有标签超声样本图像的生成方法技术

本发明专利技术实施例提供了一有标签超声样本图像的生成方法

【技术实现步骤摘要】
有标签超声样本图像的生成方法、装置、设备及介质


[0001]本专利技术涉及图像处理
，尤其涉及一种有标签超声样本图像的生成方法
、
装置
、
设备及介质
。

技术介绍

[0002]超声图像分割是医学图像分析中的一个重要研究方向
。
超声图像中包含了丰富的生物组织和器官信息，因此，对超声图像进行准确的分析对于医学诊断和治疗具有重要意义
。
[0003]相关技术中，往往基于深度学习训练得到的模型进行超声图像分割，因此，在模型训练的过程中，需要大量带有标注标签的样本超声图像
。
具体的，可以通过
Field II
生成样本超声图像，或基于生成对抗网络
(Generative Adversarial Network
，
GAN)
生成样本超声图像
。
但上述方法获得样本超声图像的过程复杂且成本较高
。

技术实现思路

[0004]为克服相关技术中存在的问题，本专利技术提供了一种有标签超声样本图像的生成方法
、
装置
、
设备及介质
。
[0005]第一方面，本专利技术提供了一种有标签超声样本图像的生成方法，所述方法包括：
[0006]获取预先训练得到的扩散模型以及辅助分割网络；
[0007]获取目标掩膜图像，并基于所述目标掩膜图像以及所述辅助分割网络确定引导条件；
[0008]基于所述引导条件，通过所述扩散模型生成与所述目标掩膜图像对应的目标样本图像；所述目标掩膜图像用于表征所述目标样本图像包含的目标对象
。
[0009]可选地，所述扩散模型是基于无标注的第一样本图像训练得到的，所述辅助分割网络是基于有标注的第二样本图像训练得到的
。
[0010]可选地，所述获取目标掩膜图像，可以包括：
[0011]随机生成提取参数，其中，所述提取参数包括所述目标对象的边缘顶点
、
多个边缘长度以及多个随机向量；
[0012]对所述提取参数进行多项式拟合，获得所述目标对象的多段边缘数据；
[0013]对所述目标对象的多段边缘数据进行组合，获得所述目标掩膜图像
。
[0014]可选地，所述基于所述引导条件，通过所述扩散模型生成与所述目标掩膜图像对应的目标样本图像，包括：
[0015]将随机噪声图像输入所述扩散模型；
[0016]基于所述引导条件，调整所述扩散模型在预测过程中所使用的参数信息；
[0017]基于参数调整后的所述扩散模型对所述随机噪声图像进行去噪处理，得到所述目标样本图像
。
[0018]可选地，所述基于所述引导条件，调整所述扩散模型在预测过程中所使用的参数
信息，包括：
[0019]获取所述扩散模型在本轮预测过程中生成的去噪图像；；
[0020]针对目标期望，获取利用所述辅助分割网络对所述去噪图像进行处理所对应的梯度信息；所述目标期望为所述辅助分割网络的分割结果与所述目标掩膜图像相同；
[0021]基于所述梯度信息以及所述扩散模型的参数信息，对所述扩散模型的参数进行更新，并基于参数更新后的所述扩散模型获取下一轮预测过程中生成的去噪图像；
[0022]在进行
T
轮预测过程后，将所述扩散模型输出的去噪图像确定为所述目标样本图像
。
[0023]可选地，所述方法还包括：
[0024]基于所述目标样本图像，对待训练分割模型进行训练；；
[0025]获取所述待分割模型的分割结果，并基于所述分割结果与所述真实标签信息，对所述待训练分割模型进行参数调整；所述真实标签信息为所述目标样本图像对应的目标掩膜图像；
[0026]在达到停止条件的情况下，将所述待训练分割模型确定为所述目标分割模型
。
[0027]第二方面，本专利技术提供了一种有标签超声样本图像的生成装置，所述装置包括：
[0028]第一获取模块，用于获取预先训练得到的扩散模型以及辅助分割网络；
[0029]第二获取模块，用于获取目标掩膜图像，并基于所述目标掩膜图像以及所述辅助分割网络确定引导条件；
[0030]第一生成模块，用于基于所述引导条件，通过所述扩散模型生成与所述目标掩膜图像对应的目标样本图像；所述目标掩膜图像用于表征所述目标样本图像包含的目标对象
。
[0031]可选地，所述第二获取模块，包括：
