[发明专利]模型训练方法、图像分割方法、装置及相关产品

权利要求书

1.一种用于图像分割的卷积神经网络模型的训练方法，包括：

获取预先构建的初始卷积神经网络模型，所述初始卷积神经网络模型中包括依次连接的初始编码器和初始解码器，所述初始编码器包括依次连接的预设二维编码网络结构及预设三维编码网络结构，所述初始解码器包括依次连接的预设三维解码网络结构和预设二维解码网络结构；

获取对所述初始卷积神经网络模型进行训练的训练样本，所述训练样本为多个沿预设空间方向连续的二维切片图像样本及对应的二维分割标注图像样本；

采用所述训练样本对所述初始卷积神经网络模型进行训练，以获得训练至收敛的卷积神经网络模型，所述训练至收敛的卷积神经网络模型用于对待分割的目标三维图像进行图像分割处理。

2.根据权利要求1所述的方法，其中，所述获取预先构建的初始卷积神经网络模型之前，还包括：

采用预设二维卷积神经网络模型和预设三维卷积神经网络模型构建初始卷积神经网络模型。

3.根据权利要求2所述的方法，其中，所述采用预设二维卷积神经网络模型和预设三维卷积神经网络模型构建初始卷积神经网络模型，包括：

获取预设二维卷积神经网络模型中预设二维编码器和预设二维解码器及预设三维卷积神经网络模型中预设三维编码器和预设三维解码器；

将预设二维编码器中末端的至少一层预设二维编码网络结构替换成所述预设三维编码器中的预设三维编码网络结构；

将预设二维解码器中前端的至少一层预设二维解码网络结构替换成所述预设三维解码器中的预设三维解码网络结构。

4.根据权利要求1所述的方法，其中，所述初始卷积神经网络模型中所述预设二维编码网络结构与所述预设二维解码网络结构的层数相同，所述预设三维编码网络结构与所述预设三维解码网络结构的层数相同；

对称层级的预设二维编码网络结构与预设二维解码网络结构连接，对称层级的预设三维编码网络结构与预设三维解码网络结构连接。

5.根据权利要求3所述的方法，其中，所述采用预设二维卷积神经网络模型和预设三维卷积神经网络模型构建初始卷积神经网络模型，还包括：

在所述初始卷积神经网络模型中最后一层预设二维编码网络结构与第一层预设三维编码网络结构之间添加第一特征图维度转换层，所述第一特征图维度转换层用于将最后一层预设二维编码网络结构输出的多个样本二维下采样特征图转换为样本三维变换下采样特征图；

在所述初始卷积神经网络模型中最后一层预设三维解码网络结构与第一层预设二维解码网络结构之间添加第二特征图维度转换层，所述第二特征图维度转换层用于将最后一层预设三维解码网络结构输出的样本三维上采样特征图转换为多个样本二维变换上采样特征图。

6.根据权利要求1-5任一项所述的方法，其中，所述获取对所述初始卷积神经网络模型进行训练的训练样本，包括：

获取三维图像样本和对应的三维分割标注图像样本；

将所述三维图像样本和所述三维分割标注图像样本沿着预设空间方向划分，以获得多个二维切片图像样本及对应的二维分割标注图像样本。

7.根据权利要求6所述的方法，其中，所述将所述三维图像样本和所述三维分割标注图像样本沿着预设空间方向划分之前，还包括：

对所述三维图像样本和对应的三维分割标注图像样本进行归一化处理和/或图像缩放处理。

8.根据权利要求1-5任一项所述的方法，其中，采用所述训练样本对所述初始卷积神经网络模型进行训练，以获得训练至收敛的卷积神经网络模型，包括：

将所述训练样本进行分组；

将每组训练样本循环输入到初始卷积神经网络模型中，在每次输入训练样本后，调整初始卷积神经网络模型中的训练参数，以对所述初始卷积神经网络模型进行训练；

若确定满足预设的收敛条件，则停止输入训练样本，并将满足预设的收敛条件的卷积神经网络模型确定为训练至收敛的卷积神经网络模型。