[发明专利]图像分割模型训练方法、图像处理方法、系统及电子设备

说明书

本发明涉及一种图像分割模型训练方法、图像处理方法、系统及电子设备，属于医学图像处理领域，包括步骤：获取源域脑组织图像以及脑组织实例标注；获取目标域脑组织图像；对源域脑组织图像进行处理得到目标域外观脑组织图像，对目标域脑组织图像进行处理得到源域外观脑组织图像；用源域脑组织图像和目标域外观脑组织图像训练学生模型；用目标域脑组织图像和源域外观脑组织图像同时训练学生模型和教师模型；基于预设的总损失函数对学生模型的参数进行更新。本发明基于预设的总损失函数引导学生模型忽视不同域脑组织图像外观的分布差异，强化其关注同一脑组织在不同域的语义不变性，训练得到域适应、精度高、效率高的图像分割模型。

技术领域

本发明涉及医学图像处理技术领域，特别涉及一种图像分割模型训练方法、图像处理方法、系统及电子设备。

背景技术

磁共振成像已经成为评估脑组织健康状态，尤其是子宫内胎儿大脑发育的重要工具。从磁共振成像图像中分割出脑组织图像的精确度是影响评估脑组织健康状态准确度的关键因素，目前分割磁共振成像图像获得脑组织图像有如下方法：一、手动从磁共振成像图像中分割出脑组织图像，该方法工作量大、耗时，且易受医师水平影响，可重复性差，主观性强；二、基于神经网络模型从磁共振成像图像中分割出脑组织图像，将不同设备的磁共振成像图像视为一个域，用现有的一个设备的磁共振成像图像数据训练获得一个神经网络模型，并用该神经网络模型对另一个设备的磁共振成像图像进行脑组织图像分割处理，即期望用源域数据训练得到一个神经网络模型，将该神经网络模型用于对目标域数据进行脑组织图像分割处理时有好的分割效果，但实际该方法分割精度低、效率低，泛化能力弱。综上，鉴于现有技术的缺陷，急需一种跨域适应、精度高、效率高的脑组织图像处理方法。

发明内容

为了解决脑组织图像分割处理精度低、效率低和泛化能力弱的问题，本发明提供了一种图像分割模型训练方法、图像处理方法、系统及电子设备。

为了解决以上技术问题，本发明采用以下技术方案：

第一方面，本发明实施例提供一种图像分割模型训练方法，包括如下步骤：

获取源域脑组织图像以及所述源域脑组织图像的脑组织实例标注；

获取目标域脑组织图像；

对所述源域脑组织图像进行处理得到目标域外观脑组织图像，对所述目标域脑组织图像进行处理得到源域外观脑组织图像；

将所述源域脑组织图像和目标域外观脑组织图像作为第一训练样本集训练学生模型；

将所述目标域脑组织图像和源域外观脑组织图像作为第二训练样本集同时训练学生模型和教师模型；

基于预设的总损失函数对所述学生模型的参数进行更新，并根据所述学生模型的参数对所述教师模型的参数进行更新，训练得到的所述学生模型为所述图像分割模型。

在一些实施例中，所述将所述源域脑组织图像和目标域外观脑组织图像作为第一训练样本集训练学生模型包括：

将所述源域脑组织图像和目标域外观脑组织图像输入至学生模型得到源域脑组织图像预测分割和目标域外观脑组织图像预测分割；

所述将所述目标域脑组织图像和源域外观脑组织图像作为第二训练样本集同时训练学生模型和教师模型包括：

将所述目标域脑组织图像和源域外观脑组织图像输入至学生模型得到第一目标域脑组织图像预测分割和第一源域外观脑组织图像预测分割；

将所述目标域脑组织图像和源域外观脑组织图像输入至教师模型得到第二目标域脑组织图像预测分割和第二源域外观脑组织图像预测分割；

所述预设的总损失函数的总损失值包括：

根据所述源域脑组织图像预测分割、目标域外观脑组织图像预测分割以及脑组织实例标注得到分割损失值；

根据所述第一目标域脑组织图像预测分割、第一源域外观脑组织图像预测分割、第二目标域脑组织图像预测分割以及第二源域外观脑组织图像预测分割得到外观结构一致性损失值；

根据所述分割损失值以及所述外观结构一致性损失值得到总损失值。