[0032]第一生成子模块，用于随机生成提取参数，其中，所述提取参数包括所述目标对象的边缘顶点
、
多个边缘长度以及多个随机向量；；
[0033]第一拟合模块，用于对所述提取参数进行多项式拟合，获得所述目标对象的多段边缘数据；
[0034]第一组合模块，用于对所述目标对象的多段边缘数据进行组合，获得所述目标掩膜图像
。
[0035]可选地，所述第一生成模块，包括：
[0036]第一输入模块，用于将随机噪声图像输入所述扩散模型；
[0037]第一调整模块，用于基于所述引导条件，调整所述扩散模型在预测过程中所使用的参数信息；
[0038]第一处理模块，用于基于参数调整后的所述扩散模型对所述随机噪声图像进行去噪处理，得到所述目标样本图像
。
[0039]可选地，所述第一调整模块，包括：
[0040]第一获取子模块，用于获取所述扩散模型在本轮预测过程中生成的去噪图像；
[0041]第二获取子模块，用于针对目标期望，获取利用所述辅助分割网络对所述去噪图像进行处理所对应的梯度信息；所述目标期望为所述辅助分割网络的分割结果与所述目标掩膜图像相同；
[0042]第一更新模块，用于基于所述梯度信息以及所述扩散模型的参数信息，对所述扩散模型的参数进行更新，并基于参数更新后的所述扩散模型获取下一轮预测过程中生成的去噪图像；
[0043]第一确定模块，用于在进行
T
轮预测过程后，将所述扩散模型输出的去噪图像确定为所述目标样本图像
。
[0044]可选地，所述装置还包括：
[0045]第一训练模块，用于基于所述目标样本图像，对待训练分割模型进行训练；
[0046]第三获取模块，用于获取所述待分割模型的分割结果，并基于所述分割结果与所述真实标签信息，对所述待训练分割模型进行参数调整；所述真实标签信息为所述目标样本图像对应的目标掩膜图像；
[0047]第二确定模块，用于在达到停止条件的情况下，将所述待训练分割模型确定为所述目标分割模型
。
[0048]第三方面，本专利技术提供一种电子设备，包括：处理器
、
存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述第一方面中任一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种有标签超声样本图像的生成方法，其特征在于，，所述方法包括：获取预先训练得到的扩散模型以及辅助分割网络；获取目标掩膜图像，并基于所述目标掩膜图像以及所述辅助分割网络确定引导条件；基于所述引导条件，通过所述扩散模型生成与所述目标掩膜图像对应的目标样本图像；所述目标掩膜图像用于表征所述目标样本图像包含的目标对象
。2.
根据权利要求1所述的方法，其特征在于，所述扩散模型是基于无标注的第一样本图像训练得到的，所述辅助分割网络是基于有标注的第二样本图像训练得到的
。3.
根据权利要求1所述的方法，其特征在于，所述获取目标掩膜图像，可以包括：随机生成提取参数，其中，所述提取参数包括所述目标对象的边缘顶点
、
多个边缘长度以及多个随机向量；对所述提取参数进行多项式拟合，获得所述目标对象的多段边缘数据；对所述目标对象的多段边缘数据进行组合，获得所述目标掩膜图像
。4.
根据权利要求1所述的方法，其特征在于，所述基于所述引导条件，通过所述扩散模型生成与所述目标掩膜图像对应的目标样本图像，包括：将随机噪声图像输入所述扩散模型；基于所述引导条件，调整所述扩散模型在预测过程中所使用的参数信息；基于参数调整后的所述扩散模型对所述随机噪声图像进行去噪处理，得到所述目标样本图像
。5.
根据权利要求4所述的方法，其特征在于，所述基于所述引导条件，调整所述扩散模型在预测过程中所使用的参数信息，包括：：获取所述扩散模型在本轮预测过程中生成的去噪图像；；针对目标期望，获取利用所述辅助分割网络对所述去噪图像进行处理所对应的梯度信息；所述目标期望为所述辅助分割网络的分割结果与所述目标掩膜图像相同；基于所述梯度信息以及所述扩散模型的参数信息，对所述扩散模型的参数进行更新，并基于参数更新后的所述扩散模型获取下一轮预测过程中生成的去噪图像；在进行
T
...

【专利技术属性】
技术研发人员：陆文凯，金松柏，
申请(专利权)人：清华大学，
类型：发明
国别省市：