[发明专利]图像处理模型训练方法及相关装置、设备和存储介质

说明书

本申请公开了一种图像处理模型训练方法及相关装置、设备和存储介质，方法包括：获取样本图像集；其中，样本图像集包括第一样本图像和样本相关图像，第一样本图像标注有目标对象的样本轮廓，样本相关图像的像素点的像素值表示包括第一样本图像中的第一像素点与样本轮廓的样本相关度；利用第一处理模型对第一样本图像进行预测，得到预测图像集；其中，预测图像集包括预测相关图像，预测相关图像包括第一像素点经预测与样本轮廓的预测相关度；基于样本相关图像与预测相关图像，获取第一差异；基于第一差异，调整第一处理模型的网络参数。通过该方法，实现了利用弱标签数据对第一处理模型的训练。

技术领域

本申请涉及深度学习技术领域，特别是涉及一种图像处理模型训练方法及相关装置、设备和存储介质。

背景技术

深度学习的快速发展，神经网络算法的日益改进，计算准确度也相应提高。目前，各行各业使用神经网络模型进行工作已经成为常态。例如，在医学领域，利用神经网络模型进行医学图像分割。又如，在交通领域，利用神经网络模型进行车辆识别。

目前，需要使用相当多的像素级的稠密标注数据来对模型进行训练才能获得比较的效果。但是，像素级的稠密标注数据获得具有一定的难度，成本较高，这也使得训练神经网络的成本较高，限制了神经网络的进一步普及。

因此，如何改进神经网络的训练方法，使得即使面对稀疏标注，也能够训练神经网络，满足一定的精度要求，对于促进神经网络模型的进一步普及，具有重要的意义。

发明内容

本申请至少提供一种图像处理模型训练方法及相关装置、设备和存储介质。

本申请第一方面提供了一种图像处理模型训练方法，方法包括：获取样本图像集；其中，样本图像集包括第一样本图像和样本相关图像，第一样本图像标注有目标对象的样本轮廓，样本相关图像的像素点的像素值表示包括第一样本图像中的第一像素点与样本轮廓的样本相关度；利用第一处理模型对第一样本图像进行预测，得到预测图像集；其中，预测图像集包括预测相关图像，预测相关图像包括第一像素点经预测与样本轮廓的预测相关度；基于样本相关图像与预测相关图像，获取第一差异；基于第一差异，调整第一处理模型的网络参数。

因此，通过利用第一处理模型对第一样本图像进行预测并设置来得到预测相关图像，并基于样本相关图像与预测相关图像的差异来调整第一处理模型的网络参数，实现了对模型的训练。另外，因为样本相关图像是基于第一样本图像而得到的，且第一样本图像的标注信息(样本轮廓)可以认为是弱标签信息，因此也实现了利用弱标签数据对第一处理模型的训练，从而在标注稀少的情况下，通过深度挖掘、学习像素点与轮廓之间的相关度，来尽可能地提升模型精度。

其中，上述的样本相关度通过结合第一像素点和若干参考维度确定；其中，若干参考维度包括像素差异、像素距离中至少一者。

因此，对于第一像素点，通过综合包括第一像素点，以及像素差异、像素距离中至少一者，可以获得第一像素点样本轮廓的样本相关度，进而后续可以将样本相关图像作为辅助训练的标注信息，用于后续的训练，提高训练效果。

其中，上述的第一样本图像为医学图像，目标对象为目标组织，所述目标对象的样本轮廓为所述目标组织的样本轮廓。

因此，通过限定第一样本图像为医学图像，目标对象为目标组织，以此实现了利用包括目标组织的医学图像来对模型进行训练。

其中，上述的样本相关图像的获取步骤，包括：基于第一像素点分别与样本轮廓上各个像素点之间的距离，选择一个像素点作为第一像素点的参考像素点；基于第一像素点与参考像素点之间的像素距离和/或像素差异，得到第一像素点与样本轮廓的样本相关度；基于各个第一像素点的样本相关度，得到样本相关图像。

因此，通过从样本轮廓上各个像素点中选择一个作为参考像素点，使得后续能够基于第一像素点与参考像素点之间的像素距离和/或像素差异来得到第一像素点与样本轮廓的样本相关度，进而得到样本相关图像。