图像分割方法、装置、系统及细胞分割方法与流程

1.本公开涉及人工智能技术领域，具体而言，涉及一种图像分割方法、图像分割装置、图像分割系统及细胞分割方法。


背景技术：

2.随着科学技术和人工智能的迅速发展，人们倾向于寻找更智能的方法对图像中的对象进行检测和分割。
3.以病理学中的细胞分割为例，在采用深度学习方法进行细胞分割时，主要使用聚类方法将人工点标注扩展为像素级标注，然后利用点标注生成边界划分，最后将聚类结果作为正样本、边界划分的边界作为负样本，训练模型对细胞进行分割。但是该方法中模型结果很大程度依赖于聚类方法的准确性，另外为了保证细胞聚类的正确性，细胞聚类的结果会比真正的细胞小，使得最终的分割结果不精准。
4.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

5.本公开的实施例提供了一种图像分割方法、图像分割装置、图像分割系统及细胞分割方法，进而至少在一定程度上可以提高图像分割的效率和精准度，降低成本。
6.本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
7.根据本公开实施例的一个方面，提供了一种图像分割方法，包括：获取原始图像，所述原始图像包括多个待分割对象；将所述原始图像输入至图像分割模型，通过所述图像分割模型对各所述对象进行特征提取，以获取分割图像；其中，所述图像分割模型是通过对待训练图像分割模型进行迭代训练和后修正训练得到的，其中所述迭代训练是根据图像样本和与所述图像样本对应的点标注图像样本及边界图像样本进行的，所述后修正训练是根据与目标分割图像对应的第一边缘信息和第三边缘信息，以及与所述图像样本对应的第二边缘信息进行的，所述目标分割图像为迭代训练后的图像分割模型对所述图像样本处理得到的图像。
8.根据本公开实施例的一个方面，提供了一种图像分割装置，包括：图像获取模块，用于获取原始图像，所述原始图像包括多个待分割对象；图形分割模块，用于将所述原始图像输入至图像分割模型，通过所述图像分割模型对各所述对象进行特征提取，以获取分割图像；其中，所述图像分割模型是通过对待训练图像分割模型进行迭代训练和后修正训练得到的，其中所述迭代训练是根据与待分割图像样本对应的点标注图像样本和边界图像样本进行的，所述后修正训练是根据与目标分割图像对应的第一边缘信息和第三边缘信息，以及与所述图像样本对应的第二边缘信息进行的，所述目标分割图像为迭代训练后的图像分割模型对所述图像样本处理得到的图像。
9.根据本公开实施例的一个方面，提供了一种细胞分割方法，包括：获取原始病理图像，所述原始病理图像包括多个待分割的细胞；将所述原始病理图像输入至图像分割模型，通过所述图像分割模型对各所述细胞进行特征提取，以获取细胞分割图像；其中，所述图像分割模型是通过对待训练图像分割模型进行迭代训练和后修正训练得到的，其中所述迭代训练是根据与病理图像样本对应的点标注图像样本和边界图像样本进行的，所述后修正训练是根据与目标分割图像对应的第一边缘信息和第三边缘信息，以及与所述病理图像样本对应的第二边缘信息进行的，所述目标分割图像为迭代训练后的图像分割模型对所述病理图像样本处理得到的图像。
10.根据本公开实施例的一个方面，提供了一种细胞分割装置，包括：病理图像获取模块，用于获取原始病理图像，所述原始病理图像包括多个待分割的细胞；细胞分割模块，用于将所述原始病理图像输入至图像分割模型，通过所述图像分割模型对各所述细胞进行特征提取，以获取细胞分割图像；其中，所述图像分割模型是通过对待训练图像分割模型进行迭代训练和后修正训练得到的，其中所述迭代训练是根据与病理图像样本对应的点标注图像样本和边界图像样本进行的，所述后修正训练是根据与目标分割图像对应的第一边缘信息和第三边缘信息，以及与所述病理图像样本对应的第二边缘信息进行的，所述目标分割图像为迭代训练后的图像分割模型对所述病理图像样本处理得到的图像。
11.根据本公开实施例的一个方面，提供了一种图像分割模型的训练方法，包括：获取图像样本，与所述图像样本对应的初始点标注图像样本及边界图像样本；根据所述图像样本、所述边界图像样本和所述初始点标注图像样本对待训练图像分割模型进行迭代训练，以获取待修正图像分割模型；通过所述待修正图像分割模型对所述待分割图像样本进行特征提取，以获取目标分割图像；对所述目标分割图像进行边缘提取以获取第一边缘信息，对所述图像样本中各对象进行边缘检测以获取第二边缘信息，同时对所述目标分割图像中各对象进行边缘检测以获取第三边缘信息；根据所述第一边缘信息、所述第二边缘信息和所述第三边缘信息对所述待修正图像分割模型进行修正，以获取所述图像分割模型。
12.根据本公开实施例的一个方面，提供了一种图像分割模型的训练装置，包括：样本获取模块，用于获取待分割图像样本，与所述待分割图像样本对应的初始点标注图像样本及边界图像样本；迭代训练模块，用于根据所述待分割图像样本、所述边界图像样本和所述初始点标注图像样本对待训练图像分割模型进行迭代训练，以获取待修正图像分割模型；图像分割模块，用于通过所述待修正图像分割模型对所述待分割图像样本进行特征提取，以获取目标分割图像；边缘获取模块，用于对所述目标分割图像进行边缘提取以获取第一边缘信息，对所述待分割图像样本中各对象进行边缘检测以获取第二边缘信息，同时对所述目标分割图像中各对象进行边缘检测以获取第三边缘信息；模型修正模块，用于根据所述第一边缘信息、所述第二边缘信息和所述第三边缘信息对所述待修正图像分割模型进行修正，以获取所述图像分割模型。
13.根据本公开实施例的一个方面，提供了一种图像分割系统，包括：拍摄装置，用于拍摄包含多个待分割对象的原始图像；图像分割装置，与所述拍摄装置连接，用于接收所述原始图像，并且所述图像分割装置包括一个或多个处理器以及存储装置，其中，所述存储装置用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器对所述原始图像执行如上述实施例中所述的图像分割方法；显示
装置，与所述图像分割装置连接，用于接收所述图像分割装置输出的图像分割结果，并将所述图像分割结果显示于所述显示装置的显示屏上。
