CN114926471B - 一种图像分割方法、装置、电子设备及存储介质 - Google Patents
一种图像分割方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114926471B CN114926471B CN202210570543.1A CN202210570543A CN114926471B CN 114926471 B CN114926471 B CN 114926471B CN 202210570543 A CN202210570543 A CN 202210570543A CN 114926471 B CN114926471 B CN 114926471B
- Authority
- CN
- China
- Prior art keywords
- data set
- focus
- lesion
- image segmentation
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 230000003902 lesion Effects 0.000 claims description 150
- 238000000605 extraction Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 16
- 230000006870 function Effects 0.000 description 9
- 238000011176 pooling Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 description 1
- 101150064138 MAP1 gene Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种图像分割方法、装置、电子设备及存储介质,包括:获取第一数据集;获取学生模型和教师模型;获取第二标签;利用教师模型从第一数据集中提取第一特征图;利用学生模型从第一数据集中提取第二特征图;根据第一特征图和第二特征图计算第二损失值;利用第二损失值对学生模型的参数进行更新;利用教师模型对第一数据集进行图像分割,得到第一概率图集;利用学生模型对第一数据集进行图像分割,得到第二概率图集;利用第一概率图集、第二概率图集、第一标签和第一预设值计算第一损失值;利用第一损失值对学生模型的参数进行更新,得到多病灶分割模型;利用多病灶分割模型对图像数据进行图像分割,得到多病灶分割结果。
Description
技术领域
本发明涉及数据识别、图像处理、深度学习领域,尤其涉及一种图像分割方法、装置、电子设备及存储介质。
背景技术
现有的对于图像数据进行图像分割方法都是仅针对单一病灶采集数据并进行专家标注,再使用数据训练单一病灶的图像分割模型对图像数据进行单一病灶的图像分割,但是在一个图像数据中往往同时存在多种病灶,需要同时对多种病灶进行图像分割,如果仅利用现有方法则需要针对多种病灶采集数据并进行专家标注,再使用这些数据训练多个单一病灶的图像分割模型,将图像数据输入多个单一病灶的图像分割模型针对每个单一病灶输出结果,导致对图像数据进行多病灶图像分割的效率过低,且训练多个单一病灶的图像分割模型需要大量的时间成本,导致效率过低。
发明内容
本发明提供一种图像分割方法、装置、电子设备及存储介质,以至少解决现有技术中存在的以上技术问题。
本发明一方面提供一种图像分割方法,包括:
获取N个第一数据集,所述N个第一数据集中分别包含N个病灶种类中的一种病灶种类的第一标签;
获取学生模型和N个教师模型,所述N个教师模型分别能够针对所述N个病灶种类中的一种病灶种类进行图像分割;
获取所述第一数据集的第一标签对应的病灶种类外的其余N-1个病灶种类的第二标签;
利用针对病灶种类与所述第一数据集的第一标签的病灶种类相同的教师模型对该第一数据集进行特征提取,得到N个第一特征图;
利用学生模型对所述N个第一数据集进行特征提取,得到N个第二特征图;
根据所述N个第一特征图和所述N个第二特征图计算第二损失值;
利用所述第二损失值对所述学生模型的参数进行更新;
利用所述N个教师模型对所述N个第一数据集进行单病灶图像分割,得到N*N个第一概率图集;
利用所述学生模型对所述N个第一数据集进行多病灶图像分割,得到N*N个第二概率图集;
利用所述N*N个第一概率图集、所述N*N个第二概率图集、N个第一数据集的第一标签和第一预设值计算第一损失值;
利用所述第一损失值对所述学生模型的参数进行更新,得到多病灶分割模型;
利用所述多病灶分割模型对图像数据进行图像分割,得到多病灶分割结果。
其中,所述获取N个教师模型,包括:
利用所述N个第一数据集分别对原始模型进行训练,得到N个分别能够针对所述N个病灶种类中的一种病灶种类进行图像分割的教师模型。
其中,所述获取所述第一数据集的第一标签对应的病灶种类外的其余N-1个病灶种类的第二标签,包括:
利用除针对病灶种类与所述第一数据集的第一标签的病灶种类相同的教师模型外的其余N-1个教师模型对所述第一数据集进行图像分割,得到所述第一数据集的除第一标签的病灶种类外的其余N-1个病灶种类的第二标签。
其中,所述利用所述N*N个第一概率图集、所述N*N个第二概率图集和第一预设值计算第一损失值,包括:
对所述N*N个第二概率图集进行遍历;
其中,响应于当前第二概率图集对应的病灶种类与该第二概率图集对应的第一数据集的第一标签的病灶种类相同,则计算该第二概率图集与该第二概率图集对应的第一数据集的第一标签的交叉熵损失,得到第一交叉熵损失;
或,响应于当前第二概率图集对应的病灶种类与该第二概率图集对应的第一数据集的第一标签的病灶种类不同,则找到与该第二概率图集对应的病灶种类和对应的第一数据集均相同的第一概率图集,计算该第一概率图集和该第二概率图集之间的交叉熵损失并乘以第一预设值,得到第二交叉熵损失;
所述遍历结束后,计算所有第一交叉熵损失和第二交叉熵损失的总和,得到第一损失值。
其中,所述根据所述N个第一特征图和所述N个第二特征图计算第二损失值,包括:
