医疗图像分割模型的确定方法、装置、设备及介质与流程

1.本发明涉及计算机技术领域，尤其涉及一种医疗图像分割模型的确定方法、装置、设备及介质。


背景技术：

2.随着现代医学的快速发展，为了更加准确的确定患者的病情，通常由医学专家根据患者的医疗图像进行分析后，确定患者的病情，并提出更加具有针对性的医疗方案。
3.由于传统的方式是由医学专家以人工的方式进行分析，存在效率低下的问题，可以通过预先设置的图像分割模型对医疗图像进行处理，进而达到提升处理效率的效果。但是在医学图像领域中，训练图像相关的任务需要很多标注的图像样本，而由于标注图像需要花费大量的人力成本，缺少标注好的图像样本导致任务的效果不佳。


技术实现要素：

4.本发明提供了一种医疗图像分割模型的确定方法、装置、设备及介质，解决了现有技术中在缺乏标注图像时，模型训练效果不佳的问题，实现了基于少量包含标签数据的样本图像，也可以确定分割效果良好的医疗图像分割模型。
5.根据本发明的一方面，提供了提供了一种医疗图像分割模型的确定方法，所述方法包括：
6.获取不包含标签数据的第一原始样本图像集，并基于所述第一原始样本图像集确定第一目标样本图像集；
7.基于所述第一目标样本图像集对第一预设图像分割模型进行无监督训练，确定第一目标图像分割模型；
8.获取包含标签数据的第二目标样本图像集，基于所述第二目标样本图像集和所述第一目标图像分割模型进行有监督训练，确定第二图像分割模型。
9.根据本发明的另一方面，提供了一种变压器信息的管理装置，所述设备包括：
10.样本集处理模块，用于获取不包含标签数据的第一原始样本图像集，并基于所述第一原始样本图像集确定第一目标样本图像集；
11.无监督训练模块，用于基于所述第一目标样本图像集对第一预设图像分割模型进行无监督训练，确定第一目标图像分割模型；
12.有监督训练模块，用于获取包含标签数据的第二目标样本图像集，基于所述第二目标样本图像集和所述第一目标图像分割模型进行有监督训练，确定第二图像分割模型。
13.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：
14.至少一个处理器；以及
15.与所述至少一个处理器通信连接的存储器；其中，
16.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
医疗图像分割模型的确定方法。
17.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医疗图像分割模型的确定方法。
18.本发明实施例的技术方案，通过获取不包含标签数据的第一原始样本图像集，并基于所述第一原始样本图像集确定第一目标样本图像集，并基于所述第一目标样本图像集对第一预设图像分割模型进行无监督训练，确定第一目标图像分割模型，最终获取包含标签数据的第二目标样本图像集，基于所述第二目标样本图像集和所述第一目标图像分割模型进行有监督训练，确定第二图像分割模型，基于上述技术方案，通过获取不包含标签数据的样本图像集，并基于该不包含标签数据的样本图像集确定第一目标图像分割模型，并根据第一目标图像分割模型和包含标签数据的第二目标样本图像集确定第二图像分割模型，实现了基于少量包含标签数据的样本图像，也可以确定分割效果良好的医疗图像分割模型。
19.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。
附图说明
20.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
21.图1是本发明实施例提供的一种医疗图像分割模型的确定方法的流程示意图；
22.图2是本发明实施例提供的一种医疗图像分割模型的确定方法的流程图；
23.图3是本发明实施例提供的一种医疗图像分割模型的确定装置的结构框图；
24.图4是本发明实施例提供的电子设备的结构示意图。
具体实施方式
25.为了使本技术领域的人员更好地理解本发明方案，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的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明保护的范围。
