[发明专利]图像分割方法、装置、系统及细胞分割方法

说明书

本公开提供了一种图像分割方法、装置、系统及细胞分割方法，涉及人工智能领域。方法包括：获取原始图像，原始图像包括多个待分割对象；将原始图像输入至图像分割模型，通过图像分割模型对各对象进行特征提取，以获取分割图像；其中，图像分割模型是通过对待训练图像分割模型进行迭代训练和后修正训练得到的，迭代训练是根据图像样本和与图像样本对应的点标注图像样本及边界图像样本进行的，后修正训练是根据与目标分割图像对应的第一边缘信息和第三边缘信息，以及与图像样本对应的第二边缘信息进行的，该目标分割图像为迭代训练后的图像分割模型对图像样本处理得到的图像。本公开可以提高图像分割的效率和精准度，降低成本。

技术领域

本公开涉及人工智能技术领域，具体而言，涉及一种图像分割方法、图像分割装置、图像分割系统及细胞分割方法。

背景技术

随着科学技术和人工智能的迅速发展，人们倾向于寻找更智能的方法对图像中的对象进行检测和分割。

以病理学中的细胞分割为例，在采用深度学习方法进行细胞分割时，主要使用聚类方法将人工点标注扩展为像素级标注，然后利用点标注生成边界划分，最后将聚类结果作为正样本、边界划分的边界作为负样本，训练模型对细胞进行分割。但是该方法中模型结果很大程度依赖于聚类方法的准确性，另外为了保证细胞聚类的正确性，细胞聚类的结果会比真正的细胞小，使得最终的分割结果不精准。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的实施例提供了一种图像分割方法、图像分割装置、图像分割系统及细胞分割方法，进而至少在一定程度上可以提高图像分割的效率和精准度，降低成本。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开实施例的一个方面，提供了一种图像分割方法，包括：获取原始图像，所述原始图像包括多个待分割对象；将所述原始图像输入至图像分割模型，通过所述图像分割模型对各所述对象进行特征提取，以获取分割图像；其中，所述图像分割模型是通过对待训练图像分割模型进行迭代训练和后修正训练得到的，其中所述迭代训练是根据图像样本和与所述图像样本对应的点标注图像样本及边界图像样本进行的，所述后修正训练是根据与目标分割图像对应的第一边缘信息和第三边缘信息，以及与所述图像样本对应的第二边缘信息进行的，所述目标分割图像为迭代训练后的图像分割模型对所述图像样本处理得到的图像。

根据本公开实施例的一个方面，提供了一种图像分割装置，包括：图像获取模块，用于获取原始图像，所述原始图像包括多个待分割对象；图形分割模块，用于将所述原始图像输入至图像分割模型，通过所述图像分割模型对各所述对象进行特征提取，以获取分割图像；其中，所述图像分割模型是通过对待训练图像分割模型进行迭代训练和后修正训练得到的，其中所述迭代训练是根据与待分割图像样本对应的点标注图像样本和边界图像样本进行的，所述后修正训练是根据与目标分割图像对应的第一边缘信息和第三边缘信息，以及与所述图像样本对应的第二边缘信息进行的，所述目标分割图像为迭代训练后的图像分割模型对所述图像样本处理得到的图像。

根据本公开实施例的一个方面，提供了一种细胞分割方法，包括：获取原始病理图像，所述原始病理图像包括多个待分割的细胞；将所述原始病理图像输入至图像分割模型，通过所述图像分割模型对各所述细胞进行特征提取，以获取细胞分割图像；其中，所述图像分割模型是通过对待训练图像分割模型进行迭代训练和后修正训练得到的，其中所述迭代训练是根据与病理图像样本对应的点标注图像样本和边界图像样本进行的，所述后修正训练是根据与目标分割图像对应的第一边缘信息和第三边缘信息，以及与所述病理图像样本对应的第二边缘信息进行的，所述目标分割图像为迭代训练后的图像分割模型对所述病理图像样本处理得到的图像。