本发明涉及图像处理,尤其涉及一种图像配准分割联合模型训练方法、装置、电子设备及存储介质。
背景技术:
1、随着图像处理技术的发展,图像处理技术在医疗领域的应用越来越广泛。
2、目前,通过神经网络模型进行电子计算机断层扫描(computed tomography,ct)图像分割的技术方案,存在分割结果准确度低的问题。
技术实现思路
1、本发明提供了一种图像配准分割联合模型训练方法、装置、电子设备及存储介质,以提升模型分割结果的准确度。
2、根据本发明的一方面,提供了一种图像配准分割联合模型训练方法,包括:
3、获取多个血管样本图像,以及各所述血管样本图像对应的标签信息;
4、将所述多个血管样本图像输入至神经网络模型,得到各所述血管样本图像的血管分割结果;
5、对各所述血管样本图像的血管分割结果进行配准,得到各所述血管样本图像的配准结果;
6、基于各所述血管样本图像的血管分割结果、配准结果以及标签信息确定联合模型损失,基于所述联合模型损失调整神经网络模型的参数,直至满足迭代停止条件得到训练完成的配准分割联合模型。
7、根据本发明的另一方面,提供了一种图像配准分割联合模型训练装置,包括:
8、样本图像获取模块,用于获取多个血管样本图像,以及各所述血管样本图像对应的标签信息;
9、血管图像分割模块,用于将所述多个血管样本图像输入至神经网络模型,得到各所述血管样本图像的血管分割结果;
10、血管图像配准模块,用于对各所述血管样本图像的血管分割结果进行配准,得到各所述血管样本图像的配准结果;
11、联合损失建模模块,用于基于各所述血管样本图像的血管分割结果、配准结果以及标签信息确定联合模型损失,基于所述联合模型损失调整神经网络模型的参数,直至满足迭代停止条件得到训练完成的配准分割联合模型。
12、根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
13、至少一个处理器;
14、以及与所述至少一个处理器通信连接的存储器;
15、其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的图像配准分割联合模型训练方法。
16、根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的图像配准分割联合模型训练方法。
17、本发明实施例的技术方案,通过获取多个血管样本图像,以及各血管样本图像对应的标签信息,进而将多个血管样本图像输入至神经网络模型,得到各血管样本图像的血管分割结果,进而对各血管样本图像的血管分割结果进行配准,得到各血管样本图像的配准结果,进而基于各血管样本图像的血管分割结果、各血管样本图像的配准结果以及多个血管样本图像对应的标签信息确定联合模型损失,进而基于联合模型损失调整神经网络模型的参数,直至满足迭代停止条件得到训练完成的配准分割联合模型,与现有技术相比,本实施例的联合模型损失考虑了血管分割结果和配准结果,使模型可以学习到多个血管样本图像之间的关联特征,从而提升配准分割联合模型对血管图像的分割准确度。
18、应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
1.一种图像配准分割联合模型训练方法,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,所述获取多个血管样本图像,包括:
3.根据权利要求1所述的方法,其特征在于,所述神经网络模型包括:
4.根据权利要求1所述的方法,其特征在于,所述对各所述血管样本图像的血管分割结果进行配准,得到各所述血管样本图像的配准结果,包括:
5.根据权利要求1所述的方法,其特征在于,所述联合模型损失包括配准结果相似性损失和分割结果损失;
6.根据权利要求5所述的方法,其特征在于,所述血管样本图像包括目标血管样本图像和运动血管样本图像;
7.根据权利要求6所述的方法,其特征在于,所述血管样本图像的血管分割结果包括目标血管样本图像对应的血管分割结果和运动血管样本图像对应的血管分割结果;
8.一种图像配准分割联合模型训练装置,其特征在于,包括:
9.一种电子设备,其特征在于,所述电子设备包括:
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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的图像配准分割联合模型训练方法。