【技术实现步骤摘要】
本专利技术涉及数字图像，尤其涉及一种医学图像分割模型训练方法、分割方法、设备及程序产品。
技术介绍
1、医学图像的出现对于现代医疗水平的发展具有重要的推进作用，医疗图像为医生提供了患者的“身体地图”，使得医生在诊断过程中能更加清晰的了解患者身体的内部情况。医学图像分割是根据医学图像中的某种或集中相似性特征（如亮度、纹理、形状、位置或其他局部统计特征）将图像分成若干个互不相交的区域的过程，被分在同一区域的像素（体素）被认为具有某种程度的相关性。将医学图像中不同组织进行划分可以辅助医疗工作者更好定位病变部位、进行疾病监测、查看治疗效果等。医学图像分割在医学图像分析中起着重要作用。
2、传统的医学图像分割，包括基于卷积神经网络的有监督学习算法，采用完全或部分监督模型，利用从配对数据中获得的先验信息。
3、然而，有监督学习方法依赖大量标签数据进行训练，但由于医学图像的复杂性和专业性，获取这些数据非常困难、耗时，导致模型训练需要较长的时间。
技术实现思路
1、鉴于此，本专利技...
【技术保护点】
1.一种医学图像分割模型训练方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述获取获取训练数据集，包括：
3.根据权利要求1所述的方法，其特征在于，所述第一损失函数表示为：
4.根据权利要求1所述的方法，其特征在于，所述第二损失函数包括第一损失子函数和第二损失子函数；所述第一损失子函数用于缩小所述第一潜在表示与所述第二潜在表示之间的差异；
5.根据权利要求1所述的方法，其特征在于，所述第三损失函数表示为：
6.一种医学图像分割方法，其特征在于，所述方法包括以下步骤：>
7.根据权利...
【技术特征摘要】
1.一种医学图像分割模型训练方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述获取获取训练数据集，包括：
3.根据权利要求1所述的方法，其特征在于，所述第一损失函数表示为：
4.根据权利要求1所述的方法，其特征在于，所述第二损失函数包括第一损失子函数和第二损失子函数；所述第一损失子函数用于缩小所述第一潜在表示与所述第二潜在表示之间的差异；
5.根据权利要求1所述的方法，其特征在于，所述第三损失函数表示为：
6.一种医学图像分割方法，其特征在于，所述方法包括以下步骤：
7.根据权利要求6所述的方法，其特征在于，所述将所述待分割医学图像输入所述图像分割模型，得到分割图像之前，还包括：
...
【专利技术属性】
技术研发人员：涂丽云，周岩杰，黄永志，周峰，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。