[发明专利]模型训练方法及装置、图像分割方法及装置

说明书

本申请提供了一种模型训练方法及装置、图像分割方法及装置，用于训练包括反馈传播模块的初始分割模型，以生成包括反馈传播模块的图像分割模型。模型训练方法包括：确定待分割图像样本以及与所述待分割图像样本对应的分割标注数据样本；利用所述初始分割模型对所述待分割图像样本进行分割，以确定多个中间分割预测数据，其中，所述多个中间分割预测数据为基于所述反馈传播模块的循环迭代计算的输出结果而确定的分割预测数据；基于所述多个中间分割预测数据，确定所述待分割图像样本对应的分割不确定性数据；基于所述分割不确定性数据、所述多个中间分割预测数据和所述分割标注数据样本，训练所述初始分割模型，以生成所述图像分割模型。

技术领域

本申请涉及医学影像处理技术领域，具体涉及一种模型训练方法、图像分割方法、模型训练装置、图像分割装置、电子设备及计算机可读存储介质。

背景技术

在医学影像分析中，对感兴趣区域(Region of Interest，ROI)的分割，对后续分析具有重要的指导作用。但人工手动分割不仅质量参差不齐且工作量巨大，因此，基于深度学习训练图像分割模型，以对医学影像中ROI进行自动分割成为研究热点。

现有的模型训练方法在训练图像分割模型时，由于单向提取特征对图像利用不充分以及标注噪声等因素，导致分割模型的优化方向存在偏差。在利用模型进行分割时会出现过于自信的错误判断，从而导致图像分割模型的分割准确率低。

发明内容

有鉴于此，本申请实施例提供了一种模型训练方法、图像分割方法、模型训练装置、图像分割装置、电子设备及计算机可读存储介质，以解决现有技术中模型训练时优化方向偏差导致的模型分割准确率低的技术问题。

根据本申请的一个方面，本申请一实施例提供的一种模型训练方法，用于训练包括反馈传播模块的初始分割模型，以生成包括所述反馈传播模块的图像分割模型，所述方法包括：确定待分割图像样本以及与所述待分割图像样本对应的分割标注数据样本；利用所述初始分割模型对所述待分割图像样本进行分割，以确定多个中间分割预测数据，其中，所述多个中间分割预测数据为基于所述反馈传播模块的循环迭代计算的输出结果而确定的分割预测数据；基于所述多个中间分割预测数据，确定所述待分割图像样本对应的分割不确定性数据；基于所述分割不确定性数据、所述多个中间分割预测数据和所述分割标注数据样本，训练所述初始分割模型，以生成所述图像分割模型。

在一个实施例中，所述循环迭代计算的次数为N，N为大于或等于2的正整数，其中，所述基于所述分割不确定性数据、所述多个中间分割预测数据和所述分割标注数据样本，训练所述初始分割模型，以生成所述图像分割模型，包括：基于第1次至第N-1次的循环迭代计算对应的中间分割预测数据和所述分割标注数据样本，确定N-1个中间损失函数；结合所述分割不确定性数据，基于第N次的循环迭代计算对应的中间分割预测数据和所述分割标注数据样本，确定结合不确定性的损失函数；基于所述N-1个中间损失函数和所述结合不确定性的损失函数，训练所述初始分割模型，以生成所述图像分割模型。

在一个实施例中，所述结合所述分割不确定性数据，基于第N次的循环迭代计算对应的中间分割预测数据和所述分割标注数据样本，确定结合不确定性的损失函数，包括：对所述第N次的循环迭代计算对应的中间分割预测数据和所述分割标注数据样本进行损失计算，以确定第一初始损失值；以所述分割不确定数据为权重值，对所述第一初始损失值进行加权运算，获取加权运算后损失值；基于交叉熵函数和所述加权运算后损失值，获取所述结合不确定性的损失函数。

在一个实施例中，所述基于第1次至第N-1次的循环迭代计算对应的中间分割预测数据和所述分割标注数据样本，确定N-1个中间损失函数，包括：针对所述第1次至第N-1次的循环迭代计算对应的中间分割预测数据中的每个中间分割预测数据，对所述中间分割预测数据和所述分割标注数据样本进行损失计算，以确定所述中间分割预测数据对应的第二初始损失值；基于交叉熵函数和所述第1次至第N-1次的循环迭代计算对应的中间分割预测数据对应的N-1个第二初始损失值，确定所述N-1个中间损失函数。