14.根据本公开实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述三方面的各种可选实现方式中提供的方法。
15.在本公开的一些实施例所提供的技术方案中，通过训练好的图像分割模型对原始图像中的待分割对象进行特征提取，以获取分割图像。其中，图像分割模型是通过对待训练图像分割模型进行迭代训练和后修正训练得到的，其中迭代训练是根据图像样本和与图像样本对应的点标注图像样本及边界图像样本进行的，后修正训练是根据与目标分割图像对应的第一边缘信息和第三边缘信息，以及与图像样本对应的第二边缘信息进行的，该目标分割图像为迭代训练后的图像分割模型对图像样本处理得到的图像。本公开的技术方案一方面能够使用图像样本、与图像样本对应的点标注图像样本和边界图像样本对图像分割模型进行迭代训练，以逐步拟合得到真实的对象的范围，提高了图像分割的精准度，另一方面能够通过根据与目标分割图像对应的第一边缘信息和第三边缘信息，以及与图像样本对应的第二边缘信息对迭代训练后的图像分割模型进行修正，进一步提高了模型的精度和稳定性，进而提高了图像分割的效率和精准度。
16.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
17.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
18.图1示出了可以应用本公开实施例的技术方案的示例性系统架构的示意图；
19.图2示意性示出了相关技术中的获取细胞分割模型的流程示意图；
20.图3示意性示出了根据本公开的一个实施例的图像分割方法的流程示意图；
21.图4示意性示出了根据本公开的一个实施例的细胞分割图像的界面示意图；
22.图5示意性示出了根据本公开的一个实施例的对待训练分割模型进行迭代训练的流程示意图；
23.图6示意性示出了根据本公开的一个实施例的对待训练图像分割模型进行迭代训练的流程示意图；
24.图7示意性示出了根据本公开的一个实施例的对待训练图像分割模型进行三次迭代训练的示意图；
25.图8示意性示出了根据本公开的一个实施例的对待优化图像分割模型进行后修正训练的流程示意图；
26.图9示意性示出了根据本公开的一个实施例的获取图像分割模型的流程示意图；
27.图10a-10e示意性示出了根据本公开的一个实施例的后修正训练过程中边缘的界
面示意图；
28.图11a-11f示意性示出了根据本公开的一个实施例的三组病理图像和对应的细胞分割图像的界面示意图；
29.图12示意性示出了根据本公开的一个实施例的图像分割装置的框架示意图；
30.图13示意性示出了根据本公开的一个实施例的图像分割模型的训练装置的框架示意图；
31.图14示出了适于用来实现本公开实施例的图像分割装置及图像分割模型的训练装置的计算机系统的结构示意图。
具体实施方式
32.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
33.此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
34.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
35.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
36.图1示出了可以应用本公开实施例的技术方案的示例性系统架构的示意图。
37.如图1所示，系统架构100可以包括拍摄装置101、网络102、显示装置103和图像分割装置104。拍摄装置101是诸如摄像机、照相机、智能显微镜等具有成像结构的终端设备，用于拍摄包含多个待分割对象的原始图像；网络102用以在拍摄装置101、显示装置103和图像分割装置104之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线通信链路、无线通信链路等等；显示装置103是诸如台式计算机、笔记本、智能手机、平板电脑等具有显示屏的终端设备，用于接收图像分割装置104输出的图像分割结果，并将图像分割结果显示于显示装置的显示屏上；图像分割装置104与拍摄装置101连接，用于接收原始图像，并且包括一个或多个处理器和存储装置，其中的存储装置存储有一个或多个程序以及原始图像，该程序可被一个或多个处理器执行，以对原始图像中的待分割对象进行图像分割。
38.应该理解，图1中的拍摄装置101、网络102、显示装置103和图像分割装置104的数目仅仅是示意性的。根据实际需要，可以具有任意数目的拍摄装置101、网络102、显示装置103和图像分割装置104。比如图像分割装置104具体可以是一个独立的服务器，也可以是由多个服务器组成的服务器集群等。
39.在本公开的一个实施例中，拍摄装置101通过网络102向图像分割装置104发送包
含多个待分割对象的原始图像，图像分割装置104获取原始图像后，可以将原始图像输入至图像分割模型中，通过图像分割模型对原始图像中的对象进行特征提取，以获取与原始图像对应的分割图像。在使用图像分割模型进行图像分割前，需要对待训练图像分割模型进行训练，训练过程包括两个阶段，第一阶段为迭代训练，第二阶段为后修正训练。其中，迭代训练是根据图像样本和与图像样本对应的点标注图像样本及边界图像样本进行的，后修正训练是根据与目标分割图像对应的第一边缘信息和第三边缘信息，以及与图像样本对应的第二边缘信息进行的，该目标分割图像为迭代训练后的图像分割模型对图像样本处理得到的图像。进一步地，在对待训练图像分割模型进行迭代训练时，当前轮次所采用的模型为前一轮次训练优化后的模型，并且所采用的点标注图像样本为前一轮次训练优化后的模型对图像样本进行处理后得到的预测分割图像经距离过滤后所得到的图像，因此通过对待训练图像分割模型进行上述两个阶段的训练后，可以得到稳定的图像分割模型，以对图像中的待分割对象进行精准地分割。图像分割装置104在完成对原始图像的图像分割后，可以将图像分割结果发送至显示装置103进行显示。
