[發明專利]圖像分割模型的訓練方法、圖像分割方法、裝置及設備

有效

• 申請號: 202010464743.X
• 申請日: 2020-05-28
• 公開（公告）號: CN111369576B
• 公開（公告）日: 2020-09-18
• 發明（設計）人: 魏東;李航;曹世磊;馬鍇;王連生;鄭冶楓
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06K9/62;G06N3/04
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 張所明

本申請公開了一種圖像分割模型的訓練方法、圖像分割方法、裝置及設備，屬于圖像分割領域。該方法包括：獲取樣本圖像，樣本圖像是具有標注區域的圖像；對樣本圖像進行超像素劃分，得到至少兩個超像素區域；根據樣本圖像中的像素是否屬于所述標注區域，得到像素的硬標簽；根據像素所屬的超像素區域和像素的硬標簽，得到像素的軟標簽，軟標簽用于表征像素屬于標注區域的偽概率；根據像素的硬標簽和像素的軟標簽，訓練圖像分割模型。利用像素的硬標簽和軟標簽對圖像分割模型進行訓練，使得訓練后的圖像分割模型能夠準確地分割出輸入圖像中的分割區域，同時提高圖像分割模型的訓練效率。

技術領域

本申請涉及圖像分割領域，特別涉及一種圖像分割模型的訓練方法、圖像分割方法、裝置及設備。

背景技術

醫學圖像分割用于將醫學圖像中具有某些特殊含義的部分分割出來，并提取相關特征，為臨床醫療和病理學研究提供可靠的依據。在進行醫學圖像分割時，需要明確分割目標。“明確分割目標”即是對病灶區域提取，并對各個組織或各個器官進行分割。

醫學圖像中可能包含多種類型的待分割區域，如人體器官中的組織、血管等。計算機設備通過調用相關的圖像分割網絡對醫學圖像進行分割。以圖像分割網絡是全卷積神經網絡為例，利用全卷積神經網絡對醫學圖像進行分割，能夠得到分割后的各個區域。全卷積神經網絡通過標注了分割區域的樣本圖像進行訓練，由于分割區域的邊界不明顯或部分容積效應（Partial Volume Effect）等因素，分割區域的邊界通常比較難以標注，即使通過專業醫護人員進行標注，也很難對分割區域的邊界進準確標注，這為獲得大量的樣本圖像增加了難度。

在缺少訓練樣本圖像時，采用較少樣本圖像訓練得到的圖像分割網絡對醫學圖像分割后得到的各個分割區域的準確性較差。

發明內容

本申請實施例提供了一種圖像分割模型的訓練方法、圖像分割方法、裝置及設備，在不增加樣本圖像數量的前提下，使得訓練后的圖像分割模型能夠準確將分割區域從輸入圖像中分割出來。所述技術方案如下述方案所示。

根據本申請的一個方面，提供了一種圖像分割模型的訓練方法，所述方法包括如下步驟。

獲取樣本圖像，所述樣本圖像是具有標注區域的圖像；

對所述樣本圖像進行超像素劃分，得到至少兩個超像素區域；

根據所述樣本圖像中的像素是否屬于所述標注區域，得到所述像素的硬標簽；

根據所述像素所屬的超像素區域和所述像素的硬標簽，得到所述像素的軟標簽，所述軟標簽用于表征所述像素屬于所述標注區域的偽概率；

根據所述像素的硬標簽和所述像素的軟標簽，訓練所述圖像分割模型。

根據本申請的另一方面，提供了一種圖像分割方法，所述方法包括如下步驟。

獲取輸入圖像，所述輸入圖像包括分割區域；

將所述輸入圖像輸入至訓練后的圖像分割模型中，得到所述輸入圖像對應的預測概率圖，所述圖像分割模型是根據樣本圖像的像素的硬標簽和軟標簽訓練得到的，所述樣本圖像是具有標注區域且經過超像素劃分的圖像，所述硬標簽用于指示所述像素屬于所述標注區域，所述軟標簽是由所述像素所屬的超像素區域和所述像素的硬標簽得到的，所述預測概率圖用于表征所述輸入圖像中的像素屬于所述分割區域的預測概率；

根據所述預測概率圖確定所述輸入圖像的分割結果。

根據本申請的另一方面，提供了一種圖像分割模型的訓練裝置，所述裝置包括如下部分。

第一獲取模塊，用于獲取樣本圖像，所述樣本圖像是具有標注區域的圖像；

像素劃分模塊，用于對所述樣本圖像進行超像素劃分，得到至少兩個超像素區域；