图像分割模型的训练方法、设备及存储介质

本申请涉及图像处理，尤其涉及一种图像分割模型的训练方法、设备及存储介质。

背景技术：

1、少样本医学图像分割（few-shot medical image segmentation，简称fmis）在医学图像分析领域受到广泛关注。由于医学图像标注成本高、依赖专家经验，传统依赖大规模标注数据的分割方法难以直接应用，因此研究者提出了多种基于少样本学习的分割方法。其中，基于配准的少样本医学图像分割（registration-based few-shot medical imagesegmentation，rfmis）因在标注数据稀缺条件下能够通过配准生成伪标签来实现监督训练，成为重要的技术路线。由于伪标签是分割网络唯一的监督信号，其质量直接决定了最终分割模型的性能上限。

2、然而，现有rfmis方法在配准过程生成伪标签时，主要依赖像素级相似性约束进行优化，虽然能够在整体结构上实现对齐，但在局部细节区域，尤其是小体积结构或边界模糊区域，容易产生结构错位或形变不合理的问题，使得生成的伪标签误差较大。伪标签的初始误差经分割训练放大后，与配准阶段的形变错位相互强化，最终影响模型在复杂医学场景下的分割精度以及泛化能力。

技术实现思路

1、本申请实施例提供了一种图像分割模型的训练方法、设备及存储介质，用于解决图像分割时局部细节区域容易产生结构错位或形变不合理，使伪标签误差较大，影响模型的分割精度和泛化能力的问题。

2、第一方面，本申请实施例提供了一种图像分割模型的训练方法，所述方法包括：

3、获取第一样本图像和第二样本图像，其中，所述第一样本图像和所述第二样本图像均为对应于同一解剖结构的医学图像，所述第一样本图像对应有多个分类标签，所述第二样本图像未对应有分类标签；

4、基于所述第一样本图像和所述第二样本图像，确定用于标识体素点间的结构信息和语义信息的结构语义特征，所述结构语义特征是通过在欧式空间与双曲空间进行转换所获得；

5、基于所述第一样本图像对应的分类标签和所述结构语义特征，确定所述第二样本图像对应的伪分类标签；

6、基于所述第二样本图像的预测分类标签以及所述多个伪分类标签对待训练分割模型进行训练，获得图像分割模型。

7、第二方面，本申请实施例提供了一种图像分割模型的训练装置，所述装置包括：

8、第一获取模块，用于获取第一样本图像和第二样本图像，其中，所述第一样本图像和所述第二样本图像均为对应于同一解剖结构的医学图像，所述第一样本图像对应有多个分类标签，所述第二样本图像未对应有分类标签；

9、第一确定模块，用于基于所述第一样本图像和所述第二样本图像，确定用于标识体素点间的结构信息和语义信息的结构语义特征，所述结构语义特征是通过在欧式空间与双曲空间进行转换所获得；

10、第二确定模块，用于基于所述第一样本图像对应的分类标签和所述结构语义特征，确定所述第二样本图像对应的伪分类标签；

11、第一训练模块，用于基于所述第二样本图像的预测分类标签以及所述多个伪分类标签对待训练分割模型进行训练，获得图像分割模型。

12、第三方面，本申请实施例提供了一种电子设备，包括：存储器、处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现上述的方法。

13、第四方面，本申请实施例提供了一种计算机存储介质，用于储存计算机程序，所述计算机程序使计算机执行时实现上述的方法。

14、第五方面，本申请实施例提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时能够实现如第一方面所述的方法。

15、本实施例提供的图像分割模型的训练方法，通过获取对应有多个分类标签的第一样本图像和未对应有分类标签的第二样本图像，基于第一样本图像和第二样本图像确定用于标识体素点间的结构信息和语义信息的结构语义特征，而后基于第一样本图像对应的分类标签和结构语义特征，确定第二样本图像对应的伪分类标签；最后基于第二样本图像的预测分类标签以及多个伪分类标签对待训练分割模型进行训练，获得图像分割模型。由于结构语义特征能够同时标识体素点间的结构信息和语义信息，使得基于结构语义特征和第一样本图像对应的分类标签确定伪分类标签时能够有效区分结构相似或体积较小的解剖区域，提升伪标签的质量，进而提升模型的分割精度以及泛化能力。

1.一种图像分割模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，基于所述第一样本图像和所述第二样本图像，确定用于标识体素点间的结构信息和语义信息的结构语义特征，包括：

3.根据权利要求2所述的方法，其特征在于，将所述双曲空间特征映射回欧式空间，获得与所述融合图像特征相对应的融合权重和偏置参数，包括：

4.根据权利要求2所述的方法，其特征在于，基于所述第二样本图像的预测分类标签以及所述伪分类标签对待训练分割模型进行训练，获得图像分割模型，包括：

5.根据权利要求4所述的方法，其特征在于，基于所述伪分类标签、所述相同类别标签以及所述不同类别标签，生成双曲空间中的自适应对比损失，包括：

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

7.根据权利要求5所述的方法，其特征在于，所述方法还包括：

8.根据权利要求7所述的方法，其特征在于，所述待训练分割模型包括共享编码器；

9.一种电子设备，其特征在于，包括：存储器、处理器、通信接口；其中，所述存储器上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1至8中任一项所述的方法。

10.一种计算机存储介质，其特征在于，用于储存计算机程序，所述计算机程序使计算机执行时实现上述权利要求1-8中任意一项的方法。