40.在本公开的一个实施例中，拍摄装置101还可以通过网络102向显示装置103发送包含多个待分割对象的原始图像，显示装置103将接收到的原始图像全部或部分的发送给图像分割装置104，图像分割装置104获取原始图像后，可以将原始图像输入至图像分割模型中，通过图像分割模型对原始图像中的对象进行特征提取，以获取与原始图像对应的分割图像。
41.需要说明的是，本公开实施例所提供的图像分割方法一般由服务器执行，相应地，图像分割装置一般设置于服务器中。但是，在本公开的其它实施例中，也可以由终端设备执行本公开实施例所提供的图像分割方案。
42.以病理图像的细胞分割为例对相关技术中的图像分割进行说明。病理学是细胞形态的微观研究，能够补充原位分子信息，通过将组织样品从体内取出，然后将其置于固定剂中制作成用于在显微镜下观察的病理切片。通常病理切片中细胞是比较重要的判断依据，因此很多任务需要对细胞进行检测与分割，由于细胞检测与分割时需要进行细胞数据的标注，标注时需要准确勾勒出细胞的边界，而目前主要通过人工方式实现对病理切片的细胞标注，为了减少标注的工作量通常对每个细胞只简单标注一个点，这与像素级标注数据的精度相差甚远，因此发明人尝试采用聚类方法将人工点标注扩展为像素级标注，然后再根据该像素级标注对模型进行训练，以使模型对细胞进行分割。图2示出了获取细胞分割模型的流程示意图，如图2所示，在步骤s201中，获取病理图像；在步骤s202中，对病理图像中的细胞进行人工点标注；通常可以使用画图工具或其它标注工具，通过人工方法对每一个洗标标注一个标记点；在步骤s203中，根据人工点标注的标记点对病理图像中的细胞进行聚类；以人工点标注中的标记点为种子点，通过k-means等聚类方法对病理图像中的细胞进行聚类，得到细胞聚类结果，该细胞聚类结果即为细胞的像素级标注；在步骤s204中，根据人工点标注确定边界；对人工点标注中的点标记进行voronoi划分，得到voronoi边界；在步骤s205中，使用点标注作为细胞标注，以voronoi边界为背景标注，对细胞分割模型进行训练，以获取细胞分割模型；其中背景标注即为边界对应的像素在分割图像中应为背景，只有细胞对应的像素在分割图像中为前景。
43.虽然该方法能够获得细胞分割模型，但是使用细胞聚类作为细胞标注，使得模型
结果很大程度依赖于聚类方法的准确性，对参数比较敏感，另外为了保证细胞聚类的正确性，对于细胞边缘较浅的区域在聚类过程中不会被划分到细胞中，因此细胞聚类的结构会比真正的细胞小，导致最终的分割结果比真实细胞小。
44.鉴于相关技术中存在的问题，本公开实施例提供了一种图像分割方法，该图像分割方法是基于机器学习实现的，机器学习属于人工智能的一种，人工智能(artificial intelligence,ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
45.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
46.计算机视觉技术(computer vision,cv)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、ocr、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3d技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
47.机器学习(machine learning,ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
48.随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
49.本公开实施例提供的方案涉及人工智能的图像处理技术，具体通过如下实施例进行说明：
50.本公开实施例首先提出了一种图像分割方法，该图像分割方法可以应用于医学图像分析领域、刑侦图像分析领域，也可以用于需要对具有复杂细节、包含多个待分割对象的图像进行检索和分割的其它领域，以下以医学图像分析领域中的细胞分割为例对本公开实施例的技术方案的实现细节进行详细阐述：
51.图3示意性示出了根据本公开的一个实施例的图像分割方法的流程图，该图像分
割方法可以由服务器来执行，该服务器可以是图1中所示的服务器103。参照图3所示，该图像分割方法至少包括步骤s310至步骤s320，详细介绍如下：
52.在步骤s310中，获取原始图像，所述原始图像包括多个待分割对象。
53.在本公开的一个实施例中，通过拍摄装置101可以获取原始图像，该原始图像可以是对由组织样本制成的病理切片进行拍摄所获取的包含多个细胞的图像，其中所包含的细胞即为原始图像中的待分割对象。相应地，该拍摄装置101可以是用于对病理切片进行观察拍照以获取包含细胞的图像的智能显微镜，该智能显微镜中集成有实时拍摄装置，能够实时对显微镜中放大的病理切片图像进行拍摄，以获取原始图像。另外，拍摄装置101还可以是由显微镜和拍摄装置组成的终端系统，当调节显微镜的目镜和物镜获取到清晰的切片画面时，通过拍摄装置对目镜中的切片画面进行拍摄，以获取原始图像。
54.在步骤s320中，将所述原始图像输入至图像分割模型，通过所述图像分割模型对各所述对象进行特征提取，以获取分割图像；其中，所述图像分割模型是通过对待训练图像分割模型进行迭代训练和后修正训练得到的，其中所述迭代训练是根据图像样本和与所述图像样本对应的点标注图像样本及边界图像样本进行的，所述后修正训练是根据与目标分割图像对应的第一边缘信息和第三边缘信息，以及与所述图像样本对应的第二边缘信息进行的，所述目标分割图像为迭代训练后的图像分割模型对所述图像样本处理得到的图像。
55.在本公开的一个实施例中，在获取原始图像后，可以将原始图像输入至训练好的图像分割模型，通过图像分割模型对原始图像中的各个对象进行特征提取，以获取与原始图像对应的分割图像，该分割图像中包括前景像素点和背景像素点，其中与对象对应的像素点为前景像素点，具有高灰度值，例如为白色(灰度值255)，而不属于对象的像素点则为背景像素点，具有低灰度值，例如为黑色(灰度值0)，如图4所示。本公开实施例中的图像分割模型可以是任意可用于图像分割的机器学习模型，例如全卷积神经网络模型、linknet、densenet，等等，本公开实施例对此不作具体限定。
