[发明专利]神经网络训练和图像处理方法及装置

说明书

本公开涉及一种神经网络训练和图像处理方法及装置，所述方法包括：将样本图像输入第一分割网络，获得样本图像的第一分割结果；将样本图像输入第二分割网络，获得样本图像的第二分割结果；至少根据第一分割结果和第二分割结果，训练第一分割网络和第二分割网络。根据本公开的实施例的神经网络训练方法，能够以第一分割网络获得的第一分割结果作为预测标注信息，以在具有标注信息的样本图像数量不足时，可继续训练第一分割网络和第二分割网络，提升训练效果，提升神经网络的精度。可在对标注难度较大、样本数量较少的医学图像进行处理时，提升神经网络的精度，使神经网络能够准确地分割出医学图像中目标所在的区域。

技术领域

本公开涉及计算机技术领域，尤其涉及一种神经网络训练和图像处理方法及装置。

背景技术

基于深度学习的图像处理方法在图像处理领域应用广泛，例如，可用于计算机断层扫描(Computed Tomography，CT)图像等医学图像的处理中。然而，由于医学图像的标注难度较大，成本较高，目前针对医学图像训练网络模型存在数据量不足的情况，尤其是高质量的标注数据比较匮乏。

发明内容

本公开提出了一种神经网络训练和图像处理方法及装置。

根据本公开的一方面，提供了一种神经网络训练方法，包括：将样本图像输入第一分割网络，获得所述样本图像的第一分割结果，所述第一分割结果包括多个类别的分割区域，所述第一分割结果用作所述样本图像的预测标注信息，所述样本图像包括已标注的第一样本图像和未标注的第二样本图像；将所述样本图像输入第二分割网络，获得所述样本图像的第二分割结果，所述第二分割结果包括多个类别的分割区域；至少根据所述第一分割结果和所述第二分割结果，训练所述第一分割网络和所述第二分割网络。

根据本公开的实施例的神经网络训练方法，能够以第一分割网络获得的第一分割结果作为预测标注信息，以在具有标注信息的样本图像数量不足时，可继续训练第一分割网络和第二分割网络，提升训练效果，提升神经网络的精度。

在一种可能的实现方式中，至少根据所述第一分割结果和所述第二分割结果，训练所述第一分割网络和所述第二分割网络，包括：基于所述样本图像的预测标注信息和所述第二分割结果，确定第一损失；根据所述第一样本图像的标注信息和所述第二分割结果，确定第二损失；根据所述第一损失和所述第二损失，训练所述第一分割网络和所述第二分割网络。

通过这种方式，可使第一分割网络的精度较快提升，以通过第一分割网络确定的预测标注信息逐步代替样本图像的标注信息，以在具有标注信息的样本图像数量不足时，可继续训练第一分割网络和第二分割网络，以减少对标注信息的依赖，提升第一分割网络和第二分割网络的精度。

在一种可能的实现方式中，根据所述第一损失和所述第二损失，训练所述第一分割网络和所述第二分割网络，包括：对所述第一损失和所述第二损失进行加权求和处理，获得综合网络损失，其中，所述第一损失的权重与训练的迭代周期数正相关；根据所述综合网络损失训练所述第一分割网络和所述第二分割网络。

在一种可能的实现方式中，根据所述综合网络损失训练所述第一分割网络和所述第二分割网络，包括：对所述综合网络损失进行梯度下降处理，更新所述第二分割网络的网络参数；对所述综合网络损失进行梯度下降及移动平均处理，更新所述第一分割网络的网络参数。

在一种可能的实现方式中，至少根据所述第一分割结果和所述第二分割结果，训练所述第一分割网络和所述第二分割网络，还包括：根据所述第二样本图像的预测标注信息和所述第二样本图像的第二分割结果，确定第三损失；根据所述第三损失，训练所述第一分割网络和所述第二分割网络。

通过这种方式，通过精度相对较高的第一分割网络的输出结果作为预测标注信息来指导训练，可减少对样本图像的标注信息的依赖，在缺少具有标注信息的样本图像的情况下仍可继续训练，以提升第一分割网络和第二分割网络的精度。