[发明专利]一种图像分割模型的训练方法、图像分割方法及存储介质

说明书

本发明公开了一种图像分割模型的训练方法、图像分割方法及存储介质，所述图像分割模型的训练方法包括：获取无标注训练样本集和标注训练样本集，其中，所述无标注训练样本集为3D图像集，所述标注训练样本集为2D图像集；根据所述无标注训练样本集和所述标注训练样本集对原始图像分割模型进行迭代训练；将迭代训练完毕后的所述原始图像分割模型作为图像分割模型。由于本发明中可以同时采用标注数据和无标注数据对图像分割模型进行训练，一定程度上减少了图像分割模型训练时需要的有标注数据的样本数量，因此可以解决现有技术中图像分割模型需要预先借助大量的标注数据进行训练，耗费大量的人力物力的问题。

技术领域

本发明涉及图像处理领域，尤其涉及的是一种图像分割模型的训练方法、图像分割方法及存储介质。

背景技术

三维医学图像，包括立体医学图像及时序图像序列，于这些图像上智能自动化地分割出感兴趣区域在临床工作是一项不可或缺的任务。基于此任务，有助于后续的疾病诊断，解剖参数定量分析，预后计划和流行调查研究任务进行。借助于大量的标注数据(提前对目标感兴趣区域进行了标注的数据)，基于深度学习的自动化分割方法在近年来已经涌现了许多成功的案例。然而，图像分割模型需要预先借助大量的标注数据进行训练后才可以投入应用，由于标注数据需要专业人员基于专业知识进行精确标注，因此现有的图像分割模型的训练方法需要耗费大量的人力物力。

因此，现有技术还有待改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种图像分割模型的训练方法、图像分割方法及存储介质，旨在解决现有技术中图像分割模型需要预先借助大量的标注数据进行训练，耗费大量的人力物力的问题。

本发明解决问题所采用的技术方案如下：

第一方面，本发明实施例提供一种图像分割模型的训练方法，其中，所述方法包括：

获取无标注训练样本集和标注训练样本集，其中，所述无标注训练样本集为3D图像集，所述标注训练样本集为2D图像集；

根据所述无标注训练样本集和所述标注训练样本集对原始图像分割模型进行迭代训练；

将迭代训练完毕后的所述原始图像分割模型作为图像分割模型。

在一种实施方式中，所述原始图像分割模型包括原始编码器和原始解码器，所述根据所述无标注训练样本集和所述标注训练样本集对原始图像分割模型进行迭代训练，包括：

根据所述无标注训练样本集，确定所述原始编码器对应的特征提取误差值；

根据所述无标注训练样本集和所述标注训练样本集，确定所述原始解码器对应的特征预测误差值；

根据所述标注训练样本集，确定原始图像分割模型对应的图像分割误差值；

根据所述特征提取误差值、所述特征预测误差值以及所述图像分割误差值，确定模型总误差值；

根据所述模型总误差值对所述原始图像分割模型的模型参数进行迭代更新，直至所述模型总误差值小于预设误差阈值。

在一种实施方式中，所述根据所述无标注训练样本集，确定所述原始编码器对应的特征提取误差值，包括：

根据所述无标注训练样本集生成若干组训练样本，其中，每组所述训练样本包括第一训练切片和第二训练切片；

将所述第一训练切片输入原始编码器得到第一特征图，将所述第二训练切片输入所述原始编码器，得到第二特征图；

根据所述第一特征图，生成所述第二训练切片对应的预测编码图；

根据所述第二特征图和所述预测编码图，确定所述特征提取误差值。