一种分割模型训练方法及装置制造方法及图纸

本申请实施例提供一种分割模型训练方法及装置

【技术实现步骤摘要】
一种分割模型训练方法及装置


[0001]本申请涉及人工智能
，尤其涉及一种分割模型训练方法及装置
。

技术介绍

[0002]图像分割是医疗影像分析中极为重要的任务，在计算机辅助诊断和治疗规划中都具有重大意义
。
然而，基于深度学习的方法通常依赖于大批量
、
高质量标注的训练数据，这严重限制了深度学习在医疗影像分析任务上的应用
。
为了解决此限制，通常可以采用自监督学习的方法方式来解决此问题
。
自监督学习的方法可以简单的描述为：通过构建辅助任务来对模型进行训练
。
近年来自监督学习方法在医疗影像分析任务上受到了广泛关注
。
基于图像重建任务的图像分割自监督学习方法，是指通过构建图像重建任务来对图像分割模型进行训练，由于图像重建任务包含图像变换和图像恢复的过程，能更好地捕获图像的低级边缘特征
(
例如纹理
、
形状特征等
)
，因此在医疗影像分析中得到了广泛的应用
>。
[00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，所述方法包括：获取训练数据集，所述训练数据集包括多个训练图像；根据所述训练数据集进行配准学习和超像素分割学习，得到所述分割模型的初始模型参数；基于所述初始模型参数训练所述分割模型
。2.
根据权利要求1所述方法，其特征在于，配准学习和超像素分割学习对应同一编码器，所述根据所述训练数据集进行配准学习和超像素分割学习，得到所述分割模型的初始模型参数，包括：根据所述训练数据集进行超像素分割学习，得到超像素分割学习对应的编码器参数和第一解码器参数；根据所述训练数据集进行配准学习，得到配准学习对应的编码器参数和第二解码器参数；其中，所述初始模型参数包括编码器参数和所述第一解码器参数，所述编码器参数包括配准学习和超像素分割学习对应的编码器参数
。3.
根据权利要求2所述方法，其特征在于，所述根据所述训练数据集进行超像素分割学习，得到超像素分割学习对应的编码器参数和第一解码器参数，包括：基于超像素分割算法对所述训练图像进行超像素分割，得到多个超像素块；计算每个超像素块中各个像素点与所属超像素块边缘的距离，得到所述训练图像对应的第一距离变换图；基于所述训练图像中每个像素点的位置坐标，预测第二距离变换图；基于所述第二距离变换图和所述第一距离变换图，得到超像素分割学习对应的编码器参数和第一解码器参数
。4.
根据权利要求3所述方法，其特征在于，所述基于所述第二距离变换图和所述第一距离变换图，得到超像素分割学习对应的编码器参数和第一解码器参数，包括：基于所述第二距离变换图和所述第一距离变换图之间的差异度
、
以及差异度损失函数，确定所述超像素分支对应的编码器参数和第一解码器参数
。5.
根据权利要求2所述方法，其特征在于，所述根据所述训练数据集进行配准学习，得到配准学习对应的编码器参数和第二解码器参数，包括：从所述训练数据集中确定模板图像；确定所述训练图像的第一特征图；基于所述第一特征图和所述模板图像，得到配准图像；基于所述配准图像与所述模板图像，得到配准学习对应的编码器参数和第二解码器参数
。6.
根据权利要求5所述方法，其特征在于，所述基于所述第一特征图和所述模板图像，得到配准图像，包括：基于所述第一特征图和所述模板图像，得到所述训练图像的配准场；其中，所述配准场中的值与所述训练图像的像素一一对应，所述配准场中的值用于指示对应位置的像素在向所述模板图像对齐过程中的位移；基于所述配准场对所述训练图像进行配准，得到配准图像
。
7.
根据权利要求5或6所述方法，其特征在于，所述基于所述配准图像与所述模板图像，得到配准学习对应的编码器参数和第二解码器参数，包括：基于所述配准图像与所述模板图像的相似度
、
所述训练图像的配准场平滑性
、
相似度损失函数和配准场平滑性损失函数，确定所述配准学习对应的编码器参数和第二解码器参数
。8.
根据权利要求5‑7中任一项所述方法，其特征在于，所述模板图像为所述训练数据集中与所述训练数据集的均值图像差距最小的图像
。9.
一种分割模型训练装置，其特征在于，所述装置包括：收发单元，用于获取训练数据集，所述训练数据集包括多个训练图像；处理单元，用于根据所述训练数据集进行配准学习和超像素分割学习，得到所述分割模型的初始模型参数；所述处理单元，还用于基于所述初始模型参数...

【专利技术属性】
技术研发人员：陈鑫，田奇，张恒亨，王延峰，常峰，张娅，
申请(专利权)人：华为云计算技术有限公司，
类型：发明
国别省市：