对于每个第一特征图,计算该第一特征图中的各个像素值与对应的第二特征图中对应的像素值的差值的平方,并将得到的各个像素值差值的平方相加,得到第一子损失值;
计算所有第一子损失值的总和,得到第二损失值。
本发明另一方面提供一种图像分割装置,包括:
采集模块,用于获取N个第一数据集,所述N个第一数据集中分别包含N个病灶种类中的一种病灶种类的第一标签;
训练模块,用于获取学生模型和N个教师模型,所述N个教师模型分别能够针对所述N个病灶种类中的一种病灶种类进行图像分割;
图像分割模块,用于获取所述第一数据集的第一标签对应的病灶种类外的其余N-1个病灶种类的第二标签;
特征提取模块,用于利用针对病灶种类与所述第一数据集的第一标签的病灶种类相同的教师模型对该第一数据集进行特征提取,得到N个第一特征图;
所述特征提取模块,还用于利用学生模型对所述N个第一数据集进行特征提取,得到N个第二特征图;
计算模块,用于根据所述N个第一特征图和所述N个第二特征图计算第二损失值;
所述训练模块,还用于利用所述第二损失值对所述学生模型的参数进行更新;
所述图像分割模块,还用于利用所述N个教师模型对所述N个第一数据集进行单病灶图像分割,得到N*N个第一概率图集;
所述图像分割模块,还用于利用所述学生模型分别对所述N个第一数据集进行多病灶图像分割,得到N*N个第二概率图集;
所述计算模块,还用于利用所述N*N个第一概率图集、所述N*N个第二概率图集、N个第一数据集的第一标签和第一预设值计算第一损失值;
所述训练模块,还用于利用所述第一损失值对所述学生模型的参数进行更新,得到多病灶分割模型;
所述图像分割模块,还用于利用所述多病灶分割模型对图像数据进行图像分割,得到多病灶分割结果。
其中,所述训练模块,还用于利用所述N个第一数据集分别对原始模型进行训练,得到N个分别能够针对所述N个病灶种类中的一种病灶种类进行图像分割的教师模型。
其中,所述图像分割模块,还用于利用除针对病灶种类与所述第一数据集的第一标签的病灶种类相同的教师模型外的其余N-1个教师模型对所述第一数据集进行图像分割,得到所述第一数据集的除第一标签的病灶种类外的其余N-1个病灶种类的第二标签。
其中,所述计算模块,还用于对所述N*N个第二概率图集进行遍历;
所述计算模块,还用于其中,响应于当前第二概率图集对应的病灶种类与该第二概率图集对应的第一数据集的第一标签的病灶种类相同,则计算该第二概率图集与该第二概率图集对应的第一数据集的第一标签的交叉熵损失,得到第一交叉熵损失;
所述计算模块,还用于或,响应于当前第二概率图集对应的病灶种类与该第二概率图集对应的第一数据集的第一标签的病灶种类不同,则找到与该第二概率图集对应的病灶种类和对应的第一数据集均相同的第一概率图集,计算该第一概率图集和该第二概率图集之间的交叉熵损失并乘以第一预设值,得到第二交叉熵损失;
所述计算模块,还用于所述遍历结束后,计算所有第一交叉熵损失和第二交叉熵损失的总和,得到第一损失值。
其中,所述计算模块,还用于对于每个第一特征图,计算该第一特征图中的各个像素值与对应的第二特征图中对应的像素值的差值的平方,并将得到的各个像素值差值的平方相加,得到第一子损失值;
所述计算模块,还用于计算所有第一子损失值的总和,得到第二损失值。
本发明再一方面提供一种电子设备,包括:处理器、通信接口、存储器和通信总线;
其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现本发明所述的图像分割方法。
本发明还一方面提供一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序用于执行本发明所述的图像分割方法。
在本发明上述方法中,利用针对病灶种类与第一数据集的第一标签的病灶种类相同的教师模型对第一数据集进行特征提取得到的N个第一特征图和利用学生模型对N个第一数据集进行特征提取得到的第二特征图计算第二损失值,再利用第二损失值对学生模型的参数进行更新,能够使得学生模型能够学习到各个教师模型对对应病灶种类的特征提取能力,提高了学生模型对图像数据的特征提取能力,进而提升对图像进行分割的准确度,而通过利用每个教师模型对N个第一数据集进行单病灶图像分割,得到对应N个第一数据集的N个病灶种类的第一概率图集,利用学生模型对N个第一数据集进行多病灶图像分割,得到对应N个第一数据集的N个病灶种类的第二概率图集,利用第一概率图集、第二概率图集、第一标签和第一预设值计算第一损失值,根据第一损失值对学生模型的参数进行更新,得到多病灶分割模型,使得多病灶分割模型能够学习到每个教师模型对于自身针对的单病灶进行图像分割的能力,提高了多病灶分割模型对于图像数据进行多病灶图像分割的准确度,提高了对图像数据进行多病灶图像分割的效率。
附图说明
图1示出了本发明一实施例提供的图像分割方法流程示意图;
图2示出了本发明一实施例提供的获取第一概率图集和第二概率图集的方法示意图;
图3示出了本发明一实施例提供的获取教师模型的方法示意图;
图4示出了本发明一实施例提供的提取第一特征图和第二特征图的方法示意图;
图5示出了本发明一实施例提供的图像分割装置结构示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了提高对图像数据进行多病灶图像分割的效率,如图1所示,本发明一实施例提供了一种图像分割方法,该方法包括:
步骤101,获取N个第一数据集,所述N个第一数据集中分别包含N个病灶种类中的一种病灶种类的第一标签。
采集N个第一数据集,N个第一数据集中分别包含N个病灶种类中的一种病灶种类的第一标签,第一标签为专家进行标注的标签;
例如,有A、B和C三种病灶种类,那么采集3个第一数据集,第一个第一数据集中包含有专家标注的A病灶种类的第一标签,第二个第一数据集中包含有专家标注的B病灶种类的第一标签,第三个第一数据集中包含有专家标注的C病灶种类的第一标签。
步骤102,获取学生模型和N个教师模型,所述N个教师模型分别能够针对所述N个病灶种类中的一种病灶种类进行图像分割。
获取学生模型和N个教师模型,N个教师模型分别能够针对N个病灶种类中的一种病灶种类进行图像分割;
本实施例中,可选用任意的图像分割模型作为学生模型。
