[发明专利]一种图像分割模型的训练方法及相关装置

说明书

本申请公开了一种图像分割模型的训练方法及相关装置，方法包括对测试图像集中的测试图像进行数据增强得到若干增强测试图像；通过预分割模型确定测试图像的预测概率图及各增强测试图像的预测概率图，并基于各预测概率图确定母版概率图；基于母版概率图确定若干最大联合掩码图并基于若干最大联合掩码图确定伪标签；基于各伪标签微调分割模型的模型参数，以得到图像分割模型。本申请通过自我监督学习方来在线调节分割模型，并使用测试时期数据增强的方式来生成可靠的伪标签来驱动分割模型的在线学习，并根据伪标签的一致性程度来动态地停止学习，从而可以提高图像分割模型的模型性能以及泛化程度。

技术领域

本申请涉及医学图像处理技术领域，特别涉及一种图像分割模型的训练方法及相关装置。

背景技术

基于数据驱动的学习算法在各种关键且具有挑战性的任务中都取得了重大突破，但它的假设前提是模型训练所用的数据和测试时的数据都是从同一分布中独立采样获得的。然而由于受到成像设备、成像参数，甚至不同操作员、成像时间点等因素的影响，医学图像中会存在典型的灰度分布漂移问题，从而使得基于训练数据所学习到的智能模型在医学图像时，会出现预测准确差以及缺乏泛化性。

因而现有技术还有待改进和提高。

发明内容

本申请要解决的技术问题在于，针对现有技术的不足，提供一种图像分割模型的训练方法及相关装置。

为了解决上述技术问题，本申请实施例第一方面提供了一种图像分割模型的训练方法，所述的训练方法包括：

对测试图像集中的测试图像进行数据增强，以得到若干增强测试图像；

通过预训练的分割模型确定所述测试图像的预测概率图及各增强测试图像的预测概率图，并基于确定的各预测概率图确定母版概率图；

分别基于若干预设阈值中的每个预设阈值对所述母版概率图进行划分，以得到若干最大联合掩码图；

基于若干最大联合掩码图确定所述测试图像和各增强测试图像的伪标签；

基于各伪标签微调所述分割模型，并继续执行对测试图像集中的测试图像进行数据增强的步骤直至满足微调结束条件，以得到图像分割模型。

所述图像分割模型的训练方法，其中，所述基于确定的各预测概率图确定母版概率图具体包括：

分别对各增强测试图像各自对应的预测概率图进行逆增强操作，以得到各增强测试图像各自对应的候选测试概率图；

将各候选测试概率图以及所述测试图像对应的预测概率图相加以得到母版概率图。

所述图像分割模型的训练方法，其中，所述分别基于若干预设阈值中的每个预设阈值对所述母版概率图进行划分，以得到若干最大联合掩码图具体包括：

选取若干预设阈值，其中，若干预设阈值包括小于预测概率图的数量的所有整数；

对于每个预设阈值，获取所述母版概率图中的各像素的像素值与所述预设阈值的差值中的最大差值，并基于所述最大差值与1中的最小值生成所述预设阈值对应的最大联合掩码图，以得到若干最大联合掩码图。

所述图像分割模型的训练方法，其中，所述基于若干最大联合掩码图确定所述测试图像和各增强测试图像的伪标签具体包括：

在若干最大联合掩码图中选取预设数量的最大联合掩码图形成伪标签集；

采用距离相似性指标在所述伪标签集中选取各预测概率图各自对应的伪标签，以得到所述测试图像和各增强测试图像的伪标签。

所述图像分割模型的训练方法，其中，所述基于各伪标签微调所述分割模型，并继续执行对测试图像集中的测试图像进行数据增强的步骤直至满足微调结束条件，以得到图像分割模型具体包括：