[發(fā)明專利]一種圖像區(qū)域分割模型訓(xùn)練方法、分割方法和裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202010419791.7
• 申請(qǐng)日: 2020-05-18
• 公開（公告）號(hào): CN111598900B
• 公開（公告）日: 2022-08-09
• 發(fā)明（設(shè)計(jì)）人: 張軍;田寬;顏克洲;姚建華;韓驍
• 申請(qǐng)（專利權(quán)）人: 騰訊醫(yī)療健康（深圳）有限公司
• 主分類號(hào): G06T7/11
• 分類號(hào): G06T7/11;G06N3/04;G06N3/08
• 代理公司: 深圳市深佳知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44285
• 代理人: 王兆林

1.一種基于人工智能的圖像區(qū)域分割模型訓(xùn)練方法，其特征在于，所述方法包括：

獲取樣本圖像集合，所述樣本圖像集合包括多個(gè)樣本圖像，所述樣本圖像具有第一標(biāo)注信息；所述第一標(biāo)注信息包括目標(biāo)區(qū)域在樣本圖像中的面積占比；

針對(duì)所述樣本圖像集合中每個(gè)樣本圖像，分別生成所述樣本圖像對(duì)應(yīng)的圖結(jié)構(gòu)數(shù)據(jù)；所述圖結(jié)構(gòu)數(shù)據(jù)中包括多個(gè)頂點(diǎn)，每個(gè)所述頂點(diǎn)包括所述樣本圖像中至少一個(gè)像素點(diǎn)；

通過(guò)圖卷積網(wǎng)絡(luò)模型，根據(jù)所述圖結(jié)構(gòu)數(shù)據(jù)得到每個(gè)頂點(diǎn)的預(yù)測(cè)結(jié)果；

根據(jù)所述面積占比和所述圖結(jié)構(gòu)數(shù)據(jù)中頂點(diǎn)的總數(shù)量確定所述目標(biāo)區(qū)域?qū)?yīng)的第一頂點(diǎn)數(shù)量以及背景區(qū)域?qū)?yīng)的第二頂點(diǎn)數(shù)量，所述背景區(qū)域?yàn)樗鰣D像樣本中除所述目標(biāo)區(qū)域外的區(qū)域；

根據(jù)所述第一頂點(diǎn)數(shù)量、所述第二頂點(diǎn)數(shù)量和所述預(yù)測(cè)結(jié)果確定所述頂點(diǎn)的第二標(biāo)注信息；所述第二標(biāo)注信息的粒度小于所述第一標(biāo)注信息的粒度；

根據(jù)所述第二標(biāo)注信息對(duì)所述圖像區(qū)域分割模型進(jìn)行訓(xùn)練，所述圖像區(qū)域分割模型包括所述圖卷積網(wǎng)絡(luò)模型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述第一標(biāo)注信息還包括估計(jì)誤差值，根據(jù)所述面積占比和所述圖結(jié)構(gòu)數(shù)據(jù)中頂點(diǎn)的總數(shù)量確定所述目標(biāo)區(qū)域?qū)?yīng)的第一頂點(diǎn)數(shù)量以及背景區(qū)域?qū)?yīng)的第二頂點(diǎn)數(shù)量，包括：

根據(jù)所述面積占比、所述估計(jì)誤差值和所述圖結(jié)構(gòu)數(shù)據(jù)中頂點(diǎn)的總數(shù)量確定所述目標(biāo)區(qū)域?qū)?yīng)的第一頂點(diǎn)數(shù)量以及背景區(qū)域?qū)?yīng)的第二頂點(diǎn)數(shù)量。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，根據(jù)所述第二標(biāo)注信息對(duì)所述圖像區(qū)域分割模型進(jìn)行訓(xùn)練，包括：

根據(jù)每個(gè)頂點(diǎn)的所述預(yù)測(cè)結(jié)果和第二標(biāo)注信息構(gòu)建損失函數(shù)；

根據(jù)所述損失函數(shù)對(duì)所述圖像區(qū)域分割模型進(jìn)行訓(xùn)練。

4.根據(jù)權(quán)利要求1-3任一項(xiàng)所述的方法，其特征在于，所述圖像區(qū)域分割模型中包括全卷積網(wǎng)絡(luò)，針對(duì)所述樣本圖像集合中每個(gè)樣本圖像，分別生成所述樣本圖像對(duì)應(yīng)的圖結(jié)構(gòu)數(shù)據(jù)，包括：