步骤103,获取所述第一数据集的第一标签对应的病灶种类外的其余N-1个病灶种类的第二标签。
例如,有A、B和C三种病灶种类,采集的三个第一数据集的第一标签的病灶种类分别是A、B和C,对于第一标签的病灶种类为A病灶种类的第一数据集,获取该第一数据集B和C病灶种类的第二标签,对于第一标签的病灶种类为B病灶种类的第一数据集,获取该第一数据集A和C病灶种类的第二标签,对于第一标签的病灶种类为C病灶种类的第一数据集,获取该第一数据集A和B病灶种类的第二标签;
第二标签可以是专家标注的标签,也可以是利用图像分割模型对第一数据集进行识别后得到的标签。
步骤104,利用针对病灶种类与所述第一数据集的第一标签的病灶种类相同的教师模型对所述第一数据集进行特征提取,得到N个第一特征图。
如图4所示,将第一数据集1输入教师模型1,教师模型1对第一数据集1进行特征提取后输出第一特征图1,其中,第一数据集1的第一标签的病灶种类需要与教师模型1针对的病灶种类相同,将第一数据集2输入教师模型2,教师模型2对第一数据集2进行特征提取后输出第一特征图2,其中,第一数据集2的第一标签的病灶种类需要与教师模型2针对的病灶种类相同,将第一数据集3输入教师模型3,教师模型3对第一数据集3进行特征提取后输出第一特征图3,其中,第一数据集3的第一标签的病灶种类需要与教师模型3针对的病灶种类相同,将第一数据集N输入教师模型N,教师模型N对第一数据集N进行特征提取后输出第一特征图N,其中,第一数据集N的第一标签的病灶种类需要与教师模型N针对的病灶种类相同;
例如,采集有第一标签的病灶种类分别为A、B和C的第一数据集,三个教师模型分别针对A、B和C病灶种类进行图像分割,则利用针对A病灶种类进行图像分割的教师模型对第一标签的病灶种类分别为A的第一数据集进行特征提取,得到第一个第一特征图,利用针对B病灶种类进行图像分割的教师模型对第一标签的病灶种类分别为B的第一数据集进行特征提取,得到第二个第一特征图,利用针对C病灶种类进行图像分割的教师模型对第一标签的病灶种类分别为C的第一数据集进行特征提取,得到第三个第一特征图;
在得到第一特征图之前,还可以将N个教师模型中encoder模块的输出数据经过与N个教师模型一一对应的N个第一全局平均池化层,得到N个第一特征图。
步骤105,利用学生模型对所述第一数据集进行特征提取,得到N个第二特征图。
如图4所示,将第一数据集1、第一数据集2、第一数据集3和第一数据集N输入学生模型;
例如,采集有第一标签的病灶种类分别为A、B和C的第一数据集,利用学生模型对第一标签的病灶种类分别为A的第一数据集进行特征提取,得到第一个第二特征图,利用学生模型对第一标签的病灶种类分别为B的第一数据集进行特征提取,得到第二个第二特征图,利用学生模型对第一标签的病灶种类分别为C的第一数据集进行特征提取,得到第三个第二特征图;
在得到第二特征图之前,还可以将学生模型中encoder模块的全部输出数据分别输入N个第二全局平均池化层,N个第二全局平均池化层输出得到N个第二特征图,N个第二全局平均池化层与N个第一全局平均池化层也是一一对应的,两者结构相同但参数不同。
步骤106,根据所述N个第一特征图和所述N个第二特征图计算第二损失值。
步骤107,利用所述第二损失值对所述学生模型的参数进行更新。
在步骤104和105中,都是利用图像分割模型中的encoder模块对第一数据集进行特征提取,而在步骤107中,也是对学生模型中的encoder模块的参数进行更新,以使学生模型中的encoder模块能够学习到各个教师模型对对应病灶种类的特征提取能力;
每个教师模型都利用包含有专家标注过的第一标签的第一数据集进行过训练,所以教师模型对于自身针对的病灶种类的图像数据的特征提取效果非常好,通过教师模型对对应病灶种类的第一数据集进行特征提取,输出第一特征图,与学生模型对第一数据集进行特征提取后输出的第二特征图计算第二损失值,最后利用第二损失值对学生模型的参数进行更新,能够使得学生模型能够学习到各个教师模型对对应病灶种类的特征提取能力,提高了学生模型对图像数据的特征提取能力。
步骤108,利用所述N个教师模型对所述N个第一数据集进行单病灶图像分割,得到N*N个第一概率图集。
如图2所示,将第一数据集1、第一数据集2、第一数据集3一直到第一数据集N输入教师模型1,教师模型1为能够针对病灶种类1进行图像分割的模型,教师模型1对这N个第一数据集进行针对病灶种类1的单病灶图像分割,得到第一数据集1-N的病灶种类1的第一概率图集,将第一数据集1、第一数据集2、第一数据集3一直到第一数据集N输入教师模型2,教师模型2为能够针对病灶种类2进行图像分割的模型,教师模型2对这N个第一数据集进行针对病灶种类2的单病灶图像分割,得到第一数据集1-N的病灶种类2的第一概率图集,将第一数据集1、第一数据集2、第一数据集3一直到第一数据集N输入教师模型3,教师模型3为能够针对病灶种类3进行图像分割的模型,教师模型3对这N个第一数据集进行针对病灶种类3的单病灶图像分割,得到第一数据集1-N的病灶种类3的第一概率图集,一直到将第一数据集1、第一数据集2、第一数据集3一直到第一数据集N输入教师模型N,教师模型N为能够针对病灶种类N进行图像分割的模型,教师模型N对这N个第一数据集进行针对病灶种类N的单病灶图像分割,得到第一数据集1-N的病灶种类N的第一概率图集,共得到N个第一数据集的N个病灶种类的共N*N个第一概率图集;
例如,采集的三个第一数据集的第一标签的病灶种类分别是A、B和C,三个教师模型分别针对A、B和C病灶种类进行图像分割,则利用针对A病灶种类进行图像分割的教师模型对第一标签的病灶种类分别是A、B和C的三个第一数据集均进行针对A病灶种类的单病灶图像分割,得到第一标签的病灶种类分别为A、B和C的三个第一数据集的A病灶种类的第一概率图集,利用针对B病灶种类进行图像分割的教师模型对第一标签的病灶种类分别是A、B和C的三个第一数据集均进行针对B病灶种类的单病灶图像分割,得到第一标签的病灶种类分别为A、B和C的三个第一数据集的B病灶种类的第一概率图集,利用针对C病灶种类进行图像分割的教师模型对第一标签的病灶种类分别是A、B和C的三个第一数据集均进行针对C病灶种类的单病灶图像分割,得到第一标签的病灶种类分别为A、B和C的三个第一数据集的C病灶种类的第一概率图集,最后得到三个第一数据集的A、B和C病灶种类的共9个第一概率图集。
