[发明专利]图像中目标物的分割方法、装置、电子设备及存储介质

权利要求书

1.一种图像中目标物的分割方法，其特征在于，所述方法包括：

获取目标物分割模型，其中，所述目标物分割模型中包含预处理子模型、共享编码子模型、分类子模型和分割子模型；

获取标注图像集，其中，所述标注图像集包括弱标注图像子集和强标注图像子集，所述弱标注图像子集中的弱标注图像标注出图像内是否含有目标物，所述强标注图像子集中的强标注图像标注出目标物及目标物的位置，所述弱标注图像子集中图像的数量大于所述强标注图像子集中图像的数量；

利用所述预处理子模型对所述标注图像集进行图像预处理；

利用所述共享编码子模型对预处理后的所述标注图像集进行编码，得到所述标注图像集的编码特征，其中，所述标注图像集的编码特征包括强标注图像子集中强标注图像的第一编码特征和弱标注图像子集中弱标注图像的第二编码特征；

利用所述分类子模型对所述第一编码特征和所述第二编码特征分别进行分类处理，得到强标注图像分类结果以及弱标注图像分类结果；

利用所述分割子模型对所述强标注图像子集中强标注图像的第一编码特征进行分割处理，得到强标注图像分割结果；

根据所述强标注图像分类结果与所述强标注图像分割结果构建分割损失函数，根据所述弱标注图像分类结果构建分类损失函数；

利用所述分割损失函数及分类损失函数对所述目标物分割模型进行优化，得到标准目标物分割模型；

获取待分割图像，利用所述标准目标物分割模型对所述待分割图像进行目标物分割，得到分割结果；

所述利用所述分割子模型对所述强标注图像子集中强标注图像的第一编码特征进行分割处理，得到强标注图像分割结果，包括：

将所述强标注图像子集中强标注图像的第一编码特征进行第一阈值倍数的上采样，得到中间特征图；

将所述中间特征图进行第二阈值倍数的上采样，得到复原图像；

利用第二激活函数计算所述复原图像中各像素点属于第二预设类别的第二类别概率；

根据所述第二类别概率对所述强标注图像子集中强标注图像的第一编码特征进行分割处理，得到强标注图像分割结果。

2.如权利要求1所述的图像中目标物的分割方法，其特征在于，所述利用所述共享编码子模型对预处理后的所述标注图像集进行编码，得到所述标注图像集的编码特征，包括：

利用所述共享编码子模型对预处理后的所述标注图像集中的所有标注图像进行卷积处理，得到卷积图像集；

对所述卷积图像集中的所有卷积图像进行池化处理，得到所述标注图像集的编码特征。

3.如权利要求1所述的图像中目标物的分割方法，其特征在于，所述利用所述分类子模型对所述第一编码特征进行分类处理，得到强标注图像分类结果，包括：

利用所述分类子模型对所述强标注图像子集中强标注图像的第一编码特征进行全连接处理，得到全连接特征；

利用第一激活函数计算所述全连接特征属于第一预设类别的第一类别概率；

根据所述第一类别概率对所述强标注图像子集中强标注图像的第一编码特征进行分类处理，得到强标注图像分类结果。

4.如权利要求1所述的图像中目标物的分割方法，其特征在于，所述利用所述分割损失函数及分类损失函数对所述目标物分割模型进行优化，包括：

确定所述目标物分割模型的目标迭代次数；

计算所述分类损失函数的分类损失值；

计算所述分割损失函数的分割损失值；

利用梯度下降算法轮流基于所述分类损失值与所述分割损失值对所述目标物分割模型的参数进行更新，直至目标物分割模型的迭代次数达到所述目标迭代次数。

5.如权利要求1至4中任一项所述的图像中目标物的分割方法，其特征在于，所述分割损失函数为：

其中，L_cls为基于所述强标注图像分类结果构建的分类子函数，L_seg为基于所述强标注图像分割结果构建的分割子函数，σ₁²与σ₂²为预设参数。

6.如权利要求1所述的图像中目标物的分割方法，其特征在于，所述标注图像集包括带有标签的生物体组织的医学图像。