通過(guò)全卷積網(wǎng)絡(luò)對(duì)所述樣本圖像進(jìn)行特征提取，得到每個(gè)像素點(diǎn)對(duì)應(yīng)的特征；

根據(jù)所述像素點(diǎn)的特征對(duì)所述樣本圖像中的像素點(diǎn)進(jìn)行聚類，得到超像素劃分結(jié)果；

根據(jù)所述超像素劃分結(jié)果構(gòu)建所述圖結(jié)構(gòu)數(shù)據(jù)，所述超像素劃分結(jié)果中每個(gè)超像素點(diǎn)作為所述圖結(jié)構(gòu)數(shù)據(jù)中的一個(gè)頂點(diǎn)。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，根據(jù)所述超像素劃分結(jié)果構(gòu)建所述圖結(jié)構(gòu)數(shù)據(jù)，包括：

根據(jù)任意兩個(gè)頂點(diǎn)所包括的像素點(diǎn)的位置信息確定頂點(diǎn)之間的邊；

根據(jù)第一頂點(diǎn)和第二頂點(diǎn)對(duì)應(yīng)的特征的歐氏距離確定邊的權(quán)重，所述第一頂點(diǎn)和所述第二頂點(diǎn)分別為所述邊所連接的頂點(diǎn)。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，針對(duì)所述圖結(jié)構(gòu)數(shù)據(jù)中每個(gè)頂點(diǎn)，頂點(diǎn)對(duì)應(yīng)的特征為所述頂點(diǎn)所包括像素點(diǎn)的特征的平均值。

7.一種基于人工智能的圖像區(qū)域分割模型訓(xùn)練裝置，其特征在于，所述裝置包括獲取單元、生成單元、確定單元和訓(xùn)練單元：

所述獲取單元，用于獲取樣本圖像集合，所述樣本圖像集合包括至少一個(gè)樣本圖像，所述樣本圖像具有第一標(biāo)注信息；所述第一標(biāo)注信息包括目標(biāo)區(qū)域在樣本圖像中的面積占比；

所述生成單元，用于針對(duì)所述樣本圖像集合中每個(gè)樣本圖像，分別生成所述樣本圖像對(duì)應(yīng)的圖結(jié)構(gòu)數(shù)據(jù)；所述圖結(jié)構(gòu)數(shù)據(jù)中包括多個(gè)頂點(diǎn)，每個(gè)所述頂點(diǎn)包括所述樣本圖像中至少一個(gè)像素點(diǎn)；

所述確定單元，用于通過(guò)圖卷積網(wǎng)絡(luò)模型，根據(jù)所述圖結(jié)構(gòu)數(shù)據(jù)得到每個(gè)頂點(diǎn)的預(yù)測(cè)結(jié)果；根據(jù)所述面積占比和所述圖結(jié)構(gòu)數(shù)據(jù)中頂點(diǎn)的總數(shù)量確定所述目標(biāo)區(qū)域?qū)?yīng)的第一頂點(diǎn)數(shù)量以及背景區(qū)域?qū)?yīng)的第二頂點(diǎn)數(shù)量，所述背景區(qū)域?yàn)樗鰣D像樣本中除所述目標(biāo)區(qū)域外的區(qū)域；根據(jù)所述第一頂點(diǎn)數(shù)量、所述第二頂點(diǎn)數(shù)量和所述預(yù)測(cè)結(jié)果確定所述頂點(diǎn)的第二標(biāo)注信息；所述第二標(biāo)注信息的粒度小于所述第一標(biāo)注信息的粒度；

所述訓(xùn)練單元，用于根據(jù)所述第二標(biāo)注信息對(duì)所述圖像區(qū)域分割模型進(jìn)行訓(xùn)練，所述圖像區(qū)域分割模型包括所述圖卷積網(wǎng)絡(luò)模型。