步骤109,利用所述学生模型分别对所述N个第一数据集进行多病灶图像分割,得到N*N个第二概率图集。
如图2所示,将第一数据集1、第一数据集2、第一数据集3一直到第一数据集N输入学生模型,学生模型对第一数据集1-N进行多病灶图像分割,得到N个第一数据集的N个病灶种类的共N*N个第二概率图集;
例如,采集的三个第一数据集的第一标签的病灶种类分别是A、B和C,则利用学生模型对第一标签的病灶种类分别是A、B和C的三个第一数据集进行多病灶图像分割,得到第一标签的病灶种类分别为A、B和C的三个第一数据集的A、B和C病灶种类的共9个第二概率图集。
步骤110,利用所述N*N个第一概率图集、所述N*N个第二概率图集、N个第一数据集的第一标签和第一预设值计算第一损失值。
步骤111,利用所述第一损失值对所述学生模型的参数进行更新,得到多病灶分割模型。
步骤112,利用所述多病灶分割模型对图像数据进行图像分割,得到多病灶分割结果。
在本发明上述方法中,利用针对病灶种类与第一数据集的第一标签的病灶种类相同的教师模型对第一数据集进行特征提取得到的N个第一特征图和利用学生模型对N个第一数据集进行特征提取得到的第二特征图计算第二损失值,再利用第二损失值对学生模型的参数进行更新,能够使得学生模型能够学习到各个教师模型对对应病灶种类的特征提取能力,提高了学生模型对图像数据的特征提取能力,进而提升对图像进行分割的准确度,而通过利用每个教师模型对N个第一数据集进行单病灶图像分割,得到N个第一数据集的N个病灶种类的第一概率图集,利用学生模型对N个第一数据集进行多病灶图像分割,得到N个第一数据集的N个病灶种类的第二概率图集,利用第一概率图集、第二概率图集、第一标签和第一预设值计算第一损失值,根据第一损失值对学生模型的参数进行更新,得到多病灶分割模型,使得多病灶分割模型能够学习到每个教师模型对于自身针对的单病灶进行图像分割的能力,提高了多病灶分割模型对于图像数据进行多病灶图像分割的准确度,提高了对图像数据进行多病灶图像分割的效率。
如图3所示,本发明一实施例提供了一种教师模型获取方法,该方法包括:
步骤201,利用所述N个第一数据集分别对原始模型进行训练,得到N个分别能够针对所述N个病灶种类中的一种病灶种类进行图像分割的教师模型。
如图3所示,采集有N个第一数据集,利用第一数据集1对原始模型进行训练,得到教师模型1,训练后得到的教师模型1能够针对第一数据集1的第一标签的病灶种类进行图像分割,利用第一数据集2对原始模型进行训练,得到教师模型2,训练后得到的教师模型2能够针对第一数据集2的第一标签的病灶种类进行图像分割,利用第一数据集3对原始模型进行训练,得到教师模型3,训练后得到的教师模型3能够针对第一数据集3的第一标签的病灶种类进行图像分割,利用第一数据集N对原始模型进行训练,得到教师模型N,训练后得到的教师模型N能够针对第一数据集N的第一标签的病灶种类进行图像分割,原始模型为与学生模型相同的图像分割模型;
例如,采集有三个第一数据集,三个第一数据集的第一标签的病灶种类分别为A、B和C,那么利用第一标签的病灶种类分别为A的第一数据集对原始模型进行训练,得到能够针对A病灶种类的数据进行图像分割的教师模型,同样,利用第一标签的病灶种类分别为B的第一数据集对原始模型进行训练,得到能够针对B病灶种类的数据进行图像分割的教师模型,利用第一标签的病灶种类分别为C的第一数据集对原始模型进行训练,得到能够针对C病灶种类的数据进行图像分割的教师模型;
利用分别包含专家标注的N个病灶种类的第一标签的N个第一数据集分别对同一个原始模型进行训练,能够使得得到的N个教师模型的结构相同,各层的输出数据相同,提高后续对学生模型进行联合训练和参数更新的稳定性。
如图4所示,本发明一实施例提供了一种提高学生模型对图像数据的特征提取能力的方法,该方法包括:
步骤301,利用除针对病灶种类与所述第一数据集的第一标签的病灶种类相同的教师模型外的其余N-1个教师模型对所述第一数据集进行图像分割,得到所述第一数据集的除第一标签的病灶种类外的其余N-1个病灶种类的第二标签。
例如,有A、B和C三种病灶种类,采集的三个第一数据集的第一标签的病灶种类分别是A、B和C,三个教师模型分别针对A、B和C病灶种类进行图像分割,则对于第一标签的病灶种类为A的第一数据集,使用针对B和C病灶种类进行图像分割的教师模型对该第一数据集进行图像分割,得到该第一数据集病灶种类为B和C的第二标签,同样,对于第一标签的病灶种类为B的第一数据集,使用针对A和C病灶种类进行图像分割的教师模型对该第一数据集进行图像分割,得到该第一数据集病灶种类为A和C的第二标签,对于第一标签的病灶种类为C的第一数据集,使用针对A和B病灶种类进行图像分割的教师模型对该第一数据集进行图像分割,得到该第一数据集病灶种类为A和B的第二标签,经过教师模型的图像分割后,第一标签的病灶种类为A的第一数据集中存在病灶种类为A的第一标签和病灶种类为B和C的第二标签,第一标签的病灶种类为B的第一数据集中存在病灶种类为B的第一标签和病灶种类为A和C的第二标签,第一标签的病灶种类为C的第一数据集中存在病灶种类为C的第一标签和病灶种类为A和B的第二标签;
利用针对病灶种类与第一数据集的第一标签的病灶种类不同的教师模型对该第一数据集进行图像分割,得到该第一数据集其他病灶种类的第二标签,使得第一数据集无需专家去标注即可得到对应所有病灶种类的标签,减少了人力成本和标注成本,显著提高了标注的效率。
本发明一实施例提供了一种计算第一损失值的方法,该方法包括:
步骤401,对所述N*N个第二概率图集进行遍历。
从第1个第一数据集的第1个病灶种类的第二概率图集开始遍历,直到第N个第一数据集的第N个病灶种类的第二概率图集为止;
当当前遍历到的第二概率图集对应的病灶种类与该第二概率图集对应的第一数据集的第一标签的病灶种类相同,则执行步骤402;
当当前遍历到的第二概率图集对应的病灶种类与该第二概率图集对应的第一数据集的第一标签的病灶种类不同,则执行步骤403;
当遍历完N*N个第二概率图集后,执行步骤404。
步骤402,其中,响应于当前第二概率图集对应的病灶种类与该第二概率图集对应的第一数据集的第一标签的病灶种类相同,则计算该第二概率图集与该第二概率图集对应的第一数据集的第一标签的交叉熵损失,得到第一交叉熵损失。
例如,采集有第一标签的病灶种类为A的第一数据集1和第一标签的病灶种类为B的第一数据集2,则得到的第一数据集1的病灶种类为A和B的第二概率图集,第一数据集2的病灶种类为A和B的第二概率图集,对这4个第二概率图集进行遍历,当遍历到第一数据集1的病灶种类为A的第二概率图集时,该第二概率图集对应的病灶种类为A,与该第二概率图集对应的第一数据集1的第一标签的病灶种类相同,则计算该第二概率图集与第一数据集1的第一标签的交叉熵损失,得到第一交叉熵损失。
步骤403,或,响应于当前第二概率图集对应的病灶种类与该第二概率图集对应的第一数据集的第一标签的病灶种类不同,则找到与该第二概率图集对应的病灶种类和对应的第一数据集均相同的第一概率图集,计算该第一概率图集和该第二概率图集之间的交叉熵损失并乘以第一预设值,得到第二交叉熵损失。
例如,采集有第一标签的病灶种类为A的第一数据集1和第一标签的病灶种类为B的第一数据集2,则得到的第一数据集1的病灶种类为A和B的第二概率图集,第一数据集2的病灶种类为A和B的第二概率图集,还有第一数据集1的病灶种类为A和B的第一概率图集,第一数据集2的病灶种类为A和B的第一概率图集,对这4个第二概率图集进行遍历,当遍历到第一数据集1的病灶种类为B的第二概率图集时,该第二概率图集对应的病灶种类为A,与该第二概率图集对应的第一数据集1的第一标签的病灶种类不同,则找到第一数据集1的病灶种类为B的第一概率图集,计算该第二概率图集和该第一概率图集之间的交叉熵损失并乘以第一预设值,得到第二交叉熵损失。
步骤404,所述遍历结束后,计算所有第一交叉熵损失和第二交叉熵损失的总和,得到第一损失值。
在遍历完N*N个第二概率图集后,将所有得到的第一交叉熵损失和第二交叉熵损失相加,得到第一损失值;
具体可通过以下公式计算第一损失值LossKD:
其中,N既是第一数据集的总数,也是病灶种类的总数,j和i为变量,LTij为第i个第一数据集的第j个病灶种类对应的标签的种类,为第i个第一数据集的第j个病灶种类对应的第二概率图集,/>为第i个第一数据集的第j个病灶种类对应的第一概率图集,Yt为第一标签,λ为第一预设值,CE为计算交叉熵损失;
公式计算方式为遍历N*N个第二概率图集,当LTij=1时,也就是第i个第一数据集的第j个病灶种类对应的标签为第一标签时,计算第i个第一数据集的第j个病灶种类的第一标签与第i个第一数据集的第j个病灶种类对应的第二概率图集的交叉熵损失,得到第一交叉熵损失,当LTij=2时,也就是第i个第一数据集的第j个病灶种类对应的标签为第二标签时,计算第i个第一数据集的第j个病灶种类的第一概率图集与第i个第一数据集的第j个病灶种类对应的第二概率图集的交叉熵损失并乘以第一预设值,得到第二交叉熵损失,当遍历完N*N个第二概率图集后,将所有第一交叉熵损失和第二交叉熵损失相加,得到第一损失值;
在一可实施方式中,还可以通过softmax函数对学生模型或教师模型中的激活函数的前一层数据进行处理;
学生模型的softmax函数为:
其中,Ps为学生模型中softmax函数的输出,as为学生模型中激活函数的前一层数据,τ为温度系数;
教师模型的softmax函数为:
利用温度系数τ来平滑学生模型和教师模型中激活函数的前一层的输出数据。
本发明一实施例提供了一种计算第二损失值的方法,该方法包括:
步骤501,对于每个第一特征图,计算该第一特征图中的各个像素值与所述N个第二特征图中的任意一个未与第一特征图计算过的第二特征图中对应的各个像素值的差值的平方,并将得到的各个像素值差值的平方相加,得到第一子损失值。
例如,采集有第一标签的病灶种类分别为A、B和C的第一数据集,三个教师模型分别针对A、B和C病灶种类进行图像分割,则能够得到针对A病灶种类进行图像分割的教师模型对第一标签的病灶种类为A的第一数据集提取出的第一特征图针对B病灶种类进行图像分割的教师模型对第一标签的病灶种类为B的第一数据集提取出的第一特征图和针对C病灶种类进行图像分割的教师模型对第一标签的病灶种类为C的第一数据集提取出的第一特征图/>得到的三个第二特征图分别为/>和那么对于第一个第一特征图/>选取第二特征图中的任意一个,此时三个第二特征图均未与第一特征图计算过,所以在该三个第二特征图中随机选取到第二特征图那么计算出该第一特征图和该第二特征图的第一子损失值为(2-5)2+(5-1)2+(4-4)2+(3-6)2=9+16+0+9=34,对于第二个第一特征图/>此时第二特征图/>已与第一特征图计算过了,所以选取剩余的两个第二特征图中的一个,所以在该两个第二特征图中随机选取到第二特征图/>那么计算出该第一特征图和该第二特征图的第一子损失值为(7-5)2+(4-3)2+(3-2)2+(1-3)2=4+1+1+4=10,对于第三个第一特征图/>此时未与第一特征图计算过的第二特征图只剩下第二特征图/>了,那么计算出该第一特征图和该第二特征图的第一子损失值为(5-1)2+(3-2)2+(6-4)2+(2-2)2=16+1+4+0=21。
步骤502,计算所有第一子损失值的总和,得到第二损失值。
将所有第一子损失值相加,得到第二损失值;
具体可通过以下公式计算第二损失值LosSMSE:
其中,N为第一特征图的总数,A为第一特征图的高,B为第一特征图的宽,C为第一特征图的通道数,j和i为变量,Modelj为第j个第一特征图,Sj为第j个第二特征图,为第j个第一特征图中的第i个像素值,/>为第j个第二特征图中的第i个像素值。
本发明一实施例还提供了一种图像分割装置,如图5所示,该装置包括:
采集模块10,用于获取N个第一数据集,所述N个第一数据集中分别包含N个病灶种类中的一种病灶种类的第一标签;
训练模块20,用于获取学生模型和N个教师模型,所述N个教师模型分别能够针对所述N个病灶种类中的一种病灶种类进行图像分割;
图像分割模块30,用于获取所述第一数据集的第一标签对应的病灶种类外的其余N-1个病灶种类的第二标签;
