[发明专利]图像处理模型训练方法及相关装置、设备和存储介质

说明书

本申请公开了一种图像处理模型训练方法及相关装置、设备和存储介质，方法包括：利用第一图像处理模型对第一样本图像进行目标分割，得到第一预测掩膜图像；基于目标角度，将第一预测掩膜图像和第一样本图像的样本掩膜图像分别投影至相同图像坐标轴，得到第一预测掩膜图像的第一像素分布情况和样本掩膜图像的样本像素分布情况；基于第一像素分布情况和第二像素分布情况，得到第一差异；基于第一差异，调整第一图像处理模型的网络参数。通过该方法，可以提高模型的训练效果。

技术领域

本申请涉及深度学习技术领域，特别是涉及一种图像处理模型训练方法及相关装置、设备和存储介质。

背景技术

深度学习的快速发展，神经网络算法的日益改进，计算准确度也相应提高。目前，利用神经网络模型进行图像分割已经应用于许多行业。例如，在医学领域，利用神经网络模型进行医学图像分割，可以是对人体器官、血管等分割。

目前，在对神经网络模型进行图像分割的训练时，现有的损失函数如Dice损失函数、交叉熵损失函数等计算出的损失值，能够反映出预测结果和目标在重合程度上的差异。然而，对于与目标区域不重合的假阳性预测结果(预测结果为目标，但实际是非目标的区域)，现有的损失函数无法反映出假阳性预测结果和目标区域的距离差异，这限制了对神经网络模型的训练效果提升。并且，现有的损失函数计算方法的计算量较大，这也降低了神经网络模型的训练速度。

因此，如何改进神经网络模型的损失值计算方法，具有重要的意义。

发明内容

本申请至少提供一种图像处理模型训练方法及相关装置、设备和存储介质。

本申请第一方面提供了一种图像处理模型训练方法，方法包括：利用第一图像处理模型对第一样本图像进行目标分割，得到第一预测掩膜图像；基于目标角度，将第一预测掩膜图像和第一样本图像的样本掩膜图像分别投影至相同图像坐标轴，得到第一预测掩膜图像的第一像素分布情况和样本掩膜图像的样本像素分布情况；基于第一像素分布情况和第二像素分布情况，得到第一差异；基于第一差异，调整第一图像处理模型的网络参数。

因此，对于第一预测掩模图像中的假阳性区域，通过对第一预测掩膜图像和样本掩膜图像进行投影的方式，可以对距离样本掩膜区域距离不同的假阳性区域的损失权重进行区分，使得距离样本掩膜区域越远的假阳性区域，其损失权重越大，进而能够使得损失值越大，以此有助于提高模型对于距离样本掩膜区域越远的假阳性区域给予更多关注，进而提高模型的训练效果。

其中，上述的标角度为投影方向与图像坐标轴之间的夹角，上述的第一像素分布或样本像素分布的获取步骤，包括：从掩膜图像中，获取若干组像素点集；其中，连接同组像素点集中各像素点的直线与投影方向平行；基于各组像素点集的像素统计值，得到掩膜图像的像素分布情况；其中，在掩膜图像为第一预测掩膜图像的情况下，像素分布情况为第一像素分布情况，在掩膜图像为样本掩膜图像的情况下，像素分布情况为样本像素分布情况。

因此，通过在掩膜图像中获取若干组像素点集，并获取各组像素点集的像素统计值，以此可以获得掩膜图像的像素分布情况。

其中，上述的像素统计值包括以下任一者：最大值、平均值、最小值。

因此，因此，通过确定具体的统计值，可以基于不同的统计值得到对应的像素分布情况

其中，上述的第一样本图像为包括目标组织的医学图像。

因此，通过限定第一样本图像为目标组织的医学图像，以此实现了利用包括目标组织的医学图像来对模型进行训练，使得训练后的模型能够对目标组织进行分割，实现了本申请的图像处理模型训练方法在医学领域的应用。

其中，上述的像素分布情况以向量形式表示，上述的基于各组像素点集的像素统计值，得到掩膜图像的像素分布情况，包括：获取各组像素点集分别对应的直线与图像坐标轴的交点；基于交点在图像坐标轴上的坐标值，将各组像素点集的像素统计值进行排列，得到掩膜图像的分布特征向量。