[发明专利]识别医学图像中的目标的模型训练、方法、设备及介质

说明书

本公开描述了一种识别医学图像中的目标的模型训练、方法、设备及介质。模型训练包括获取作为训练样本的医学图像和训练样本中的目标对应的标注区域；确定标注区域对应的区域分割结果，利用训练样本和区域分割结果构建训练集，其中，通过对标注区域内的图像数据进行欠分割以获取区域分割结果；并且基于训练集训练待训练模型，并利用训练损失函数优化待训练模型，其中，在训练损失函数中，利用空间权重减小训练样本中的第一区域的像素对待训练模型的负面影响，第一区域为训练样本中的标注区域内的目标的目标区域以外的区域，目标区域由区域分割结果确定。由此，能够有效地对小目标进行识别。

技术领域

本公开涉及基于人工智能的图像处理领域，具体涉及一种识别医学图像中的目标的模型训练、方法、设备及介质。

背景技术

近些年来，人工智能技术在计算机视觉领域中取得了巨大的成就。例如，深度学习技术在语义分割、图像分类和目标识别等方面的应用越来越广泛。特别在医学领域，常常通过对医学图像中的目标进行分割、识别或分类以辅助对目标进行分析。

目前，深度学习目标识别技术对大尺寸的目标可以获得较高的识别准确度，但是对小目标(例如细物体或小物体)的识别性能却不尽人意，容易造成漏报和虚警的情况，并且区别小目标的类别也很困难。例如，在眼底图像中，点状出血和微血管瘤等小目标体征由于目标小、颜色浅、颜色接近，因此在深度学习进行目标识别时不易发现，也不易区分。因此，如何有效地对小目标进行识别还有待于研究。

发明内容

本公开是有鉴于上述现有技术的状况而提出的，其目的在于提供一种能够有效地对小目标进行识别的识别医学图像中的目标的模型训练、方法、设备及介质。

为此，本公开第一方面提供一种识别医学图像中的目标的模型训练方法，包括：获取作为训练样本的所述医学图像和所述训练样本中的所述目标对应的标注区域；确定所述标注区域对应的区域分割结果，并利用所述训练样本和所述区域分割结果构建训练集，其中，通过对所述标注区域内的图像数据进行欠分割以获取所述区域分割结果；并且基于所述训练集训练待训练模型，并利用训练损失函数优化所述待训练模型，其中，在所述训练损失函数中，利用空间权重减小所述训练样本中的第一区域的像素对所述待训练模型的负面影响，所述第一区域为所述训练样本中的所述标注区域内的所述目标的目标区域以外的区域，所述目标区域由所述区域分割结果确定。在这种情况下，通过对训练样本中标注区域内的图像数据进行欠分割以识别标注区域内未确定类别的像素，并结合空间权重对待训练模型进行训练以减小标注区域内的未确定类别的像素对待训练模型的负面影响，进而能够使训练后的待训练模型对输入图像的预测结果的准确性提高。由此，能够有效地对小目标进行识别。

另外，在本公开的第一方面所涉及的模型训练方法中，可选地，获取所述区域分割结果进一步包括：基于所述训练样本中所述标注区域对应的图像数据获取待分割图像数据、或基于所述训练样本中所述标注区域对应的图像数据以及感兴趣分割结果中所述标注区域对应的图像数据获取所述待分割图像数据，其中，所述感兴趣分割结果为用于识别所述训练样本的感兴趣区域的二值图像；并且利用目标分割阈值对所述待分割图像数据进行阈值分割，进而获取所述区域分割结果，其中，所述区域分割结果为二值图像。在这种情况下，能够通过阈值分割识别待分割图像数据中的目标区域，并且在标注区域包括感兴趣区域以外的区域时，能够消除感兴趣区域以外的噪声。