特征提取模块40,用于利用针对病灶种类与所述第一数据集的第一标签的病灶种类相同的教师模型对该第一数据集进行特征提取,得到N个第一特征图;
所述特征提取模块40,还用于利用学生模型对所述N个第一数据集进行特征提取,得到N个第二特征图;
计算模块50,用于根据所述N个第一特征图和所述N个第二特征图计算第二损失值;
所述训练模块20,还用于利用所述第二损失值对所述学生模型的参数进行更新;
所述图像分割模块30,还用于利用所述教师模型对所述N个第一数据集进行单病灶图像分割,得到N*N个第一概率图集;
所述图像分割模块30,还用于利用所述学生模型分别对所述N个第一数据集进行多病灶图像分割,得到N*N个第二概率图集;
所述计算模块50,还用于利用所述N*N个第一概率图集、所述N*N个第二概率图集、N个第一数据集的第一标签和第一预设值计算第一损失值;
所述训练模块20,还用于利用所述第一损失值对所述学生模型的参数进行更新,得到多病灶分割模型;
所述图像分割模块30,还用于利用所述多病灶分割模型对图像数据进行图像分割,得到多病灶分割结果。
其中,所述训练模块20,还用于利用所述N个第一数据集分别对原始模型进行训练,得到N个分别能够针对所述N个病灶种类中的一种病灶种类进行图像分割的教师模型。
其中,所述图像分割模块30,还用于利用除针对病灶种类与所述第一数据集的第一标签的病灶种类相同的教师模型外的其余N-1个教师模型对所述第一数据集进行图像分割,得到所述第一数据集的除第一标签的病灶种类外的其余N-1个病灶种类的第二标签。
其中,所述计算模块50,还用于对所述N*N个第二概率图集进行遍历;
所述计算模块50,还用于其中,响应于当前第二概率图集对应的病灶种类与该第二概率图集对应的第一数据集的第一标签的病灶种类相同,则计算该第二概率图集与该第二概率图集对应的第一数据集的第一标签的交叉熵损失,得到第一交叉熵损失;
所述计算模块50,还用于或,响应于当前第二概率图集对应的病灶种类与该第二概率图集对应的第一数据集的第一标签的病灶种类不同,则找到与该第二概率图集对应的病灶种类和对应的第一数据集均相同的第一概率图集,计算该第一概率图集和该第二概率图集之间的交叉熵损失并乘以第一预设值,得到第二交叉熵损失;
所述计算模块50,还用于所述遍历结束后,计算所有第一交叉熵损失和第二交叉熵损失的总和,得到第一损失值。
其中,所述计算模块50,还用于对于每个第一特征图,计算该第一特征图中的各个像素值与对应的第二特征图中对应的像素值的差值的平方,并将得到的各个像素值差值的平方相加,得到第一子损失值;
所述计算模块50,还用于计算所有第一子损失值的总和,得到第二损失值。
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种图像分割方法,其特征在于,包括:
获取N个第一数据集,所述N个第一数据集中分别包含N个病灶种类中的一种病灶种类的第一标签;
获取学生模型和N个教师模型,所述N个教师模型分别能够针对所述N个病灶种类中的一种病灶种类进行图像分割;
获取所述第一数据集的第一标签对应的病灶种类外的其余N-1个病灶种类的第二标签;
利用针对病灶种类与所述第一数据集的第一标签的病灶种类相同的教师模型对该第一数据集进行特征提取,得到N个第一特征图;
利用学生模型对所述N个第一数据集进行特征提取,得到N个第二特征图;
根据所述N个第一特征图和所述N个第二特征图计算第二损失值;
利用所述第二损失值对所述学生模型的参数进行更新;
利用所述N个教师模型对所述N个第一数据集进行单病灶图像分割,得到N*N个第一概率图集;
利用所述学生模型对所述N个第一数据集进行多病灶图像分割,得到N*N个第二概率图集;
对所述N*N个第二概率图集进行遍历;
其中,响应于当前第二概率图集对应的病灶种类与该第二概率图集对应的第一数据集的第一标签的病灶种类相同,则计算该第二概率图集与该第二概率图集对应的第一数据集的第一标签的交叉熵损失,得到第一交叉熵损失;
或,响应于当前第二概率图集对应的病灶种类与该第二概率图集对应的第一数据集的第一标签的病灶种类不同,则找到与该第二概率图集对应的病灶种类和对应的第一数据集均相同的第一概率图集,计算该第一概率图集和该第二概率图集之间的交叉熵损失并乘以第一预设值,得到第二交叉熵损失;
所述遍历结束后,计算所有第一交叉熵损失和第二交叉熵损失的总和,得到第一损失值;
利用所述第一损失值对所述学生模型的参数进行更新,得到多病灶分割模型;
利用所述多病灶分割模型对图像数据进行图像分割,得到多病灶分割结果。
2.根据权利要求1所述的方法,其特征在于,所述获取N个教师模型,包括:
利用所述N个第一数据集分别对原始模型进行训练,得到N个分别能够针对所述N个病灶种类中的一种病灶种类进行图像分割的教师模型。
3.根据权利要求1所述的方法,其特征在于,所述获取所述第一数据集的第一标签对应的病灶种类外的其余N-1个病灶种类的第二标签,包括:
利用除针对病灶种类与所述第一数据集的第一标签的病灶种类相同的教师模型外的其余N-1个教师模型对所述第一数据集进行图像分割,得到所述第一数据集的除第一标签的病灶种类外的其余N-1个病灶种类的第二标签。
4.根据权利要求3所述的方法,其特征在于,所述根据所述N个第一特征图和所述N个第二特征图计算第二损失值,包括:
对于每个第一特征图,计算该第一特征图中的各个像素值与对应的第二特征图中对应的像素值的差值的平方,并将得到的各个像素值差值的平方相加,得到第一子损失值;
计算所有第一子损失值的总和,得到第二损失值。
5.一种图像分割装置,其特征在于,包括:
采集模块,用于获取N个第一数据集,所述N个第一数据集中分别包含N个病灶种类中的一种病灶种类的第一标签;
训练模块,用于获取学生模型和N个教师模型,所述N个教师模型分别能够针对所述N个病灶种类中的一种病灶种类进行图像分割;
图像分割模块,用于获取所述第一数据集的第一标签对应的病灶种类外的其余N-1个病灶种类的第二标签;
特征提取模块,用于利用针对病灶种类与所述第一数据集的第一标签的病灶种类相同的教师模型对该第一数据集进行特征提取,得到N个第一特征图;
所述特征提取模块,还用于利用学生模型对所述N个第一数据集进行特征提取,得到N个第二特征图;
计算模块,用于根据所述N个第一特征图和所述N个第二特征图计算第二损失值;
