本发明专利技术提供一种图像分割模型训练方法及电子装置。所述方法包括下列步骤。取得训练图像的多个经标注图像，其中各个经标注图像包括标注目标区域与背景区域。获取多个经标注图像的标注目标区域的联集区域，并获取联集区域的差集区域。利用图像分割模型产生训练图像的预测分割图像。根据预测分割图像与差集区域产生第一损失值。根据预测分割图像与多个经标注图像其中至少一的标注目标区域产生第二损失值。根据第一损失值与第二损失值来训练图像分割模型。基此，可提升图像分割模型的分割准确度。
【技术实现步骤摘要】
本专利技术涉及一种深度学习模型的训练方法，尤其涉及一种图像分割模型训练方法及电子装置。
技术介绍
1、图像分割(image segmentation)为一种常用的图像处理技术，其可用以图像中的特定对象给独立切割出来，以便进行更进一步的分析和处理。例如，于医疗图像的应用中，图像分割可用来找出医学图像中的重点目标区域，像是器官、组织或肿瘤等等。随着科技的进步，深度学习模型已经广泛地应用于图像分割的任务中。于采用深度学习模型来实现图像分割的场景中，需要通过大量的图像数据来训练深度学习模型。
2、于训练深度学习模型的过程中，会使用损失函数来评估深度学习模型的预测准确率，以更进一步优化深度学习模型的模型参数。具体来说，损失函数是一种用于衡量深度学习模型的预测结果和实际数据之间的差异的函数。对于训练用于图像分割的深度学习模型来说，最常见的一种损失函数为dice损失函数。dice损失函数是根据dice系数(dicecoefficient)而定义。dice系数是一种常用于衡量图像分割模型的预测结果和真实分割结果之间相似度的指标。
>3、然而，于医学图本文档来自技高网...
【技术保护点】
1.一种图像分割模型训练方法，适于电子装置，其特征在于，包括：
2.根据权利要求1所述的图像分割模型训练方法，其特征在于，所述预测分割图像包括预测目标区域与预测背景区域，而根据所述预测分割图像与所述差集区域产生所述第一损失值的步骤包括：
3.根据权利要求2所述的图像分割模型训练方法，其特征在于，根据所述预测分割图像的所述预测背景区域与所述差集区域的重叠程度产生所述第一损失值的步骤包括：
4.根据权利要求3所述的图像分割模型训练方法，其特征在于，所述第一系数为Dice系数。
5.根据权利要求1所述的图像分割模型训练方法，其特征在于，根据所述预...
【技术特征摘要】
1.一种图像分割模型训练方法，适于电子装置，其特征在于，包括：
2.根据权利要求1所述的图像分割模型训练方法，其特征在于，所述预测分割图像包括预测目标区域与预测背景区域，而根据所述预测分割图像与所述差集区域产生所述第一损失值的步骤包括：
3.根据权利要求2所述的图像分割模型训练方法，其特征在于，根据所述预测分割图像的所述预测背景区域与所述差集区域的重叠程度产生所述第一损失值的步骤包括：
4.根据权利要求3所述的图像分割模型训练方法，其特征在于，所述第一系数为dice系数。
5.根据权利要求1所述的图像分割模型训练方法，其特征在于，根据所述预测分割图像与所述多个经标注图像其中至少一的所述标注目标区域产生所述第二损失值的步骤包括：
6.根据权利要求5所述的图像分割模型训练方法，其特征在于，所述预测分割图像包括预测目标区域与预测背景区域，而根据所述预测分割图像与所述交集区域产生所述第二损失值的步骤包括：
7.根据权利要求6所述的图像分割模型训练方法，其特征在于，根据所述预测分割图像的所述预测目标区域与所述交集区域的重叠程度产生所述第二损失值的步骤包括：
8.根据权利要求7所述的图像分割模型训练方法，其特征在于，所述第二系数为dice系数。
9.根据权利要求5所述的图...
【专利技术属性】
技术研发人员：锺尚霖，利建宏，
申请(专利权)人：宏碁股份有限公司，
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。