26.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
27.实施例一
28.图1是本发明实施例提供的一种医疗图像分割模型的确定方法的流程示意图，本实施例可适用于通过获取不包含标签数据的第一原始样本图像集，基于该样本集得到第一目标图像分割模型，进而基于该模型和包含标签数据的第二目标样本图像集确定第二图像分割模型的情况，该方法可以由医疗图像分割模型的确定装置来执行，该医疗图像分割模型的确定装置可以采用硬件和/或软件的形式实现，该医疗图像分割模型的确定装置可配置于电子设备中，该电子设备可以是pc端或服务端等。
29.如图1所示，该方法包括：
30.s110、获取不包含标签数据的第一原始样本图像集，并基于所述第一原始样本图像集确定第一目标样本图像集。
31.其中，第一原始样本图像集可以是预先获取得到的不包含标签数据的三维医学图像，例如可以是未标注的乳腺相关核磁三维图像。第一目标样本图像集可以理解为对第一原始样本图像集进行预处理后得到的图像集。
32.具体的，获取不包含标签数据的第一原始样本图像集，并对第一原始样本图像集进行处理后，确定第一目标样本图像集。例如可以是通过预先获取未经标注的医疗图像，并将其作为第一原始样本图像集，进而对第一原始样本图像集进行处理后，得到第一目标样本图像集。
33.在上述技术方案的基础上，所述基于所述第一原始样本图像集确定第一目标样本图像集，包括：基于预设图像处理方案对所述第一原始样本图像集进行处理，确定第一待处理样本图像集；对所述第一待处理样本图像集进行数据增强，确定第一目标样本图像集。
34.其中，所述预设图像处理方案至少包括调整图像间隔、调整图像方向、图像归一化以及背景去除中的一种；所述数据增强至少包括随机翻转、图像拉伸中的一种。图像归一化可以是对样本图像进行标准的处理变换，例如将样本图像同一处理为标准像素。第一待处理样本图像可以理解为根据预设的图像处理方案对第一原始样本图像进行预处理后的图像。
35.具体的，基于预设图像处理方案对所述第一原始样本图像集进行处理，确定第一待处理样本图像集，进而对所述第一待处理样本图像集进行数据增强，确定第一目标样本图像集。例如，可以是对第一原始样本图像集进行预处理，包括调整图像间隔、方向等参数，并对图像进行归一化、背景去除等，并在对处理后的图像进行数据增强，例如在图像上随机翻转、拉伸等操作。
36.s120、基于所述第一目标样本图像集对第一预设图像分割模型进行无监督训练，确定第一目标图像分割模型。
37.其中，第一预设图像分割模型可以是预先设置的图像分割模型。无监督训练可以理解为基于没有标签的样本数据训练模型的方式。
38.具体的，基于所述第一目标样本图像集对第一预设图像分割模型进行无监督训练，确定第一目标图像分割模型，需要说明的是，由于第一原始样本图像集中不包含标注数据，则基于第一原始样本数据集得到的第一目标样本图像集中自然也不包含样本数据。
39.在上述技术方案的基础上，所述第一预设图像分割模型包括一个编码器和至少两个解码器；所述基于所述第一目标样本图像集对第一预设图像分割模型进行无监督训练，
确定第一目标图像分割模型，包括：将所述第一目标样本图像集输入至所述编码器中，获取待应用特征信息；基于所述待应用特征信息和所述解码器确定目标损失值，根据所述目标损失值和预设损失值确定所述第一目标图像分割模型。
40.其中，待应用特征信息可以是编码器根据第一目标目标样本图像得到的特征数据。目标损失值可以理解为第一目标图像分割模型的损失值。预设损失值可以是预先设置的损失阈值。
41.具体的，第一预设图像分割模型包括一个编码器和至少两个解码器，仅在获取到第一目标样本图像集后，将第一目标样本图像集输入至编码器中，并获取待应用特征信息，进而基于待应用特征信息和解码器确定目标损失值，最终根据目标损失值和预设损失值确定所述第一目标图像分割模型。
42.在上述技术方案的基础上，所述基于所述待应用特征信息和所述解码器确定目标损失值，包括：基于所述待应用特征信息和所述至少两个解码器确定至少两个待应用输出信息；对所述至少两个待应用输出信息进行激活处理，确定至少两个目标输出信息；基于所述至少两个目标输出信息和预设标签函数，确定至少两个目标标签信息；基于所述目标输出信息和所述目标标签信息确定所述目标损失值。
