[發明專利]模型訓練方法、圖像處理及配準方法以及相關裝置、設備

在審

• 申請號: 202011193221.7
• 申請日: 2020-10-30
• 公開（公告）號: CN112348819A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 宋濤
• 申請（專利權）人: 上海商湯智能科技有限公司
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06K9/62;G06T7/33
• 代理公司: 深圳市威世博知識產權代理事務所(普通合伙) 44280
• 代理人: 何倚雯

本申請公開了一種模型訓練方法、圖像處理及配準方法以及相關裝置、設備，該模型可應用于醫學影像處理，其中，模型訓練方法包括：獲取至少一個樣本圖像，其中，樣本圖像具有標注信息；利用解糾纏模型分別對至少一個樣本圖像進行內容提取，得到至少一個樣本圖像的內容特征數據；利用至少一個樣本圖像的內容特征數據和標注信息對預設網絡模型進行訓練，得到用于處理目標圖像的網絡模型；其中，解糾纏模型是利用屬于不同域的兩類訓練圖像訓練得到的，且其中一類訓練圖像與樣本圖像屬于第一域，另一類訓練圖像與目標圖像屬于第二域。上述方案，能夠低成本且高精度地完成屬于不同域的圖像的圖像處理任務。

技術領域

本申請涉及人工智能技術領域，特別是涉及一種模型訓練方法、圖像處理及配準方法以及相關裝置、設備。

背景技術

隨著神經網絡、深度學習等人工智能技術的發展，對網絡模型進行訓練，并利用經訓練的網絡模型完成圖像分割、圖像分類、目標檢測、圖像配準等圖像處理任務的方式，逐漸受到人們的青睞。

然而，由于在實際應用過程中，訓練網絡模型的訓練圖像通常屬于一類域，而需要利用網絡模型進行圖像處理的目標圖像又屬于另一類域，故當利用訓練得到的網絡模型對目標圖像進行處理時，極易產生處理精度下降的問題。故此，目前通常對屬于另一類域的目標圖像重新進行標注、訓練，從而浪費了大量的時間成本和人力成本。以醫學圖像為例，由于CT(Computed Tomography，計算機斷層掃描)圖像和MR(Magnetic Resonance，核磁共振)圖像所屬的域不同，因而在利用通過CT圖像訓練得到的網絡模型對MR圖像進行相關處理時，往往產生精度下降問題，而若對MR圖像重新進行標注，又往往需要依賴高年資的醫務人員，成本巨大。有鑒于此，如何低成本且高精度地完成屬于不同域的圖像的圖像處理任務成為亟待解決的問題。

發明內容

本申請提供一種模型訓練方法、圖像處理及配準方法以及相關裝置、設備。

本申請第一方面提供了一種模型訓練方法，包括：獲取至少一個樣本圖像，其中，樣本圖像具有標注信息；利用解糾纏模型分別對至少一個樣本圖像進行內容提取，得到至少一個樣本圖像的內容特征數據；利用至少一個樣本圖像的內容特征數據和標注信息對預設網絡模型進行訓練，得到用于處理目標圖像的網絡模型；其中，解糾纏模型是利用屬于不同域的兩類訓練圖像訓練得到的，且其中一類訓練圖像與樣本圖像屬于第一域，另一類訓練圖像與目標圖像屬于第二域。

因此，通過與樣本圖像同屬于第一域的一類訓練圖像和與目標圖像同屬于第二域的另一訓練圖像訓練得到的解糾纏模型，能夠將具有標注信息的樣本圖像和目標圖像映射得到屬于相同域的內容特征數據，從而利用訓練圖像的內容特征數據和標注信息訓練得到的網絡模型能夠同樣適用于目標圖像，而無需再對其進行標注，進而能夠降低不同域的圖像的標注成本，并提高后續處理的精度。

其中，樣本圖像和目標圖像為醫學圖像，標注信息為對生物器官的標注信息；和/或，樣本圖像和目標圖像為三維圖像，標注信息為對三維目標的標注信息。

因此，通過將樣本圖像和目標圖像設置為醫學圖像，且標注信息為生物器官的標注信息，能夠適用于醫學圖像領域；而將樣本圖像和目標圖像設置為三維圖像，標注信息設置為對三維目標的標注信息，能夠適用于三維圖像的處理。

其中，預設網絡模型包括以下任一者：圖像分割網絡模型、圖像分類網絡模型、目標檢測網絡模型。

因此，通過將預設網絡模型設置為圖像分割網絡模型、圖像分類網絡模型、目標檢測網絡模型中的任一者，能夠基于不同種類的預設網絡網絡模型，訓練得到適用于不同圖像處理任務的網絡模型，從而能夠完成對不同域的圖像的不同處理任務。