[发明专利]图像分割模型训练方法、图像分割方法及装置

说明书

本发明公开了一种图像分割模型训练方法、图像分割方法及装置，其中，图像分割模型训练方法包括：基于调节后的标签对图像分割模型进行训练，在保持标签分布趋势不变化的基础上，增加了标签分布的可能性，提高了图像分割模型的训练效率和精度，最终达到降低假阳率的同时改善灵敏度。本实施例的技术方案，基于调节后的标签对图像分割模型进行训练，在保持标签分布趋势不变化的基础上，增加了标签分布的可能性，提高了图像分割模型的训练效率和精度，最终达到降低假阳率的同时改善灵敏度。

技术领域

本发明实施例涉及图像处理技术领域，尤其涉及图像分割模型训练方法、图像分割方法及装置。

背景技术

深度学习是一种由数据驱动的技术，近年来在自然图像领域取得了显著成果，在医学图像分析领域上也进入了快速发展的阶段。

图像分割作为图像处理领域的一个分支，也深受深度学习研究人员的关注。图像二值分割作为图像分割的一部分在医学图像分析中最为常见。但是在使用网络进行分割时，会由于所需分割的区域较小或与周围组织相似等原因出现最终的分割结果中出现大量假阳的情况。

发明内容

本发明提供一种图像分割模型训练方法、图像分割方法及装置，以实现提高图像分割精度。

第一方面，本发明实施例提供了图像分割模型训练方法，包括：

获取样本图像以及所述样本图像中各像素点的原始标签；

将所述样本图像输入至待训练的图像分割模型中，根据所述待训练的图像分割模型的预测结果得到所述样本图像中各像素点属于分割目标的概率；

根据所述样本图像中各像素点属于分割目标的概率以及当前迭代的概率阈值，对所述样本图像的原始标签进行调节；

基于所述样本图像中各像素点的调节后的标签以及属于分割目标的概率调节所述待训练的图像分割模型的网络参数，得到当前迭代的图像分割模型。

循环执行以上步骤，以对所述待训练的图像分割模型进行迭代训练，得到目标图像分割模型。

第二方面，本发明实施例还提供了一种图像分割方法，包括：

获取待分割图像，将所述待分割图像输入至预先训练的图像分割模型中，得到所述待分割图像的图像分割结果，其中，所述图像分割模型基于如权利要求本发明任意实施例提供的图像分割模型训练方法训练得到。

第三方面，本发明实施例还提供了一种图像分割模型训练装置，包括：

样本获取模块，用于获取样本图像以及所述样本图像中各像素点的原始标签；

预测结果获取模块，用于将所述样本图像输入至待训练的图像分割模型中，根据所述待训练的图像分割模型的预测结果得到所述样本图像中各像素点属于分割目标的概率；

原始标签调节模块，用于根据所述样本图像中各像素点属于分割目标的概率以及当前迭代的概率阈值，对所述样本图像的原始标签进行调节；

网络参数调节模块，用于基于所述样本图像中各像素点的调节后的标签以及属于分割目标的概率调节所述待训练的图像分割模型的网络参数，得到当前迭代的图像分割模型；

其中，所述样本获取模块、所述预测结果获取模块、所述原始标签调节模块和所述网络参数调节模块循环调用，对所述待训练的图像分割模型进行迭代训练，得到目标图像分割模型。

第四方面，本发明实施例还提供了一种图像分割装置，包括：

图像获取模块，用于获取待分割图像；

图像分割模块，用于将所述待分割图像输入至预先训练的图像分割模型中，得到所述待分割图像的图像分割结果，其中，所述图像分割模型基于本发明任意实施例提供的图像分割模型训练方法训练得到。