43.其中，待应用输出信息可以将待应用特征信息输入至解码器中得到的输出信息。目标输出信息可以理解为对待应用输出信息进行特征激活后得到的输出信息。预设标签函数可以是预先设置的软标签函数。目标标签信息可以理解为基于预设标签函数对目标输出信息进行处理后，得到的标签信息。
44.具体的，基于待应用特征信息和所述至少两个解码器确定至少两个待应用输出信息，进而对所述至少两个待应用输出信息进行激活处理，确定至少两个目标输出信息，再将基于所述至少两个目标输出信息和预设标签函数，确定至少两个目标标签信息；基于所述目标输出信息和所述目标标签信息确定所述目标损失值。例如可以将待应用输出信息通过sigmoid激活函数进行激活后，得到目标输出信息，并将目标输出信息通过预设标签函数进行处理，得到目标标签信息，预设标签函数可以是t是该公式中的一个常数。
45.在上述技术方案的基础上，所述基于所述目标输出信息和所述目标标签信息确定所述目标损失值，包括：基于所述目标输出信息和第一损失函数确定第一损失值，并基于所述目标标签信息和第二损失函数确定第二损失值；基于所述第一损失值和所述第二损失值确定所述目标损失值。
46.其中，第一损失函数可以是预先设置的损失函数，例如可以是mumford-shah loss损失函数。第一损失值则可以是基于第一损失函数和目标输出信息确定的损失值，相应的，第二损失值则可以是基于第二损失函数和目标标签信息确定的损失值。第二损失函数可以是预先设置的损失函数，可以是一致性损失函数mean squared error(mse)loss。
47.具体的，基于所述目标输出信息和第一损失函数确定第一损失值，并基于所述目标标签信息和第二损失函数确定第二损失值；基于所述第一损失值和所述第二损失值确定所述目标损失值，例如可以是将经过激活后得到的目标输出信息pa，pb，并将目标输出信息经过预设标签公式进行处理后，得到spla，splb，进而可以基于第一损失函数和pa，pb确定
出第一损失值，基于第二损失函数和spla，splb得到第二损失值，进而基于第一损失值和第二损失值确定目标损失值。
48.s130、获取包含标签数据的第二目标样本图像集，基于所述第二目标样本图像集和所述第一目标图像分割模型进行有监督训练，确定第二图像分割模型。
49.其中，第二目标样本图像集可以是包含标签数据的图像集。第二图像分割模型可以理解为最终得到的图像分割模型，也即目标模型。
50.具体的，通过无监督训练得到第一目标图像分割模型后，获取第二目标样本图像集，基于第二目标样本图像集和第一目标图像分割模型进行有监督训练，确定出第二图像分割模型。
51.在上述技术方案的基础上，在所述获取第二目标样本图像集之前，包括：获取包含标签数据第二原始样本图像集，对所述第二原始样本图像集进行预处理，确定第二目标样本图像集。
52.其中，所述预处理至少包括调整图像间隔、调整图像方向、图像归一化以及背景去除中的一种。所述第二原始样本图像集的样本图像数量小于所述第一原始样本图像集的样本图像数量。
53.具体的，在获取第二目标样本图像集之前，还需要获取到包含标签数据第二原始样本图像集，并对第二原始样本图像集进行预处理后，得到的第二目标样本图像集，需要说明的是，第二原始样本图像集可以是预先由人工标注后得到的乳腺癌核磁三维图像，并且第二原始样本图像集的图像数量小于第一原始样本图像集的样本图像数量。
54.在上述技术方案的基础上，所述基于所述第二目标样本图像集和所述第一目标图像分割模型进行有监督训练，确定第二图像分割模型，包括：获取所述第一目标图像分割模型中的权重参数信息，并将所述权重参数信息代入第二预设图像分割模型；基于所述第二目标样本图像集对所述第二预设图像分割模型进行有监督训练，确定所述第二图像分割模型。
55.其中，权重参数信息可以是第一目标图像分割模型中的各模型参数。第二预设图像分割模型可以是预先设置的未经训练的图像分割模型。
56.具体的，获取第一目标图像分割模型中的权重参数信息，并将所述权重参数信息代入第二预设图像分割模型，并基于第二目标样本图像集对第二预设图像分割模型进行有监督训练，确定第二图像分割模型，例如可以是将第二预设图像分割模型的编码部分与无监督任务种模型的编码部分相同，解码部分使用训练好的多个解码器中效果较好的作为下游解码器使用，进而将编码器和解码器的预训练权重代入第二预设图像分割模型，并基于第二目标样本图像集对第二预设图像分割模型进行训练。
57.本发明实施例的技术方案，通过获取不包含标签数据的第一原始样本图像集，并基于所述第一原始样本图像集确定第一目标样本图像集，并基于所述第一目标样本图像集对第一预设图像分割模型进行无监督训练，确定第一目标图像分割模型，最终获取包含标签数据的第二目标样本图像集，基于所述第二目标样本图像集和所述第一目标图像分割模型进行有监督训练，确定第二图像分割模型，基于上述技术方案，通过获取不包含标签数据的样本图像集，并基于该不包含标签数据的样本图像集确定第一目标图像分割模型，并根据第一目标图像分割模型和包含标签数据的第二目标样本图像集确定第二图像分割模型，
实现了基于少量包含标签数据的样本图像，也可以确定分割效果良好的医疗图像分割模型。
58.实施例二
59.图2为本发明实施例提供的一种医疗图像分割模型的确定方法的流程图，本实施例在上述实施例的基础上，进一步优化了上述医疗图像分割模型的确定方法。其具体的实施方式可以参见本实施例技术方案。其中，与上述实施例相同或者相应的技术术语在此不再赘述。
60.如图2所示，该方法包括：
61.获取并处理第一原始样本图像集：具体的，通过收集大量未标注的乳腺相关核磁三维图像，对图像进行预处理，包括调整图像的spacing、方向等参数，并对图像进行归一化、背景去除等，并对图像进行随机翻转、拉伸等操作，确定第一目标样本图像集。
62.确定第一目标图像分割模型：具体的，构建训练网络，这里采用segresnet作为例子，使用segresnet编码器，连接多个不同的解码器，这里以两个解码器为例，一个解码器为使用卷积进行上采样的解码器，另一个解码器为使用三线性插值来扩展特征图的辅助解码器，并且在两个解码器的后面接sigmoid激活函数。
63.需要说明的是，将第一目标样本图像集输入模型后，两个解码器经过激活函数分别得到pa pb,并基于预设标签公式进行处理后得到spla splb，通过一致性损失对两个解码网络相互监督，也即基于pa pb确定第一损失值，基于spla splb确定第二损失值，目标损失值可以是：l＝λ(l
ms
(p,pa)+l
ms
(p,pb))+μ(lc(spla,pb)+lc(splb,pa))；其中，λ,μ为可调节参数。进而基于目标损失值和预设损失值确定出第一目标图像分割模型。
64.确定第二目标图像分割模型：具体的，结束无监督任务的训练后，保存无监督任务网络的权重，作为下游任务的预训练权重；选择乳腺癌病灶分割任务为下游任务，收集少量标注的乳腺癌核磁三维图像，作为下游任务数据集，对图像进行预处理(包括调整图像的spacing、方向等参数，并对图像进行归一化、背景去除等)；在下游任务开始时，首先设计模型的编码部分与无监督任务种模型的编码部分相同，解码部分使用训练好的多个解码器中效果较好的作为下游解码器使用。载入编码器和解码器的预训练权重，将有标注的乳腺癌核磁图像送入网络进行训练。
65.需要说明的是，本发明实施例提供的技术方案通过运用大量未标注的医学图像样进行自监督任务训练，将训练结果作为预训练参数输入模型，以提升有标注的小样本训练任务的准确性。首先根据具体的下游任务选取模型，这里假定为乳腺癌核磁图像病灶分割任务。收集大量未标注的乳腺核磁图像，对图像进行变换，对图像做分割。选择3d图像深度学习框架(这里以segresnet为例)，将网络的编码器保留，连接多个不同的解码器，这里采用两个解码器，一个解码器为使用卷积进行上采样的解码器，另一个解码器为使用三线性插值来扩展特征图的辅助分类器。在两个分类器的后面接sigmoid激活函数。使用mumford-shah loss作为损失函数，但为了使得熵值变小，同时模型有更好的分割能力，利用软标签与原来解码器通过激活函数生成的标签进行对比，计算一致性损失。将msloss和consistencyloss结合，训练自监督任务。在下游任务开始时，首先设计模型的编码部分与自监督任务种模型的编码部分相同，解码部分使用训练好的多个解码器中效果较好的作为下游解码器使用。载入编码器和解码器的预训练权重，将少量有标注的乳腺癌核磁图像送
