[发明专利]模型生成、图像分割方法、系统、电子设备及存储介质

说明书

本发明实施例公开了一种模型生成、图像分割方法、系统、电子设备及存储介质。该模型生成方法可包括：获取样本图像、增强图像和样本图像的分割标签，将样本图像和分割标签、及增强图像和分割标签分别作为一组训练样本；基于多组训练样本对原始分割模型进行训练，得到图像分割模型；其中，增强图像包括根据样本图像以及图像模板生成的第一增强图像、和/或根据样本图像的目标特征图和目标特征图模板生成的第二增强图像，图像模板中包括像素值为第一数值的像素点，目标特征图模板中包括像素值为第二数值的像素点，且第一数值和第二数值小于预设数值。本发明实施例的技术方案，基于有限数据分布下的样本图像训练得到具有强鲁棒性的图像分割模型。

技术领域

本发明实施例涉及图像处理技术领域，尤其涉及一种模型生成、图像分割方法、系统、电子设备及存储介质。

背景技术

从医学图像中准确分割出的解剖结构，可以作为医护人员进行诊断、制定治疗计划、临床研究等的重要参考依据。近年来，深度卷积神经网络已被广泛应用于自动化分割任务中，然而，将基于深度学习的分割方法部署到实际应用中的一个主要难点是临床部署期间的数据分布差异(也可以称为域偏移)，其中包括跨医疗中心和扫描仪的图像外观和对比度的变化以及各种成像伪影。

最近关于域泛化的工作为解决上述问题提供了一个很好的方向，可是这一工作中的大多数需要通过收集来自多个数据分布中的数据(如来自不同的扫描仪的数据、来自不同的医疗中心的数据等)，来帮助网络学习用于分割的域不变特征。然而，由于数据隐私问题和收集成本，多种数据分布下的数据收集并不总是可行的。因此，如何基于有限数据分布下的数据训练得到具有强鲁棒性的图像分割模型，这对于医学图像研究具有重要的实用价值。

发明内容

本发明实施例提供了一种模型生成、图像分割方法、系统、电子设备及存储介质，以实现基于有限数据分布下的数据(即训练样本)训练出具有强鲁棒性的图像分割模型的效果。

第一方面，本发明实施例提供了一种模型生成方法，可以包括：

获取样本图像、增强图像和样本图像的分割标签，将样本图像和分割标签、及增强图像和分割标签分别作为一组训练样本；

基于多组训练样本对原始分割模型进行训练，得到图像分割模型；

其中，增强图像包括根据样本图像和图像模板生成的第一增强图像、和/或根据样本图像的目标特征图和目标特征图模板生成的第二增强图像，图像模板中包括像素值为第一数值的像素点，目标特征图模板中包括像素值为第二数值的像素点，第一数值和第二数值均小于预设数值。

第二方面，本发明实施例还提供了一种图像分割方法，可以包括：

获取目标图像、以及按照本发明任意实施例所提供的模型生成方法生成的图像分割模型；

将目标图像输入到图像分割模型中，根据图像分割模型的输出结果，得到目标图像中的待分割目标。

第三方面，本发明实施例还提供了一种模型生成系统，可以包括：

训练样本得到模块，用于获取样本图像、增强图像和样本图像的分割标签，将样本图像和分割标签、及增强图像和分割标签分别作为一组训练样本；

模型生成模块，用于基于多组训练样本训练原始分割模型，得到图像分割模型；

其中，增强图像包括根据样本图像和图像模板生成的第一增强图像、和/或根据样本图像的目标特征图和目标特征图模板生成的第二增强图像，图像模板中包括像素值为第一数值的像素点，目标特征图模板中包括像素值为第二数值的像素点，第一数值和第二数值均小于预设数值。

第四方面，本发明实施例还提供了一种图像分割系统，可以包括：

图像分割模型获取模块，用于获取目标图像、以及按照本发明任意实施例所提供的模型生成方法生成的图像分割模型；