[发明专利]模型生成、图像分割方法、装置、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、装置、电子设备及存储介质。该模型生成方法包括：将获取到的样本图像输入至原始分割模型中，根据原始分割模型输出的分割特征图确定增强特征图和分类向量；根据增强特征图中的第三特征图和第四特征图确定相似性损失函数，并且根据分类向量和针对于已知目标的分类标签确定分类损失函数；将分类损失函数和相似性损失函数反向输入到原始分割模型，调节原始分割模型的网络参数，生成图像分割模型。本发明实施例的技术方案，可以生成能够进行精细并且完整分割的图像分割模型，达到了增强弱监督分割模型的分割性能的效果。

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、装置、电子设备及存储介质。

背景技术

基于深度学习模型对医学图像上的感兴趣点进行分割时，需要大量的人力和时间进行分割标记，该感兴趣点可以作为医护人员定位病灶点的参考因素。

在国内，三甲医院普遍人满为患，专业医生是很难有时间为深度学习模型提供大量精细的分割标记，用于分割感兴趣点的深度学习模型需要更为简单的标注数据进行训练。据此，基于图像级别的分类标签进行像素级别的分割训练后得到的弱监督分割模型应运而生。

但是，上述弱监督分割模型的分割结果过于粗糙，只能达到感兴趣点所在的感兴趣区域定位的效果，距离精细的感兴趣点分割仍是存在相当大的差距。

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、装置、电子设备及存储介质，解决了现有的弱监督分割模型的分割性能较差的问题。

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：

将获取到的样本图像输入至原始分割模型中，根据原始分割模型输出的分割特征图确定增强特征图和分类向量；

根据增强特征图中的第三特征图和第四特征图确定相似性损失函数，且根据分类向量和针对于已知目标的分类标签确定分类损失函数；

将分类损失函数和相似性损失函数反向输入到原始分割模型，调节原始分割模型的网络参数，生成图像分割模型；

其中，第三特征图中的目标信息多于分割特征图中与样本图像中的第一图像对应的第一特征图，且第四特征图中的目标信息多于分割特征图中与样本图像中的第二图像对应的第二特征图，第二图像是对第一图像进行降维后得到的图像。

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：

获取待分割图像和按照本发明任意实施例提供的方法生成的图像分割模型；

将待分割图像输入至图像分割模型中，并根据图像分割模型的输出结果，得到待分割图像中待分割目标的目标分割图像。

第三方面，本发明实施例还提供了一种模型生成装置，可以包括：

特征图处理模块，用于将获取到的样本图像输入至原始分割模型中，根据原始分割模型输出的分割特征图确定增强特征图和分类向量；

损失函数确定模块，用于根据增强特征图中的第三特征图和第四特征图确定相似性损失函数，并且根据分类向量和针对于已知目标的分类标签确定分类损失函数；

模型生成模块，用于将分类损失函数和相似性损失函数反向输入到原始分割模型，调节原始分割模型的网络参数，生成图像分割模型；

其中，第三特征图中的目标信息多于分割特征图中与样本图像中的第一图像对应的第一特征图，且第四特征图中的目标信息多于分割特征图中与样本图像中的第二图像对应的第二特征图，第二图像是对第一图像进行降维后得到的图像。

第四方面，本发明实施例还提供了一种图像分割装置，可以包括：