[发明专利]图像分割模型训练方法、装置、设备及存储介质

说明书

本发明公开了图像分割模型训练方法、装置、设备及存储介质，其利用少量有标签的第一样本图像数据和大量无标签的第二样本图像数据输入至第一分割网络和第二分割网络分别进行预测，得到第一分割网络和第二分割网络各自的分割结果，再基于分割结果和标签所构建的损失函数对第一分割网络和第二分割网络分别进行监督训练，同时还利用基于第一分割网络的分割结果和第二分割网络的分割结果所构建的伪标签半监督损失指导第一分割网络和第二分割网络相互学习。本发明能够降低训练模型所需要的标签样本数据，利用少量有标签的样本数据即可完成对模型的训练，同时利用两个分割网络相互指导学习，提升了模型的鲁棒性。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种图像分割模型训练方法、装置、设备及存储介质。

背景技术

X射线数字减影血管造影(DSA)是一种广泛使用的成像技术，用于可视化和检查人体内的血管，由于其时间效率和成本效益，它保持了评估冠状动脉疾病的“金标准”。从X射线DSA图像中提取冠状动脉段或整棵树是促进定量冠状动脉分析的关键过程。当把造影剂注入感兴趣的血管时，DSA成像收集一系列二维数字X射线投影图像。序列开始时采集的图像称为掩模图像，由于造影剂未进入血管，血管不可见。在掩模图像之后，DSA成像收集对比度图像，其中血管是可见的，因为造影剂在成像时流过血管。在这些X射线投影图像中，血管很难与背景内容(如肋骨、脊椎、导管和器官)区分开来。通常，掩模图像和对应的对比度图像进行配准，其具有相等的灰度分布，然后从对应的对比度图像中减去掩模图像，则可以去除背景并获得可见的血管。然而，由于人体运动以及图像中X射线功率和噪声的波动，由此得到的图像并不是非常真实清晰。而且，冠状动脉的末梢较为细小繁多，常规的提取方法较难分辨。

而随着机器学习算法的快速发展，针对于上述血管图像分割问题已提出了一种基于深度学习的图像分割方法，其基本框架是一个Unet模型，该模型采用卷积运算、池化下采样、跳跃连接、上采样等运算，对原始DSA图像和人为手工标注的标签组成的成对数据进行训练，即首先通过不同维度的卷积操作提取特征，通过跳跃连接和上采样恢复原始图像大小，再通过激活函数对每个像素进行分类，从而得到分割标签；然后将网络计算得到的标签与手工标签进行损失函数的计算，将损失反向传播，梯度下降运算更新网络参数从而减小损失。

然而，虽然Unet模型对块状结构的器官组织病灶具有较好的分割性能，但对管状结构适应性较弱，并且，其需要大量的图像和标签数据进行训练学习，这对于医学图像而言局限性很大，在有标签的图像数据不足的情况下，难以训练得到理想精度的模型。

发明内容

有鉴于此，本申请提供一种图像分割模型训练方法、装置、设备及存储介质，以解决现有的血管图像分割模型精度较差，且需要大量标签数据才能完成训练的问题。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种图像分割模型训练方法，其特征在于，方法包括：获取样本图像数据，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第一概率图和第二概率图进行处理，得到第一二值图像和第二二值图像；根据第一概率图、第二概率图、第一二值图像、第二二值图像、标签和预设损失函数计算损失，并对第一分割网络和第二分割网络进行迭代训练，预设损失函数包括反映第一分割网络和第二分割网络自身分割结果的监督损失以及反映第一分割网络与第二分割网络相互指导学习的伪标签半监督损失。

作为本申请的进一步改进，将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样本图像数据进行对比度增强操作。

作为本申请的进一步改进，第一分割网络包括Unet分割网络，第二分割网络包括ISUnet分割网络，ISUnet分割网络包括嵌入层、编码器、解码器和线性映射层。