56.在本公开的一个实施例中，为了提高分割图像的精准度，在使用图像分割模型进行图像分割之前，需要对待训练图像分割模型进行训练，以获取稳定的图像分割模型。接下来，对如何训练待训练图像分割模型进行详细说明。
57.在本公开的一个实施例中，在对待训练图像分割模型进行训练时，可以通过两个训练阶段实现，第一训练阶段为迭代训练，第二训练阶段为后修正训练，其中迭代训练是根据图像样本和与图像样本对应的点标注图像样本及边界图像样本进行的，后修正训练是根据与目标分割图像对应的第一边缘信息和第三边缘信息，以及与图像样本对应的第二边缘信息进行的，该目标分割图像为迭代训练后的图像分割模型对图像样本处理得到的图像。
58.图5示出了对待训练分割模型进行迭代训练的流程示意图，如图5所示，该迭代训练的流程包括步骤s501-s502，具体地：
59.在步骤s501中，获取图像样本，与图像样本对应的初始点标注图像样本及边界图像样本。
60.在本公开的一个实施例中，图像样本具体可以为病理图像样本，可以通过对公开数据集monuseg中的图像数据进行数据增强以获取病理图像样本，并根据病理图像样本进行模型训练。其中，对公开数据集中的图像数据进行数据增强，具体可以是对图像进行旋转、颜色扰动等，使图像样本多样化，进而使得图像分割模型对不同病理图像都可以进行有
效分割，得到精准的分割图像。值得说明的是，图像样本还可以根据其它的公开数据集获取或通过用户收集图像并制作样本而确定。
61.在本公开的一个实施例中，在获取病理图像样本后，可以对其中的细胞进行人工点标注，以获取初始点标注图像样本，具体地可以通过各种形状的标识对细胞所处的位置进行标示，例如可以是点状标识、线状标识、三角形标识、圆形标识等，也可以是字符标识等等，只要可以明确细胞的位置即可，值得说明的是，该些标识可以位于细胞内的任意位置，只要可以对细胞的位置进行标示即可。通常为了节省人工标注成本，都是通过人工在细胞中心位置标注一个点作为标注信息。进一步地，在获取初始点标注图像样本后，可以根据初始点标注图像样本中的点标注信息确定与图像样本对应的边界图像样本，具体地，可以根据初始点标注图像样本中各个点标注信息确定与其对应的泰森多边形，根据与初始点标注图像样本中所有点标注信息对应的泰森多边形即可确定边界图像样本。
62.在步骤s502中，根据图像样本、初始点标注图像样本和边界图像样本对待训练图像分割模型进行迭代训练，以获取待修正图像分割模型。
63.在本公开的一个实施例中，在模型的迭代训练过程中，当前训练轮次所采用的点标注图像样本为前一训练轮次训练后的模型对图像样本进行特征提取所输出的输出图像经距离过滤后得到的图像，并且当前训练轮次所采用的图像分割模型为前一训练轮次训练后的具有优化参数的模型。图6示出了对待训练图像分割模型进行迭代训练的流程示意图，如图6所示，在步骤s601中，将图像样本输入至第n轮待训练图像分割模型进行特征提取，以获取第n轮输出图像，其中n为正整数，；在步骤s602中，根据第n轮输出图像和第n轮点标注图像样本确定点损失函数，并根据第n轮输出图像和边界图像样本确定边界损失函数，其中第n轮点标注图像样本为训练后的第n-1轮待训练图像分割模型对图像样本进行处理得到的输出图像经距离过滤所得到的图像，当n＝1时，第一轮点标注图像样本为对初始点标注图像样本进行距离过滤所得到的图像；在步骤s603中，根据点损失函数和边界损失函数对待训练图像分割模型的参数进行优化，并将参数优化后的待训练图像分割模型作为第n 1轮待训练图像分割模型；在步骤s604中，对第n轮输出图像进行距离过滤，以获取第n 1轮点标注图像样本；在步骤s605中，根据图像样本、边界图像样本和第n 1轮点标注图像样本对第n 1轮待训练图像分割模型进行训练；在步骤s606中，重复步骤s601-s605，直至完成预设次数的训练，以获取待修正图像分割模型。
64.以对待训练图像分割模型进行三次迭代训练为例对迭代训练的流程进行详细说明，图7示出了对待训练图像分割模型进行三次迭代训练的示意图，如图7所示，每一训练轮次的训练样本均包括病理图像样本、边界图像样本和点标注图像样本，其中点标注图像样本根据训练轮次的不同而不同，具体地，第一训练轮次中的点标注图像样本为对初始点标注图像样本进行距离过滤后所得的图像，第二训练轮次中的点标注图像样本为对第一预测分割图像进行距离过滤所得到的图像，该第一预测分割图像为第一轮训练后的图像分割模型对病理图像样本进行处理所得到的预测分割图像，第三训练轮次中的点标注图像样本为对第二预测分割图像进行距离过滤所得到的图像，该第二预测分割图像为第二轮训练后的图像分割模型对病理图像样本进行处理所得到的预测分割图像。在每一训练轮次中，可以根据模型的输出图像、点标注图形样本和边界图像样本确定点损失函数和边界损失函数，并根据所确定的点损失函数和边界损失函数对模型进行反向调参。
65.值得注意的是，在对待训练图像分割模型进行迭代训练时，第一训练轮次中的待训练图像分割模型的初始参数可以随机设定，或者可以通过采用数据集进行模型训练确定。在采用数据集进行模型训练确定模型的初始参数时，例如可以采用image net数据集，根据该数据集中的数据对待训练图像分割模型进行迭代训练即可，迭代训练所采用的具体参数例如可以是：输入图像的尺寸为512
×
512像素，批处理大小为8，学习率为0.0001，迭代次数为200轮，当然还可以根据实际需要设置其它的训练参数，本公开实施例对此不作具体限定。
66.根据第n轮输出图像和第n轮点标注图像样本可以确定点损失函数，具体地，首先获取第n轮输出图像和第n轮点标注图像样本之间的图像信息差；然后对第n轮点标注图像样本进行线性修正，以获取点标注修正项；最后根据点标注修正项和图像信息差确定点损失函数。点损失函数的表达式具体如式(1)所示：
[0067][0068]
其中，loss
point
为点损失函数，d为第n轮点标注图像样本，relu(d)为点标注修正项，i为病理图像样本，f(i)为第n轮输出图像，为f范数并求平方。
[0069]
根据第n轮输出图像和边界图像样本可以确定边界损失函数，具体地，首先对边界图像样本进行线性修正，以获取边界修正项；然后根据第n轮输出图像和边界修正项确定边界损失函数。边界损失函数的表达式具体如式(2)所示：
