[发明专利]模型训练方法、图像分割方法、装置及相关产品

说明书

本公开提供了一种模型训练方法、图像分割方法、装置及相关产品，涉及图像处理领域，尤其涉及深度学习技术及图像分割技术。具体实现方案为：获取预先构建的初始卷积神经网络模型，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，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，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；获取对初始卷积神经网络模型进行训练的训练样本，采用训练样本对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，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。

技术领域

本公开涉及图像处理领域中的深度学习技术及图像分割技术，尤其涉及一种模型训练方法、图像分割方法、装置及相关产品。

背景技术

随着医学成像技术和计算机技术的不断发展，医学影像分析技术也取得了不断地进步。而深度学习模型，尤其是卷积神经网络模型已被广泛应用在医疗影像分析技术中。

根据待处理的图像模态的不同，卷积神经网络模型可进一步分为二维卷积神经网络模型(简称：2D CNN)和三维卷积神经网络模型(简称：3D CNN)。在对三维图像进行分割时，为了能够整合三维图像中的空间信息，获得更好的分割结果，一般采用3D CNN对图像进行分割。

发明内容

本公开提供了一种用于图像分割的模型训练方法、图像分割方法、装置及相关产品。

根据本公开的第一方面，提供了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。

根据本公开的第二方面，提供了一种基于卷积神经网络模型的图像分割方法，包括：

获取目标三维图像；

对所述目标三维图像沿着预设空间方向划分，以形成多个目标二维切片图像；

采用训练至收敛的卷积神经网络模型对多个目标二维切片图像进行图像分割处理；所述训练至收敛的卷积神经网络模型中包括依次连接的目标编码器和目标解码器，所述目标编码器包括依次连接的目标二维编码网络结构及目标三维编码网络结构，所述目标解码器包括依次连接的目标三维解码网络结构和目标二维解码网络结构。

根据本公开的第三方面，提供了一种用于图像分割的卷积神经网络模型的训练装置，包括：

模型获取单元，用于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；

样本获取单元，用于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；

模型训练单元，用于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。