[发明专利]模型训练方法及装置、图像分割方法、设备、存储介质

说明书

本发明公开了一种模型训练方法及装置、图像分割方法、设备、存储介质。其中，模型训练方法用于训练图像填充模型，方法包括：获取包含第一特征的第一图像；对第一图像进行超像素分割处理，以得到第一数量的超像素；获取第一子图像和第二子图像；将第一样本图像、第二样本图像、第三样本图像输入至预设的原始填充模型中进行训练处理，得到图像填充模型；其中，第一样本图像为对第一图像的第一子图像、第二子图像进行灰度值置零处理的图像，第二样本图像为第一子图像的二值图像，第三样本图像为第二子图像的二值图像；图像填充模型用于进行图像复原操作。本发明能够使用无标签的第一图像实现对目标模型的预处理。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种模型训练方法及装置、图像分割方法、设备、存储介质。

背景技术

目前，通过将目标模型在大型自然数据库(ImageNet)上进行预训练，以实现对目标模型的初始化操作，并加速目标模型在训练过程中的收敛。

相关技术中，上述预训练针对的任务为分类任务，相较于分割任务而言差距较大。同时，大型自然数据库中的自然图像与医学图像也存在较大差距，即将自然图像上的预训练策略应用至医学图像数据集上时不能获得预期效果。另外，在大型自然数据库上进行预训练无法利用无标注的医学图像，从而对目标模型的训练性能造成影响。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种模型训练方法及装置、图像分割方法、设备、存储介质，能够使用无标签的医学图像实现对目标模型的预处理。

根据本发明的第一方面实施例的模型训练方法，用于训练图像填充模型，所述方法包括：

获取包含第一特征的第一图像；

对所述第一图像进行超像素分割处理，以得到第一数量的超像素；

获取第一子图像和第二子图像；其中，所述第一子图像和所述第二子图像的数量之和为第二数量；所述第一子图像表示包含所述第一特征的所述超像素，所述第二子图像表示包含第二特征的所述超像素；

将第一样本图像、第二样本图像、第三样本图像输入至预设的原始填充模型中进行训练处理，得到所述图像填充模型；其中，所述第一样本图像为对所述第一图像的所述第一子图像、所述第二子图像进行灰度值置零处理的图像，所述第二样本图像为所述第一子图像的二值图像，所述第三样本图像为所述第二子图像的二值图像；所述图像填充模型用于进行图像复原操作。

根据本发明实施例的模型训练方法，至少具有如下有益效果：通过原始填充模型对无标签的第一图像进行学习，并学习得到第一子图像的先验知识和第二子图像的先验知识，从而为下游任务中图像分割模型的训练奠定基础。由此可知，本申请实施例实现了对目标模型为分割任务的预训练，并且，本申请实施例能够使用无标签图像数据进行预训练，避免了相关技术中医学图像因存在数据量少、数据标注困难、数据隐私等因素，而造成无法进行有效预训练的问题。

根据本发明的一些实施例，所述获取第一子图像和第二子图像，包括：

获取转换图像；其中，所述转换图像为对所述第一图像进行HSV空间转换得到的图像；

根据所述转换图像的色调数据、所述转换图像的饱和度数据、预设的权重值得到所述转换图像的像素值；

根据所述像素值得到选取概率；

根据所述选取概率与所述第一特征的关系从所述转换图像中得到所述第一子图像，根据所述选取概率与所述第二特征的关系从所述转换图像中得到所述第二子图像。

根据本发明的一些实施例，所述方法还包括：

对所述第一图像进行处理操作；其中，所述处理操作包括图像旋转分类操作、图像填充操作、图像上色操作中的任一种；