片图像对应的至少一个中间特征图及推理值，所述推理值用于表征所述初始切片分割模型输出的分割结果属于真值的概率；所述真值用于表征所述分割结果正确；
[0040]确定模块，用于基于所述推理值、所述真值及各所述中间特征图，确定所述原始切片图像针对所述初始切片分割模型的第一损失值；
[0041]第一训练模块，用于基于所述第一损失值，从所述第一样本集中确定目标原始切片图像；利用所述目标原始切片图像对所述初始切片分割模型进行迭代训练，直至所述初始切片分割模型收敛；
[0042]第二确定模块，用于将第二样本集中每一个切片图像输入收敛后的初始切片分割模型，得到所述收敛后的初始切片分割模型输出的各分割结果；基于各所述切片分割结果，确定各所述切片图像对应的价值量；
[0043]第二训练模块，用于基于各所述价值量，从所述第二样本集中确定新增切片图像并添加至所述第一样本集；利用更新后的第一样本集对所述收敛后的初始切片分割模型进行迭代训练，直至达到训练停止条件，得到目标切片分割模型。
[0044]本专利技术还提供一种切片分割装置，包括：
[0045]获取模块，用于获取待分割切片图像；
[0046]第二输入模块，用于将所述待分割切片图像输入目标切片分割模型，得到所述目标切片分割模型输出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种切片分割模型训练方法，其特征在于，包括：将第一样本集中的原始切片图像输入至初始切片分割模型，得到所述初始切片分割模型输出的与所述原始切片图像对应的至少一个中间特征图及推理值，所述推理值用于表征所述初始切片分割模型输出的分割结果属于真值的概率；所述真值用于表征所述分割结果正确；基于所述推理值、所述真值及各所述中间特征图，确定所述原始切片图像针对所述初始切片分割模型的第一损失值；基于所述第一损失值，从所述第一样本集中确定目标原始切片图像；利用所述目标原始切片图像对所述初始切片分割模型进行迭代训练，直至所述初始切片分割模型收敛；将第二样本集中每一个切片图像输入收敛后的初始切片分割模型，得到所述收敛后的初始切片分割模型输出的各分割结果；基于各所述切片分割结果，确定各所述切片图像对应的价值量；基于各所述价值量，从所述第二样本集中确定新增切片图像并添加至所述第一样本集；利用更新后的第一样本集对所述收敛后的初始切片分割模型进行迭代训练，直至达到训练停止条件，得到目标切片分割模型。2.根据权利要求1所述的切片分割模型训练方法，其特征在于，所述初始切片分割模型包括全局平均池化层和全连接层；所述基于所述推理值、所述真值及各所述中间特征图，确定所述原始切片图像针对所述初始切片分割模型的第一损失值，包括：基于所述推理值及所述真值，确定所述原始切片图像针对所述初始切片分割模型的第二损失值；将各所述中间特征图输入所述全局平均池化层，得到各所述中间特征图对应的特征向量；将各所述特征向量输入所述全连接层，得到所述原始切片图像针对所述初始切片分割模型的预测损失值；基于所述预测损失值及所述第二损失值，确定所述第一损失值。3.根据权利要求2所述的切片分割模型训练方法，其特征在于，所述基于所述预测损失值及所述第二损失值，确定所述第一损失值，包括：基于所述预测损失值及所述第二损失值，利用第一损失函数计算所述第一损失值；所述第一损失函数通过以下公式(1)表示：其中，为所述第一损失值；为所述预测损失值；l为所述第二损失值。4.根据权利要求2或3所述的切片分割模型训练方法，其特征在于，所述切片分割结果包括N个分割子切片、各所述分割子切片属于目标类别的后验概率及各所述分割子切片的分割掩码，所述分割掩码为二值图，所述二值图中每个像素点的像素值表示所述像素点属于所述目标类别的后验概率；所述基于各所述切片分割结果，确定各所述切片图像对应的价值量，包括：
针对每一个所述切片图像，基于所述分割掩码，确定所述分割掩码的不确定度；基于所述分割掩码的不确定度及所述后验概率，确定所述切片图像针对所述初始切片分割模型的不确定度；基于所述初始切片分割模型的不确定度及所述预测损失值，确定所述价值量。5.根据权利要求1所述的切片分割模型训练方法，其特征在于，所述基于各所述价值量，从所述第二样本集中确定新增切片图像并添加至所述第一样本集，包括：将所述价值量大于第一阈值的切片图像确定为所述新增切片图像；将所述新增...

【专利技术属性】
技术研发人员：吕亚楠，韩华，陈曦，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：