[发明专利]网络模型的训练方法及装置、标注信息的确定方法及装置

说明书

公开了一种网络模型的训练方法及装置、标注信息的确定方法及装置、计算机可读存储介质及电子设备，涉及图像处理技术领域。该网络模型的训练方法包括：确定初始网络模型；基于待标注样本图像和待标注样本图像对应的概率图像训练初始网络模型，以生成图像理解模型，其中，图像理解模型用于基于待标注图像生成待标注图像对应的特征图和修复图像，概率图像用于表征待标注样本图像中的显示单元被擦除的概率。本公开能够使图像理解模型聚焦于学习图像的边界信息(包括能够用于分割的边界信息)，进而使训练得到的图像理解模型具备图像理解能力。由此，本公开能够为后续标注信息的重定义操作提供数据基础，进而提高标注信息的重定义精准度。

技术领域

本公开涉及图像处理技术领域，具体涉及网络模型的训练方法及装置、标注信息确定方法及装置、计算机可读存储介质及电子设备。

背景技术

在医学图像处理领域，图像分割技术能够极大提升医生的工作效率，是辅助医生进行疾病诊断的重要技术。众所周知，图像分割技术的分割依据为与待分割目标对应的标注信息，因此，标注信息的优劣会直接影响待分割目标的分割效果。

然而，现有标注信息的确定方法主要依赖于人工(比如医生)实现，精准度难以保证，更难以满足精准分割的要求。

发明内容

为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种网络模型的训练方法及装置、标注信息的确定方法及装置、计算机可读存储介质及电子设备。

在一方面，本公开实施例提供了一种网络模型的训练方法，该方法包括：确定初始网络模型；基于待标注样本图像和待标注样本图像对应的概率图像训练初始网络模型，以生成图像理解模型。其中，图像理解模型用于基于待标注图像生成待标注图像对应的特征图和修复图像，概率图像用于表征待标注样本图像中的显示单元被擦除的概率。

在另一方面，本公开实施例提供了一种标注信息的确定方法，该方法包括：将待标注图像输入图像理解模型，以得到待标注图像对应的特征图和修复图像，其中，图像理解模型基于上述实施例提及的网络模型的训练方法得到；基于特征图、修复图像、待标注图像和待标注图像对应的第一标注信息确定待标注图像对应的第二标注信息。

在另一方面，本公开实施例提供了一种网络模型的训练装置，该装置包括：模型确定模块，用于确定初始网络模型；训练模块，用于基于待标注样本图像和待标注样本图像对应的概率图像训练初始网络模型，以生成图像理解模型。其中，图像理解模型用于基于待标注图像生成待标注图像对应的特征图和修复图像，概率图像用于表征待标注样本图像中的显示单元被擦除的概率。

在另一方面，本公开实施例提供了一种标注信息的确定装置，该装置包括：输入模块，用于将待标注图像输入图像理解模型，以得到待标注图像对应的特征图和修复图像，其中，图像理解模型基于上述实施例提及的网络模型的训练方法得到；第二标注信息确定模块，用于基于特征图、修复图像、待标注图像和待标注图像对应的第一标注信息确定待标注图像对应的第二标注信息。

在另一方面，本公开实施例提供了一种计算机可读存储介质，该存储介质存储有计算机程序，该计算机程序用于执行上述实施例所提及的网络模型的训练方法和/或标注信息的确定方法。

在另一方面，本公开实施例提供了一种电子设备，该电子设备包括：处理器和用于存储处理器可执行指令的存储器，其中，处理器用于执行上述实施例所提及的网络模型的训练方法和/或标注信息的确定方法。

由于图像理解模型的训练数据包括待标注样本图像和待标注样本图像对应的概率图像，且训练生成的图像理解模型能够基于待标注图像生成待标注图像对应的特征图，并能够基于特征图生成特征图对应的修复图像，由此可知，本公开实施例提及的训练方法能够使图像理解模型聚焦于学习图像的边界信息(包括能够用于分割的边界信息)，进而使训练得到的图像理解模型具备图像理解能力。基于此，利用本公开实施例训练得到的图像理解模型能够为后续标注信息的重定义操作提供更精准地数据基础，进而为提高标注信息的重定义精准度提供前提条件。