[发明专利]图像分割及其模型的训练方法，及其装置、设备、介质

说明书

本申请公开了一种图像分割及其模型的训练方法，及其装置、设备、介质，其中，图像分割模型的训练方法包括：获取若干样本图像；利用包含若干样本图像的训练图像集，对图像分割模型进行训练，该图像分割模型用于预测目标对象的对象类别，目标对象的对象类别数量为目标数量；其中，至少一个样本图像是对已标注的第一源域图像进行模态转换得到；和/或，至少一个样本图像标注的对象类别数量小于目标数量，且若干样本图像标注的对象类别数量之和大于或等于目标数量；和/或，训练图像集还包含对至少一个样本图像进行非线性变换得到的变换图像，能够节省模型的训练成本。

技术领域

本申请涉及图像分割技术领域，特别是涉及一种图像分割及其模型的训练方法，及其装置、设备、介质。

背景技术

目前，很多场景都需要对图像进行分割处理。以医学领域的多器官分割为例，多器官分割是手术规划和图像引导放射治疗的一大关键步骤。例如，在CT(ComputedTomography，计算机断层扫描)和MRI(Magnetic Resonance Imaging，核磁共振扫描)等医学图像上进行多器官分割，以确定医学图像上各器官对应的区域。故此，训练出适用于多器官分割的图像分割模型具有较高的应用价值。

近年来，基于深度学习的图像分割模型在各类分割任务中展现了传统分割算法不可比拟的优势。然而，这类基于深度学习的分割算法往往训练成本比较高，例如由于分割算法强依赖于大量标注数据，人力消耗巨大，进而导致训练成本高；或者分割算法泛化能力低，很难对模型进行有效训练，进而导致训练成本高。因此，如何节省图像分割模型的训练成本成为亟待解决的问题。

发明内容

本申请至少提供一种图像分割及其模型的训练方法，及其装置、设备、介质。

本申请第一方面提供了一种图像分割模型的训练方法，所述方法包括：获取若干样本图像；利用包含所述若干样本图像的训练图像集，对图像分割模型进行训练，其中，所述图像分割模型用于预测目标对象的对象类别，所述目标对象的对象类别数量为目标数量；其中，至少一个所述样本图像是对已标注的第一源域图像进行模态转换得到；和/或，至少一个所述样本图像标注的所述对象类别数量小于所述目标数量，且所述若干样本图像标注的对象类别数量之和大于或等于所述目标数量；和/或，所述训练图像集还包含对至少一个所述样本图像进行非线性变换得到的变换图像。

因此，获取若干样本图像后，利用包含若干样本图像的训练图像集对图像分割模型进行训练，该图像分割模型用于预测目标对象的对象类别，且目标对象的对象类别数量为目标数量，由于至少一个样本图像可以是对已标注的第一源域图像进行模态转换得到，从而通过模态转换得到其他模态的样本图像，无需对其他模态的样本图像进行人工标注，减少人工标注的人力消耗，故节省模型的训练成本；和/或，由于至少一个样本图像标注的对象类别数量小于目标数量，且该若干样本图像标注的对象类别数量之和大于或等于目标数量，从而无需所有样本图像均进行对所有对象类别的标注，减少人工标注的人力消耗，故节省模型的训练成本；和/或，训练图像集还包含对至少一个样本图像进行非线性变换得到的变换图像，从而可以结合样本图像和对该样本图像进行非线性变换得到的变换图像对模型进行训练，降低模型对图像灰度的依赖，提高模型的泛化性能，故可提高对模型的有效训练，进而节省模型的训练成本。因此，通过在模型训练过程采用至少一个上述手段，可节省模型的训练成本。

在一些公开实施例中，在至少一个所述样本图像是对已标注的第一源域图像进行模态转换得到的情况下，；所述获取若干样本图像，包括：利用模态转换模型对所述第一源域图像进行至少一种模态转换，得到至少一张所述第一样本图像，其中每张所述第一样本图像是经过一种所述模态转换得到，且每种所述模态转换对应的目标域不同。

因此，将第一源域图像转换为其他模态，即可得到其他模态的样本图像，节省对其他模态的样本图像进行人工标注的成本；并且针对多模态图像分割问题，利用模态转换模型进行多模态无监督图像转化，可以将源域的样本图像转换为多个目标域的样本图像，为各个目标域生成对应的训练样本，从而大幅减少多模态样本图像标注的压力。