[发明专利]分割模型训练方法、图像标注方法及相关装置

说明书

本发明公开了人工智能领域的一种分割模型训练方法，包括：获取第一样本集S和第二样本集R，其中，第一样本集S包括多张第一图像及多张第一图像中每张第一图像的目标标签，第二样本集R包括多张第二图像；根据第一样本集S中的多张第一图像及其目标标签和第二样本集R中的多张第二图像对初始分割模型进行ASTO训练，以得到目标分割模型，初始分割模型是根据第一样本集S对原始模型进行训练得到的。采用本发明实施例训练得到的分割模型可克服对于图像可用标注数量较少，标注成本昂贵的问题。

技术领域

本发明涉及人工智能领域，尤其涉及一种分割模型训练方法、图像标注方法及相关装置。

背景技术

人工智能(artificialintelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能领域的研究包括机器人，自然语言处理，计算机视觉，决策与推理，人机交互，推荐与搜索，AI基础理论等。

图像分析是计算机视觉中的重要任务之一，它可以提供很多相关的信息从而辅助医生进行病情诊疗。对图像中的目标进行分割是实现医疗影像内容分析的基础，通过分割技术可以直接地找到器官区域、判断是否存在病灶、病灶的大小和位置等。在手术导航、病情分析判断等方面具有广泛的应用。

深度学习使得图像分割技术的准确率实现了显著的提升，但是在图像的一些处理场景中效果却不是那么理想。深度神经网络的学习很大程度上依赖于庞大的标注数据，这就使得神经网络在图像上的学习效果不如在自然图像上的学习效果。图像相比自然图像获取难度更大，从数据的采集到数据的公开都存在许多困难，在数量上也远不如自然图像。图像另一个区别于自然图像的是数据维度。图像大部分是通过空间采样得到的，它不仅包含一个切面的2D图像信息，还包含空间中每个体素位置的信息。因此，常采用2D和3D两类神经网络来处理这些数据，而其中3D网络可用的数据量比2D网络更少。更重要的是对自然图像进行标注不需要太高的专业水平，但是图像的标注却需要专业的医疗人员进行标注，不同医疗人员的标注细致程度同样存在差异，而且分割样本集的标注工作量也远高于分类检测等任务。

随着医疗水平的提升，每天都会产生很多图像数据，但是这些数据往往都是没有标注信息的原始数据。如何充分利用这些大量的没有标注信息的图像，减少网络对于数据标注的过分依赖，对于进一步提高图像分析能力十分重要。

发明内容

本发明实施例提供一种分割模型训练方法、图像标注方法及相关装置，采用本发明实施例得到的分割模型有利于克服对于图像可用标注数量较少，标注成本昂贵的问题。

第一方面，本发明实施例提供一种分割模型训练方法，包括：

获取第一样本集S和第二样本集R，其中，第一样本集S包括多张第一图像及多张第一图像中每张第一图像的目标标签，第二样本集R包括多张第二图像；根据第一样本集S中的多张第一图像及其目标标签和第二样本集R中的多张第二图像对初始分割模型进行异构老师-学生优化(Asynchronous teacher-student optimization，ASTO)训练，以得到目标分割模型，初始分割模型是根据所述第一样本集S对原始模型进行训练得到的。

通过基于ASTO训练得到的分割模型，使用该分割模型对图像进行标注，克服了图像可用标注数量较少，标注成本昂贵的问题，并且提高了对图像进行标注的效率和准确性。