[0070][0071]
其中，loss
v
为边界损失函数，v为边界图像样本，relu(v)为点标注修正项，i为病理图像样本，f(i)为第n轮输出图像，为f范数并求平方。
[0072]
从表达式(1)、(2)分析可知，relu(d)、relu(v)表明只针对点标注区域或边界区域进行处理，同时由于模型训练的目标是min loss
point
和min loss
v
，因此根据表达式(1)对模型进行训练就是想让第n轮输出图像中的点标注信息与第n轮点标注图像样本中的点标注信息接近或相同，根据表达式(2)对模型进行训练就是想让第n轮输出图像的边界均成为背景，这样，训练得到的图像分割模型便能够对输入的病理图像进行精准处理，得到仅将细胞作为前景的分割图像。
[0073]
在本公开的一个实施例中，在获取第n 1轮点标注图像样本时，都需要对第n轮输出图像进行距离过滤，其中第一轮点标注图像样本为对初始点标注图像样本进行距离过滤得到的图像，那么接下来对如何对第n轮输出图像或初始点标注图像样本进行距离过滤进行详细说明。
[0074]
输出图像和初始点标注图像样本中均包括与对象对应的前景像素点和背景像素点，也就是说，图像中的对象全部以前景的形式显示，除需要分割的对象之外的其它细节均为背景。由于初始点标注图像样本为人工点标注图像，仅仅是用一点或其它简单形式的标识表示对象所在的位置，并不能完整的表示对象所对应的像素，因此为了实现像素级标注，可以对点标注图像中的标注点逐步向外扩张范围，将属于对象的像素都作为前景显示，将不属于对象的像素作为背景。在判断与标注点相邻的像素是否为对象所在区域时，可以根
据两个像素点的距离进行判断，具体地，可以以第n轮输出图像或初始点标注图像样本中的任意一个前景像素点为目标像素点，根据预设系数确定目标像素点与预设区域内各背景像素点的距离；然后将一与各个距离相减，以获取各背景像素点与目标像素点的相对距离；最后将相对距离大于零的目标背景像素点划分为前景像素点，并根据相对距离对目标背景像素点设置低于目标像素点灰度值的不同灰度值。
[0075]
其中，预设系数是预先设定好的一个系数，表示向外扩张的范围大小，例如可以将预设系数设置为0.1，每次向外扩张约10个像素，当然还可以设置为其它的介于0和1之间的数值，具体可以根据对象的大小进行设定，本公开实施例对此不作具体限定。相对距离表示背景像素点与目标像素点的相似程度，或者是背景像素点可以作为前景像素点的置信度，若背景像素点与目标像素点的距离越大，则相对距离越小，说明该背景像素点作为前景像素点的可能性很小，当相对距离为0时，说明该背景像素点只能作为背景；若背景像素点与目标像素点的距离越小，则相对距离越大，说明该背景像素点作为前景像素点的可能性很大。距离过滤的表达式具体如式(3)所示：
[0076][0077]
其中，d
i,j
表示相对距离，α表示预设系数，(i，j)表示预设范围内的背景像素点的位置，(k，m)表示目标像素点的位置。
[0078]
进一步地，由于对象的中心位置所对应的像素点是作为前景像素点置信度最高的点，因此其灰度值应最大，例如可以是255，而随着向外扩散，像素点作为前景像素点的置信度逐渐降低，因此灰度值也应当逐步降低，并小于中心位置所对应像素点的灰度值。在根据相对距离设置灰度值时，可以将最大灰度值与相对距离相乘确定灰度值，例如当背景像素点距离目标像素点的相对距离为0.8，那么可以设置灰度值为0.8
×
255＝204，当背景像素点距离目标像素点的相对距离为0.6，那么可以设置灰度值为0.6
×
255＝153，当所得结果包含小数部分时，可采用向上凑整的方式确定最终的灰度值。
[0079]
通过对初始点标注图像样本和第n轮输出图像进行距离过滤，可以逐步扩大对象的像素覆盖范围，通过根据距离过滤得到的点标注图像样本进行多轮迭代训练，可以使模型最终输出的分割图像能够准确确定原始图像中的各个待分割对象的范围，并将该范围所对应的像素点作为前景显示。
[0080]
通过上述迭代训练方法对待训练图像分割模型进行训练后，即可获取待优化图像分割模型。为了使分割图像中的边缘更接近对象的真实边缘，本公开实施例中还可以对待优化图像分割模型进行修正。接下来对如何对待优化图像分割模型进行修正进行详细说明。
[0081]
图8示出了对待优化图像分割模型进行后修正训练的流程示意图，如图8所示，后修正训练至少包括步骤s801-s803，具体为：
[0082]
在步骤s801中，将图像样本输入至待修正图像分割模型进行特征提取，以获取目标分割图像。
[0083]
在本公开的一个实施例中，训练图像分割模型的目的就是是模型输出的分割图像中的对象的边缘与输入图像中对象的边缘接近或相同，这样才能提高图像分割的精准度，因此在对待修正图像分割模型进行修正时，一方面需要获取图像样本中与对象对应的边缘
信息，一方面需要获取待修正图像分割模型对图像样本进行处理后所得到的预测分割图像中对象的边缘信息，然后根据两个边缘信息对待修正图像分割模型的参数进行优化。
[0084]
为了获取待修正图像分割模型对图像样本进行处理所得到的预测分割图像中对象的边缘信息，首先需要将图像样本输入至待修正图像分割模型，通过待修正图像分割模型对图像样本中的对象进行特征提取，以获取目标分割图像，即预测分割图像。以病理图像样本为例，通过待修正图像分割模型处理后可以得到细胞分割图像，即目标分割图像。
[0085]
在步骤s802中，对目标分割图像进行边缘提取以获取第一边缘信息，对图像样本中各对象进行边缘检测以获取第二边缘信息，同时对目标分割图像中各对象进行边缘检测以获取第三边缘信息。
[0086]
在本公开的一个实施例中，在获取目标分割图像后，可以对目标分割图像中的细胞边缘进行提取以获取第一边缘信息。在获取第一边缘信息时，首先可以对目标分割图像中的各个细胞进行膨胀处理，接着对目标分割图像中的各个细胞进行腐蚀处理，然后将膨胀处理后的目标分割图像与腐蚀处理后的目标分割图像相减，即可获取第一边缘信息。
[0087]