入网络进行训练，可以显著提升分割的结果。
66.本发明实施例的技术方案，通过获取不包含标签数据的第一原始样本图像集，并基于所述第一原始样本图像集确定第一目标样本图像集，并基于所述第一目标样本图像集对第一预设图像分割模型进行无监督训练，确定第一目标图像分割模型，最终获取包含标签数据的第二目标样本图像集，基于所述第二目标样本图像集和所述第一目标图像分割模型进行有监督训练，确定第二图像分割模型，基于上述技术方案，通过获取不包含标签数据的样本图像集，并基于该不包含标签数据的样本图像集确定第一目标图像分割模型，并根据第一目标图像分割模型和包含标签数据的第二目标样本图像集确定第二图像分割模型，实现了基于少量包含标签数据的样本图像，也可以确定分割效果良好的医疗图像分割模型。
67.实施例三
68.图3为本发明实施例提供的一种医疗图像分割模型的确定装置的结构框图。如图3所示，该装置包括：样本集处理模块310、无监督训练模块320和有监督训练模块330。
69.样本集处理模块310，用于获取不包含标签数据的第一原始样本图像集，并基于所述第一原始样本图像集确定第一目标样本图像集；
70.无监督训练模块320，用于基于所述第一目标样本图像集对第一预设图像分割模型进行无监督训练，确定第一目标图像分割模型；
71.有监督训练模块330，用于获取包含标签数据的第二目标样本图像集，基于所述第二目标样本图像集和所述第一目标图像分割模型进行有监督训练，确定第二图像分割模型。
72.在上述技术方案的基础上，所述第一预设图像分割模型包括一个编码器和至少两个解码器，所述无监督训练模块用于将所述第一目标样本图像集输入至所述编码器中，获取待应用特征信息；基于所述待应用特征信息、所述编码器和所述解码器确定目标损失值，根据所述目标损失值和预设损失值确定所述第一目标图像分割模型。
73.在上述技术方案的基础上，所述无监督训练模块用于基于所述待应用特征信息和所述至少两个解码器确定至少两个待应用输出信息；对所述至少两个待应用输出信息进行激活处理，确定至少两个目标输出信息；基于所述至少两个目标输出信息和预设标签函数，确定至少两个目标标签信息；基于所述目标输出信息和所述目标标签信息确定所述目标损失值。
74.在上述技术方案的基础上，所述无监督训练模块用于基于所述目标输出信息和第一损失函数确定第一损失值，并基于所述目标标签信息和第二损失函数确定第二损失值；基于所述第一损失值和所述第二损失值确定所述目标损失值。
75.在上述技术方案的基础上，样本集处理模块用于基于预设图像处理方案对所述第一原始样本图像集进行处理，确定第一待处理样本图像集；其中，所述预设图像处理方案至少包括调整图像间隔、调整图像方向、图像归一化以及背景去除中的一种；对所述第一待处理样本图像集进行数据增强，确定第一目标样本图像集；其中，所述数据增强至少包括随机翻转、图像拉伸中的一种。
76.在上述技术方案的基础上，所述样本集处理模块还用于在获取第二目标样本图像集之前，获取包含标签数据第二原始样本图像集，对所述第二原始样本图像集进行预处理，
确定第二目标样本图像集；其中，所述预处理至少包括调整图像间隔、调整图像方向、图像归一化以及背景去除中的一种；所述第二原始样本图像集的样本图像数量小于所述第一原始样本图像集的样本图像数量。
77.在上述技术方案的基础上，所述有监督训练模块用于获取所述第一目标图像分割模型中的权重参数信息，并将所述权重参数信息代入第二预设图像分割模型；基于所述第二目标样本图像集对所述第二预设图像分割模型进行有监督训练，确定所述第二图像分割模型。