所述训练模块,还用于利用所述第二损失值对所述学生模型的参数进行更新;
所述图像分割模块,还用于利用所述N个教师模型对所述N个第一数据集进行单病灶图像分割,得到N*N个第一概率图集;
所述图像分割模块,还用于利用所述学生模型对所述N个第一数据集进行多病灶图像分割,得到N*N个第二概率图集;
所述计算模块,还用于对所述N*N个第二概率图集进行遍历;
所述计算模块,还用于其中,响应于当前第二概率图集对应的病灶种类与该第二概率图集对应的第一数据集的第一标签的病灶种类相同,则计算该第二概率图集与该第二概率图集对应的第一数据集的第一标签的交叉熵损失,得到第一交叉熵损失;
所述计算模块,还用于或,响应于当前第二概率图集对应的病灶种类与该第二概率图集对应的第一数据集的第一标签的病灶种类不同,则找到与该第二概率图集对应的病灶种类和对应的第一数据集均相同的第一概率图集,计算该第一概率图集和该第二概率图集之间的交叉熵损失并乘以第一预设值,得到第二交叉熵损失;
所述计算模块,还用于所述遍历结束后,计算所有第一交叉熵损失和第二交叉熵损失的总和,得到第一损失值;
所述训练模块,还用于利用所述第一损失值对所述学生模型的参数进行更新,得到多病灶分割模型;
所述图像分割模块,还用于利用所述多病灶分割模型对图像数据进行图像分割,得到多病灶分割结果。
6.根据权利要求5所述的装置,包括:
所述训练模块,还用于利用所述N个第一数据集分别对原始模型进行训练,得到N个分别能够针对所述N个病灶种类中的一种病灶种类进行图像分割的教师模型。
7.根据权利要求5所述的装置,包括:
所述图像分割模块,还用于利用除针对病灶种类与所述第一数据集的第一标签的病灶种类相同的教师模型外的其余N-1个教师模型对所述第一数据集进行图像分割,得到所述第一数据集的除第一标签的病灶种类外的其余N-1个病灶种类的第二标签。
8.根据权利要求7所述的装置,包括:
所述计算模块,还用于对于每个第一特征图,计算该第一特征图中的各个像素值与对应的第二特征图中对应的像素值的差值的平方,并将得到的各个像素值差值的平方相加,得到第一子损失值;
所述计算模块,还用于计算所有第一子损失值的总和,得到第二损失值。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序时,实现权利要求1-4任一项所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210570543.1A CN114926471B (zh) | 2022-05-24 | 2022-05-24 | 一种图像分割方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210570543.1A CN114926471B (zh) | 2022-05-24 | 2022-05-24 | 一种图像分割方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114926471A CN114926471A (zh) | 2022-08-19 |
CN114926471B true CN114926471B (zh) | 2023-03-28 |
Family
ID=82810162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210570543.1A Active CN114926471B (zh) | 2022-05-24 | 2022-05-24 | 一种图像分割方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926471B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344896A (zh) * | 2021-06-24 | 2021-09-03 | 鹏城实验室 | 一种胸部ct图像病灶分割模型的训练方法及*** |
WO2022041307A1 (zh) * | 2020-08-31 | 2022-03-03 | 温州医科大学 | 一种构建半监督图像分割框架的方法及*** |
CN114255237A (zh) * | 2021-11-12 | 2022-03-29 | 深圳大学 | 基于半监督学习的图像分割模型的训练方法及分割方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080292194A1 (en) * | 2005-04-27 | 2008-11-27 | Mark Schmidt | Method and System for Automatic Detection and Segmentation of Tumors and Associated Edema (Swelling) in Magnetic Resonance (Mri) Images |
CN102402621A (zh) * | 2011-12-27 | 2012-04-04 | 浙江大学 | 一种基于图像分类的图像检索方法 |
CN111062952B (zh) * | 2018-10-16 | 2022-09-30 | 腾讯科技(深圳)有限公司 | 肺部图像分割设备、方法及存储介质 |
CN109829894B (zh) * | 2019-01-09 | 2022-04-26 | 平安科技(深圳)有限公司 | 分割模型训练方法、oct图像分割方法、装置、设备及介质 |
US11386298B2 (en) * | 2020-01-09 | 2022-07-12 | International Business Machines Corporation | Uncertainty guided semi-supervised neural network training for image classification |
CN111932561A (zh) * | 2020-09-21 | 2020-11-13 | 深圳大学 | 基于集成知识蒸馏的实时肠镜影像分割方法及装置 |