在本公开的一个实施例中，在获取第一边缘信息的同时，还可以对病理图像样本中的细胞进行边缘检测以获取第二边缘信息，并对目标分割图像中的细胞进行边缘检测以获取第三边缘信息，其中对病理图像样本中的细胞进行边缘检测和对目标分割图像中的细胞进行边缘检测所采用的算法可以相同，也可以不同，其中边缘检测算法具体可以是sobel算子检测算法、canny算子检测算法，等等。
[0088]
在步骤s803中，根据第一边缘信息、第二边缘信息和第三边缘信息对待修正图像分割模型进行修正，以获取图像分割模型。
[0089]
在本公开的一个实施例中，在获取第一边缘信息、第二边缘信息和第三边缘信息后，可以根据第一边缘信息、第二边缘信息和第三边缘信息确定边缘损失函数，并基于边缘损失函数对待修正图像分割模型进行反向调参，以获取图像分割模型。图9示出了获取图像分割模型的流程示意图，如图9所示，在步骤s901中，将第一边缘信息与第二边缘信息相乘，以获取真实边缘信息；在步骤s902中，对真实边缘信息进行线性修正，以获取边缘修正项；在步骤s903中，将第三边缘信息与真实边缘信息相减以获取边缘信息差；在步骤s904中，根据边缘信息差和边缘修正项确定边缘损失函数，并基于边缘损失函数对待修正图像分割模型进行修正，以获取图像分割模型。
[0090]
第一边缘信息只是细胞边缘的大概位置，通过将第一边缘信息和第二边缘信息相乘，即可获取真实的细胞边缘信息。同时，添加边缘修正项意味着只对边缘信息进行修正。真实边缘信息是期望通过模型对病理图像进行处理所能获得的边缘信息，通过根据边缘损失函数对模型进行调参能够使模型输出的分割图像中的对象的边缘与期望的对象的边缘尽可能一致。边缘损失函数的表达式具体如式(4)所示：
[0091][0092]
其中，l
c
为边缘损失函数，e
r
为真实边缘信息，relu(e
r
)为边缘修正项，i为图像样本，f(i)为目标分割图像，soble(f(i))为第三边缘信息，为f范数并求平方。
[0093]
图10a-10e示出了后修正训练过程中边缘的界面示意图，如图10a所示为病理图像样本；经过边缘检测后可以获得与病理图像样本对应的第二边缘信息，如图10b所示；如图
10c所示为待修正图像分割模型对病理图像样本进行特征提取后输出的目标分割图像；通过对目标分割图像进行膨胀和腐蚀处理，并将膨胀后的目标分割图像与腐蚀处理后的目标分割图像相减，即可得到第一边缘信息，如图10d所示；将第一边缘信息与第二边缘信息相乘，即可获取真实边缘信息，如图10e所示。进一步地，根据真实边缘信息和第三边缘信息可以构建边缘损失函数，并根据边缘损失函数对待修正图像分割模型进行修正，以获取图像分割模型。
[0094]
本公开实施例中的图像分割方法主要应用于细胞分割领域，相应地，本公开实施例还公开了一种细胞分割方法，该方法的具体流程为：首先获取原始病理图像，该原始病理图像包括多个待分割的细胞；然后将原始病理图像输入至图像分割模型，通过图像分割模型对各个细胞进行特征提取，以获取细胞分割图像；其中，图像分割模型是通过对待训练图像分割模型进行迭代训练和后修正训练得到的，其中迭代训练是根据与病理图像样本对应的点标注图像样本和边界图像样本进行的，后修正训练是根据与目标分割图像对应的第一边缘信息和第三边缘信息，以及与病理图像样本对应的第二边缘信息进行的，该目标分割图像为迭代训练后的图像分割模型对病理图像样本处理得到的图像。
[0095]
图11a-11f示出了三组病理图像和对应的细胞分割图像的界面示意图，如图11a、11c、11e所示，均为病理图像，其中分散着多个细胞；通过本公开实施例中的图像分割模型可以对各病理图像中的细胞进行分割，得到与病理图像对应的细胞分割图像，如图11b、11d、11f所示，其分别与11a、11c、11e对应。通过本公开的图像分割方法能够得到更精准的细胞分割图像，从图中可知，其中的细胞大小与细胞的真实大小相近或相同，并且边缘形态更符合真实的细胞边缘。
[0096]
本公开实施例中的图像分割方法还可以用于对其它类型图像中的对象进行分割，例如对包含多种粉体混合物的显微镜图片中的混合物进行分割、对植物组织切片中的细胞进行分割等等。
[0097]
本公开中的图像分割方法通过训练好的图像分割模型对包含多个待分割对象的原始图像进行处理以获取与其对应的分割图像，在对待训练图像分割模型进行训练时，是基于点标注和边缘检测进行的弱监督训练，整个训练过程分为两个阶段，首先通过迭代训练阶段获得能够对图像进行分割的待修正图像分割模型，然后通过后修正训练阶段对待修正图像分割模型进行修正，得到能够对输入图像进行快速精准分割的图像分割模型，进一步提高了图像分割的效率和精准度，为后续的数据分析和策略制定奠定了基础。
[0098]
相应地，本公开实施例还公开了一种图像分割模型的训练方法，该训练方法具体包括以下步骤：步骤s1：获取图像样本，与图像样本对应的初始点标注图像样本及边界图像样本；步骤s2：根据图像样本、边界图像样本和初始点标注图像样本对待训练图像分割模型进行迭代训练，以获取待修正图像分割模型；步骤s3：通过待修正图像分割模型对待分割图像样本进行特征提取，以获取目标分割图像；步骤s4：对目标分割图像进行边缘提取以获取第一边缘信息，对图像样本中各对象进行边缘检测以获取第二边缘信息，同时对目标分割图像中各对象进行边缘检测以获取第三边缘信息；步骤s5：根据第一边缘信息、第二边缘信息和所述第三边缘信息对待修正图像分割模型进行修正，以获取图像分割模型。
[0099]
进一步地，步骤s2可以根据以下流程实现：首先将待分割图像样本输入至第n轮待训练图像分割模型进行特征提取，以获取第n轮输出图像，其中n为正整数；接着根据第n轮
输出图像和第n轮点标注图像样本确定点损失函数，并根据第n轮输出图像和边界图像样本确定边界损失函数，其中第n轮点标注图像样本为训练后的第n-1轮待训练图像分割模型对图像样本进行处理得到的输出图像经距离过滤所得到的图像，当n＝1时，第一轮点标注图像样本为对初始点标注图像样本进行距离过滤所得到的图像；进而根据点损失函数和边界损失函数对待训练图像分割模型的参数进行优化，并将参数优化后的待训练图像分割模型作为第n 1轮待训练图像分割模型；同时将第n轮输出图像进行距离过滤，以获取第n 1轮点标注图像样本；然后根据待分割图像样本、边界图像样本和第n 1轮点标注图像样本对待训练图像分割模型进行第n 1轮训练；最后重复上述步骤，直至完成预设次数的训练以获取待修正图像分割模型。
