[发明专利]模型训练方法及图像处理方法和相关装置、设备、介质

权利要求书

1.一种模型训练方法，其特征在于，包括：

利用第一勾画模型对第一样本图像进行勾画，得到所述第一勾画模型中第一目标网络层输出的第一样本特征图；

利用第二勾画模型对第二样本图像进行勾画，得到所述第二勾画模型中第二目标网络层输出的第二样本特征图；

利用配准模型对样本图像对进行分析，得到样本形变参数；其中，所述样本图像对包括所述第一样本图像和所述第二样本图像；

基于所述样本形变参数，对所述第一样本特征图进行形变，得到形变样本特征图；

基于所述形变样本特征图和所述第二样本特征图之间的差异，调整所述配准模型的网络参数。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

选择所述第一勾画模型中若干网络层分别作为所述第一目标网络层，以及选择所述第二勾画模型中若干网络层分别作为所述第二目标网络层；

选择满足预设条件的所述第一目标网络层和所述第二目标网络层进行组合，得到若干个网络层组合；

所述基于所述样本形变参数，对所述第一样本特征图进行形变，得到形变样本特征图，包括：

对于各个所述网络层组合，利用所述样本形变参数对所述网络层组合中所述第一目标网络层所输出的第一样本特征图进行形变，得到与所述网络层组合对应的形变样本特征图；以及

所述基于所述形变样本特征图和所述第二样本特征图之间的差异，调整所述配准模型的网络参数，包括：

基于各个所述网络层组合中所述第二目标网络层所输出的第二样本特征图和参考样本特征图之间的差异，调整所述配准模型的网络参数；其中，所述参考样本特征图为与所述网络层组合对应的形变样本特征图。

3.根据权利要求2所述的方法，其特征在于，所述选择所述第一勾画模型中若干网络层分别作为所述第一目标网络层，包括：

在所述第一勾画模型中，选择网络层数大于第一阈值的网络层，作为所述第一目标网络层；以及，

所述选择所述第二勾画模型中若干网络层分别作为所述第二目标网络层，包括：

在所述第二勾画模型中，选择网络层数大于第二阈值的网络层，作为所述第二目标网络层。

4.根据权利要求2所述的方法，其特征在于，所述预设条件包括：所述第一目标网络层所输出的第一样本特征图和所述第二目标网络层所输出的第二样本特征图具有相同分辨率。

5.根据权利要求1所述的方法，其特征在于，所述第一样本图像和所述第二样本图像均包含目标对象，所述第一勾画模型勾画得到所述第一样本图像中所述目标对象的第一勾画结果，所述第二勾画模型勾画得到所述第二样本图像中所述目标对象的第二勾画结果，且所述勾画结果表示所述目标对象的预测轮廓；在所述基于所述形变样本特征图和所述第二样本特征图之间的差异，调整所述配准模型的网络参数之前，所述方法还包括：

利用所述样本形变参数对所述第一勾画结果进行形变，得到形变勾画结果，并基于所述形变勾画结果与所述第二勾画结果之间的差异，得到第一损失；以及

所述基于所述形变样本特征图和所述第二样本特征图之间的差异，调整所述配准模型的网络参数，包括：

基于所述形变样本特征图和所述第二样本特征图之间的差异，得到第二损失；

基于所述第一损失和所述第二损失，得到总损失；

基于所述总损失，调整所述配准模型、所述第一勾画模型和所述第二勾画模型的网络参数。

6.根据权利要求5所述的方法，其特征在于，所述第一样本图像具有第一标记结果，所述第二样本图像具有第二标记结果，且标记结果表示所述目标对象的样本轮廓；在所述基于所述第一损失和所述第二损失，得到总损失之前，所述方法还包括：

基于所述第一标记结果和所述第一勾画结果之间的差异，得到第三损失，并基于所述第二标记结果和所述第二勾画结果之间的差异，得到第四损失；

利用所述样本形变参数对所述第一样本图像进行形变，得到形变样本图像，并基于所述形变样本图像和所述第二样本图像之间的差异，得到第五损失；

所述基于所述第一损失和所述第二损失，得到总损失，包括：

基于所述第一损失、所述第二损失、所述第三损失、所述第四损失和所述第五损失，得到所述总损失。