CN113033689A (zh) * | 2021-04-07 | 2021-06-25 | 新疆爱华盈通信息技术有限公司 | 图像分类方法、装置、电子设备及存储介质 |
CN113610126B (zh) * | 2021-07-23 | 2023-12-05 | 武汉工程大学 | 基于多目标检测模型无标签的知识蒸馏方法及存储介质 |
CN113360701B (zh) * | 2021-08-09 | 2021-11-02 | 成都考拉悠然科技有限公司 | 一种基于知识蒸馏的素描图处理方法及其*** |
CN113888518A (zh) * | 2021-10-14 | 2022-01-04 | 重庆南鹏人工智能科技研究院有限公司 | 一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法 |
CN113902761B (zh) * | 2021-11-02 | 2024-04-16 | 大连理工大学 | 基于知识蒸馏的肺部疾病病灶无监督分割方法 |
CN114266897A (zh) * | 2021-12-24 | 2022-04-01 | 深圳数联天下智能科技有限公司 | 痘痘类别的预测方法、装置、电子设备及存储介质 |
CN114511728B (zh) * | 2021-12-24 | 2024-05-14 | 之江实验室 | 一种电子内镜食管病灶智能检测模型建立方法 |
-
2022
- 2022-05-24 CN CN202210570543.1A patent/CN114926471B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022041307A1 (zh) * | 2020-08-31 | 2022-03-03 | 温州医科大学 | 一种构建半监督图像分割框架的方法及*** |
CN113344896A (zh) * | 2021-06-24 | 2021-09-03 | 鹏城实验室 | 一种胸部ct图像病灶分割模型的训练方法及*** |
CN114255237A (zh) * | 2021-11-12 | 2022-03-29 | 深圳大学 | 基于半监督学习的图像分割模型的训练方法及分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114926471A (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414987B (zh) | 神经网络的训练方法、训练装置和电子设备 | |
JP6892606B2 (ja) | 位置特定装置、位置特定方法及びコンピュータプログラム | |
CN110851641A (zh) | 跨模态检索方法、装置和可读存储介质 | |
CN112651345B (zh) | 一种人体姿态识别模型优化方法、装置和终端设备 | |
CN104809139B (zh) | 代码文件查询方法和装置 | |
CN113628059A (zh) | 一种基于多层图注意力网络的关联用户识别方法及装置 | |
CN113590874B (zh) | 一种视频定位方法及装置、模型训练方法及设备 | |
CN111368850A (zh) | 图像的特征提取、目标检测方法及装置、卷积装置、cnn网络装置、终端 | |
CN114663848A (zh) | 一种基于知识蒸馏的目标检测方法和装置 | |
CN114266894A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN110610140B (zh) | 人脸识别模型的训练方法、装置、设备及可读存储介质 | |
CN109858031B (zh) | 神经网络模型训练、上下文预测方法及装置 | |
CN110659954B (zh) | 作弊识别方法、装置、电子设备及可读存储介质 | |
CN115797735A (zh) | 目标检测方法、装置、设备和存储介质 | |
CN111985616B (zh) | 一种图像特征提取方法、图像检索方法、装置及设备 | |
CN113705402A (zh) | 视频行为预测方法、***、电子设备及存储介质 | |
CN114926471B (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN114913330B (zh) | 点云部件分割方法、装置、电子设备与存储介质 | |
CN116630749A (zh) | 工业设备故障检测方法、装置、设备以及存储介质 | |
CN111984812B (zh) | 一种特征提取模型生成方法、图像检索方法、装置及设备 | |
CN110263196B (zh) | 图像检索方法、装置、电子设备及存储介质 | |
CN110705695B (zh) | 搜索模型结构的方法、装置、设备和存储介质 | |
CN111061774B (zh) | 搜索结果准确性判断方法、装置、电子设备及存储介质 | |
CN115512375A (zh) | 文本纠错模型的训练方法、文本识别方法及相关设备 | |
CN114625984B (zh) | 兴趣点验证方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000 Patentee after: Zhejiang Yizhun Intelligent Technology Co.,Ltd. Address before: No. 1202-1203, 12 / F, block a, Zhizhen building, No. 7, Zhichun Road, Haidian District, Beijing 100083 Patentee before: Beijing Yizhun Intelligent Technology Co.,Ltd. |
|
CP03 | Change of name, title or address |