[0100]
该图像分割模型的训练方法与图像分割方法实施例中涉及的模型训练流程相同，在此不再赘述。
[0101]
以下介绍本公开的装置实施例，可以用于执行本公开上述实施例中的图像分割方法。对于本公开装置实施例中未披露的细节，请参照本公开上述的图像分割方法的实施例。
[0102]
图12示意性示出了根据本公开的一个实施例的图像分割装置的框图。
[0103]
参照图12所示，根据本公开的一个实施例的图像分割装置1200，包括：图像获取模块1201和图像分割模块1202。
[0104]
其中，图像获取模块1201，用于获取原始图像，所述原始图像包括多个待分割对象；图形分割模块1202，用于将所述原始图像输入至图像分割模型，通过所述图像分割模型对各所述对象进行特征提取，以获取分割图像；其中，所述图像分割模型是通过对待训练图像分割模型进行迭代训练和后修正训练得到的，其中所述迭代训练是根据与待分割图像样本对应的点标注图像样本和边界图像样本进行的，所述后修正训练是根据与目标分割图像对应的第一边缘信息和第三边缘信息，以及与所述图像样本对应的第二边缘信息进行的，所述目标分割图像为迭代训练后的图像分割模型对所述图像样本处理得到的图像。
[0105]
在本公开的一个实施例中，所述图像分割装置还包括：样本获取模块，用于获取所述图像样本，与所述图像样本对应的初始点标注图像样本及边界图像样本；迭代训练模块，用于根据所述图像样本、所述初始点标注图像样本和所述边界图像样本对待训练图像分割模型进行迭代训练，以获取待修正图像分割模型。
[0106]
在本公开的一个实施例中，所述迭代训练模块包括：处理单元，用于将所述图像样本输入至第n轮待训练图像分割模型进行特征提取，以获取第n轮输出图像，其中n为正整数；损失函数确定单元，用于根据所述第n轮输出图像和所述第n轮点标注图像样本确定点损失函数，并根据所述第n轮输出图像和所述边界图像样本确定边界损失函数，其所述第n轮点标注图像样本为训练后的第n-1轮待训练图像分割模型对所述图像样本进行处理得到的输出图像经距离过滤所得到的图像，当n＝1时，第一轮点标注图像样本为对所述初始点标注图像样本进行距离过滤所得到的图像；参数优化单元，用于根据所述点损失函数和所述边界损失函数对所述待训练图像分割模型的参数进行优化，并将参数优化后的待训练图像分割模型作为第n 1轮待训练图像分割模型；距离过滤单元，对所述第n轮输出图像进行距离过滤，以获取第n 1轮点标注图像样本；再训练单元，用于根据所述图像样本、所述边界图像样本和所述第n 1轮点标注图像样本对所述第n 1轮待训练图像分割模型进行训练；重复上述步骤，直至完成预设次数的训练，以获取所述待修正图像分割模型。
[0107]
在本公开的一个实施例中，所述损失函数确定单元配置为：获取所述第n轮输出图像和所述第n轮点标注图像样本之间的图像信息差；对所述第n轮点标注图像样本进行线性修正，以获取点标注修正项；根据所述点标注修正项和所述图像信息差确定所述点损失函数。
[0108]
在本公开的一个实施例中，所述损失函数确定单元包括：对所述边界图像样本进行线性修正，以获取边界修正项；根据所述第n轮输出图像和所述边界修正项确定所述边界损失函数。
[0109]
在本公开的一个实施例中，所述第n轮输出图像包括对应所述对象的前景像素点和背景像素点；所述距离过滤单元配置为：以所述第n轮输出图像中的任意一个前景像素点为目标像素点，根据预设系数确定所述目标像素点与预设区域内各所述背景像素点的距离；将一与所述距离相减，以获取各所述背景像素点与所述目标像素点的相对距离；将所述相对距离大于零的目标背景像素点划分为前景像素点，并根据所述相对距离对所述目标背景像素点设置低于所述目标像素点灰度值的不同灰度值。
[0110]
在本公开的一个实施例中，所述图像分割装置还包括：处理模块，用于将所述图像样本输入至所述待修正图像分割模型进行特征提取，以获取目标分割图像；边缘提取模块，用于对所述目标分割图像进行边缘提取以获取所述第一边缘信息，对所述图像样本中各对象进行边缘检测以获取所述第二边缘信息，同时对所述目标分割图像中各对象进行边缘检测以获取所述第三边缘信息；修正模块，用于根据所述第一边缘信息、所述第二边缘信息和所述第三边缘信息对所述待修正图像分割模型进行修正，以获取所述图像分割模型。
[0111]
在本公开的一个实施例中，所述边缘提取模块配置为：对所述目标分割图像中的各个对象进行膨胀处理，同时对所述目标分割图像中的各个对象进行腐蚀处理；将膨胀处理后的目标分割图像与腐蚀处理后的目标分割图像相减，以获取所述第一边缘信息。
[0112]
在本公开的一个实施例中，所述修正模块配置为：将所述第一边缘信息与所述第二边缘信息相乘，以获取真实边缘信息；对所述真实边缘信息进行线性修正，以获取边缘修正项；将所述第三边缘信息与所述真实边缘信息相减以获取边缘信息差；根据所述边缘信息差和所述边缘修正项确定边缘损失函数，并基于所述边缘损失函数对所述待修正图像分割模型进行修正，以获取所述图像分割模型。
[0113]
在本公开的一个实施例中，所述样本获取模块配置为：根据所述初始点标注图像中的点标注信息确定与所述点标注信息对应的泰森多边形，并根据所述泰森多边形确定所述边界图像样本。
[0114]
本公开的一个实施例还提供了一种细胞分割装置，根据本公开的一个实施例的细胞分割装置，包括：病理图像获取模块和细胞分割模块。
[0115]
其中，病理图像获取模块，用于获取原始病理图像，所述原始病理图像包括多个待分割的细胞；细胞分割模块，用于将所述原始病理图像输入至图像分割模型，通过所述图像分割模型对各所述细胞进行特征提取，以获取细胞分割图像；其中，所述图像分割模型是通过对待训练图像分割模型进行迭代训练和后修正训练得到的，其中所述迭代训练是根据与病理图像样本对应的点标注图像样本和边界图像样本进行的，所述后修正训练是根据与目标分割图像对应的第一边缘信息和第三边缘信息，以及与所述病理图像样本对应的第二边缘信息进行的，所述目标分割图像为迭代训练后的图像分割模型对所述病理图像样本处理
得到的图像。
[0116]
图13示意性示出了根据本公开的一个实施例的图像分割模型的训练装置的框图。
[0117]
参照图13所示，根据本公开的一个实施例的图像分割模型的训练装置1300，包括：样本获取模块1301、迭代训练模块1302、图像分割模块1303、边缘获取模块1304和模型修正模块1305。
[0118]
其中，样本获取模块1301，用于获取待分割图像样本，与所述待分割图像样本对应的初始点标注图像样本及边界图像样本；迭代训练模块1302，用于根据所述待分割图像样本、所述边界图像样本和所述初始点标注图像样本对待训练图像分割模型进行迭代训练，以获取待修正图像分割模型；图像分割模块1303，用于通过所述待修正图像分割模型对所述待分割图像样本进行特征提取，以获取目标分割图像；1304边缘获取模块，用于对所述目标分割图像进行边缘提取以获取第一边缘信息，对所述待分割图像样本中各对象进行边缘检测以获取第二边缘信息，同时对所述目标分割图像中各对象进行边缘检测以获取第三边缘信息；模型修正模块1305，用于根据所述第一边缘信息、所述第二边缘信息和所述第三边缘信息对所述待修正图像分割模型进行修正，以获取所述图像分割模型。
[0119]
在本公开的一个实施例中，所述迭代训练模块1302配置为：将所述待分割图像样本输入至第n轮待训练图像分割模型进行特征提取，以获取第n轮输出图像；根据所述第n轮输出图像和所述第n轮点标注图像样本确定点损失函数，并根据所述第n轮输出图像和所述边界图像样本确定边界损失函数，其中n为正整数，所述第n轮点标注图像样本为训练后的第n-1轮待训练图像分割模型对所述图像样本进行处理得到的输出图像经距离过滤所得到的图像，当n＝1时，第一轮点标注图像样本为对所述初始点标注图像样本进行距离过滤所得到的图像；根据所述点损失函数和所述边界损失函数对所述待训练图像分割模型的参数进行优化，并将参数优化后的待训练图像分割模型作为第n 1轮待训练图像分割模型；将所述第n轮输出图像进行距离过滤，以获取第n 1轮点标注图像样本；根据所述待分割图像样本、所述边界图像样本和所述第n 1轮点标注图像样本对所述待训练图像分割模型进行第n 1轮训练；重复上述步骤，直至完成预设次数的训练以获取所述待修正图像分割模型。
[0120]
图14示出了适于用来实现本公开实施例的图像分割装置104的计算机系统的结构示意图。
[0121]
需要说明的是，图14示出的图像分割装置104的计算机系统1400仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0122]
如图14所示，计算机系统1400包括中央处理单元(central processing unit，cpu)1401，其可以根据存储在只读存储器(read-only memory，rom)1402中的程序或者从存储部分1408加载到随机访问存储器(random access memory，ram)1403中的程序而执行各种适当的动作和处理，实现上述实施例中所述的图像分割方法。在ram 1403中，还存储有系统操作所需的各种程序和数据。cpu 1401、rom 1402以及ram1403通过总线1404彼此相连。输入/输出(input/output，i/o)接口1405也连接至总线1404。
[0123]
以下部件连接至i/o接口1405：包括键盘、鼠标等的输入部分1406；包括诸如阴极射线管(cathode ray tube，crt)、液晶显示器(liquid crystal display，lcd)等以及扬声器等的输出部分1407；包括硬盘等的存储部分1408；以及包括诸如lan(local area network，局域网)卡、调制解调器等的网络接口卡的通信部分1409。通信部分1409经由诸如
因特网的网络执行通信处理。驱动器1410也根据需要连接至i/o接口1405。可拆卸介质1411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1410上，以便于从其上读出的计算机程序根据需要被安装入存储部分1408。
[0124]
特别地，根据本公开的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1409从网络上被下载和安装，和/或从可拆卸介质1411被安装。在该计算机程序被中央处理单元(cpu)1401执行时，执行本公开的系统中限定的各种功能。
[0125]
需要说明的是，本公开实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(erasable programmable read only memory，eprom)、闪存、光纤、便携式紧凑磁盘只读存储器(compact disc read-only memory，cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0126]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0127]
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
[0128]
作为另一方面，本公开还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的图像处理装置中所包含的；也可以是单独存在，而未装配入该电子设
备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
[0129]
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
[0130]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施方式的方法。
[0131]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。
[0132]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。