CN113989501B 一种图像分割模型的训练方法及相关装置 （深圳大学）

AU2020103905A4,2021本申请公开了一种图像分割模型的训练方预分割模型确定测试图像的预测概率图及各增联合掩码图并基于若干最大联合掩码图确定伪强的方式来生成可靠的伪标签来驱动分割模型2通过预训练的分割模型确定所述测试图像的预测概率图及各增强测试图像的预测概分别对各增强测试图像各自对应的预测概率图进行逆增强将各候选测试概率图以及所述测试图像对应的预测概率图相加以得到对于每个预设阈值，获取所述母版概率图中的各像素的像素值与所中的最大差值，并基于所述最大差值与1中的最小值生成所述预设阈值对应的最大联合掩基于若干最大联合掩码图确定所述测试图像和各增强测试图基于各伪标签微调所述分割模型，并继续执行对测试图像集中的掩码图确定所述测试图像和各增强测试图像的伪标签在若干最大联合掩码图中选取预设数量的最大联合掩码图形采用距离相似性指标在所述伪标签集中选取各预测概率图各自对应的伪标签选取最大预设阈值对应的第一最大联合掩码图以及最小预设阈值对应的第二最大联基于所述相似度系数以及所述分割模型的微调次数判断所述分割模型是满足到微调当未满足微调结束条件时，继续执行对测试图像集中的测试图像进行数据增强的步对于所述测试图像和各增强测试图像构成的测试图像组中的每个参考控制所述分割模型位于所述风格转换模块之前的网络层确定所述参考测试图像对应3控制风格转换模块基于所述第二特征图的图像灰度分布调整所述第一特征图的图像控制位于调整后的第一特征图和所述第二特征图通过所述分割模型中位于所述风格对于第一特征图的每个通道和第二特征图中的每个通道，确定所对于第一特征图中的每个通道，在第二特征图中选取该通道对应的候选所述通道中的各像素各自对应的顺序序号在所述候选通道中选取各像素各自对应的候选对于第一特征图的每个通道和第二特征图中的每个通道，采用滑窗方式对于第一特征图中的每个滑动窗口，在第二特征图中选取该滑动窗口对于第一特征图中的每个通道中的每个像素，获取所述像素在包括所7.一种计算机可读存储介质，其特征在于所述处理器执行所述计算机可读程序时实现如权利要求1-6任意一项所述的图像分割4[0002]基于数据驱动的学习算法在各种关键且具有挑战性的任但它的假设前提是模型训练所用的数据和测试时的数据都是从同一分布中独立采样获得[0007]通过预训练的分割模型确定所述测试图像的预测概率图及各增强测试图像的预[0013]将各候选测试概率图以及所述测试图像对应的预测概率图相加以得到母版概率差值中的最大差值，并基于所述最大差值与1中的最小值生成所述预设阈值对应的最大联5[0022]选取最大预设阈值对应的第一最大联合掩码图以及最小预设阈值对应的第二最大联合掩码图，并计算所述第一最大联合掩码图和所述第二最大联合掩码图的相似度系[0023]基于所述相似度系数以及所述分割模型的微调次数判断所述分割模型是满足到所述通过预训练的分割模型确定所述测试图像的预测概率图及各增强测试图像的预测概[0027]对于所述测试图像和各增强测试图像构成的测试图像组[0028]控制所述分割模型位于所述风格转换模块之前的网络层确定所述参考测试图像对应的第一特征图和所述源域图像对应的第[0029]控制风格转换模块基于所述第二特征图的图像灰度分布调整所述第一特征图的[0030]控制位于调整后的第一特征图和所述第二特征图通过所述分割模型中位于所述图的图像灰度分布调整所述第一特征图的图像灰度，以得到调整后的第一特征图具体包6基于所述通道中的各像素各自对应的顺序序号在所述候选通道中选取各像素各自对应的图的图像灰度分布调整所述第一特征图的图像灰度，以得到调整后的第一特征图具体包[0041]所述处理器执行所述计算机可读程序时实现如上任一所述的图像分割模型的训7[0047]图4为本申请提供的图像分割模型的训练方法中基于滑动窗口的顺序统计量对齐大程度上避免模型在不同的成像条件下面临大量8知中心的至少8张带标注信息的图像来对预训练网络进行学习，就可以解决模型泛化能力络和前馈近似风格化，它们的实质均为将源域的图像转换成具有目标域图像风格特征的此要获取足够量目标域图像数据的前提并不总最大联合掩码图；基于若干最大联合掩码图确定所述测试图像和各增强测试图像的伪标模型用于对甲状腺超声图像进行分割以得到甲状腺超声图像中的结[0064]若干增强测试图像中的每个增强测试图像是通过对同一测试图像进行数据增强9[0065]S20、通过预训练的分割模型确定所述测试图像的预测概率图及各增强测试图像通过预训练的分割模型确定所述测试图像的预测概率图及各增强测试图像的预测概率图[0068]对于所述测试图像和各增强测试图像构成的测试图像组[0069]控制所述分割模型位于所述风格转换模块之前的网络层确定所述参考测试图像对应的第一特征图和所述源域图像对应的第[0070]控制风格转换模块基于所述第二特征图的图像灰度分布调整所述第一特征图的[0071]控制位于调整后的第一特征图和所述第二特征图通过所述分割模型中位于所述置风格转换模块，当训练图像通过位于风格转换模块之前的网络层后跳过风格转换模块，[0074]参考测试图像包含与由测试图像和各增强测试图像构成的测试图像组，也就是基于所述通道中的各像素各自对应的顺序序号在所述候选通道中选取各像素各自对应的顺序循序号图中的每个位置的顺序序号标识该顺序序号图对应的通道中该位置的像素的相同。这是由于第一特征图和第二特征图均是通过位于风格转换模块前的网络层输出的，均可以在第二特征图中选取到通道号相同的ccc具有分布漂移的测试图像能够被已有的分割模型稳健分割。征图对应的若干滑动窗口后，将获取到第一特征图对应的若干滑动窗口进行图像灰度调行顺序统计量对齐来得到和然后基于和形成调整后的通道，[0089]将各候选测试概率图以及所述测试图像对应的预测概率图相加以得到母版概率中每个像素位置的像素值等于各候选测试概率图中该像素位置的像素值与预测概率图中差值中的最大差值，并基于所述最大差值与1中的最小值生成所述预设阈值对应的最大联预测概率图的数量等于增强测试图像的数量加1，而若干预设阈值的数量等于增强测试图p2,3息，以候选基于最大联合掩码图和预测概率图确定的伪标签可以给出更加合理的前景指试图像的伪标签基于各自对应的预测概率图与各最大联合掩码图的距离相似性指标确定得到。避免模型在自我学习过程中出现大规模的调整而可[0112]选取最大预设阈值对应的第一最大联合掩码图以及最小预设阈值对应的第二最大联合掩码图，并计算所述第一最大联合掩码图和所述第二最大联合掩码图的相似度系[0113]基于所述相似度系数以及所述分割模型的微调次数判断所述分割模型是满足到致的，说明分割模型对测试图像和测试图像对应的各增强测试图像的预测结果将是稳定[0118]基于上述图像分割模型的训练方法，本实施例提供了一硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomA