[发明专利]图像分割模型训练方法、装置、设备及存储介质

权利要求书

1.一种图像分割模型训练方法，其特征在于，所述方法包括：

获取样本图像数据，所述样本图像数据包括有标签的第一样本图像数据和无标签的第二样本图像数据；

将所述样本图像数据分别输入至第一分割网络和第二分割网络进行分割，得到第一概率图和第二概率图，再利用激活函数分别对所述第一概率图和所述第二概率图进行处理，得到第一二值图像和第二二值图像；

根据所述第一概率图、所述第二概率图、所述第一二值图像、所述第二二值图像、所述标签和预设损失函数计算损失，并对所述第一分割网络和所述第二分割网络进行迭代训练，所述预设损失函数包括反映所述第一分割网络和所述第二分割网络自身分割结果的监督损失以及反映所述第一分割网络与所述第二分割网络相互指导学习的伪标签半监督损失。

2.根据权利要求1所述的图像分割模型训练方法，其特征在于，所述将所述样本图像数据分别输入至第一分割网络和第二分割网络进行分割之前，还包括：

基于限制对比度自适应直方图均衡化的方式对所述样本图像数据进行对比度增强操作。

3.根据权利要求1所述的图像分割模型训练方法，其特征在于，所述第一分割网络包括Unet分割网络，所述第二分割网络包括ISUnet分割网络，所述ISUnet分割网络包括嵌入层、编码器、解码器和线性映射层。

4.根据权利要求3所述的图像分割模型训练方法，其特征在于，所述编码器包括交替循环的特征提取模块和下采样模块，所述解码器包括交替循环的特征提取模块和上采样模块，所述特征提取模块包括特征提取网络和前馈网络，所述特征提取网络包括分割层、第一高频图像处理模块、第二高频图像处理模块、低频图像处理模块和融合层，所述第一高频图像处理模块包括最大池化层、第一线性映射层和第一上采样操作层，所述第二高频图像处理模块包括第二线性映射层和卷积操作层，所述低频图像处理模块包括平均池化层、基于窗口多头自注意力机制和滑窗多头自注意力机制构建的注意力层和第二上采样操作层。

5.根据权利要求1所述的图像分割模型训练方法，其特征在于，所述根据所述第一概率图、所述第二概率图、所述第一二值图像、所述第二二值图像、所述标签和预设损失函数计算损失，包括：

根据每个所述第一样本图像自身对应的、第一概率图、第一二值图像和标签计算第一损失函数值；

根据每个所述第一样本图像自身对应的、第二概率图、第二二值图像和标签计算第二损失函数值；

根据所述第一概率图和所述第二二值图像计算第三损失函数值；

根据所述第二概率图和所述第一二值图像计算第四损失函数值。

6.根据权利要求5所述的图像分割模型训练方法，其特征在于，所述预设损失函数表示为：

loss＝SupervisedLoss1+SupervisedLoss2+0.1*exp(-5(1-ttmax2*CrossTeachingLoss3+CrossTeachingLoss4；

其中，loss表示所述预设损失函数，SupervisedLoss1表示所述第一损失函数值，SupervisedLoss2表示所述第二损失函数值，CrossTeachingLoss3表示所述第三损失函数值，CrossTeachingLoss4表示所述第四损失函数值，t表示当前迭代训练的次数，tmax表示预先设定的总的迭代训练次数。