78.本发明实施例的技术方案，通过获取不包含标签数据的第一原始样本图像集，并基于所述第一原始样本图像集确定第一目标样本图像集，并基于所述第一目标样本图像集对第一预设图像分割模型进行无监督训练，确定第一目标图像分割模型，最终获取包含标签数据的第二目标样本图像集，基于所述第二目标样本图像集和所述第一目标图像分割模型进行有监督训练，确定第二图像分割模型，基于上述技术方案，通过获取不包含标签数据的样本图像集，并基于该不包含标签数据的样本图像集确定第一目标图像分割模型，并根据第一目标图像分割模型和包含标签数据的第二目标样本图像集确定第二图像分割模型，实现了基于少量包含标签数据的样本图像，也可以确定分割效果良好的医疗图像分割模型。
79.本发明实施例所提供的医疗图像分割模型的确定装置可执行本发明任意实施例所提供的医疗图像分割模型的确定方法，具备执行方法相应的功能模块和有益效果。
80.实施例四
81.图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
82.如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
83.电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
84.处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如医疗
图像分割模型的确定方法。
85.在一些实施例中，医疗图像分割模型的确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的医疗图像分割模型的确定方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行医疗图像分割模型的确定方法。
86.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
87.用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
88.在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
89.为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
90.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数
字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
91.计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
92.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
93.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

技术特征：
1.一种医疗图像分割模型的确定方法，其特征在于，包括：获取不包含标签数据的第一原始样本图像集，并基于所述第一原始样本图像集确定第一目标样本图像集；基于所述第一目标样本图像集对第一预设图像分割模型进行无监督训练，确定第一目标图像分割模型；获取包含标签数据的第二目标样本图像集，基于所述第二目标样本图像集和所述第一目标图像分割模型进行有监督训练，确定第二图像分割模型。2.根据权利要求1所述的方法，其特征在于，所述第一预设图像分割模型包括一个编码器和至少两个解码器；所述基于所述第一目标样本图像集对第一预设图像分割模型进行无监督训练，确定第一目标图像分割模型，包括：将所述第一目标样本图像集输入至所述编码器中，获取待应用特征信息；基于所述待应用特征信息和所述解码器确定目标损失值，根据所述目标损失值和预设损失值确定所述第一目标图像分割模型。3.根据权利要求2所述的方法，其特征在于，所述基于所述待应用特征信息和所述解码器确定目标损失值，包括：基于所述待应用特征信息和所述至少两个解码器确定至少两个待应用输出信息；对所述至少两个待应用输出信息进行激活处理，确定至少两个目标输出信息；基于所述至少两个目标输出信息和预设标签函数，确定至少两个目标标签信息；基于所述目标输出信息和所述目标标签信息确定所述目标损失值。4.根据权利要求3所述的方法，其特征在于，所述基于所述目标输出信息和所述目标标签信息确定所述目标损失值，包括：基于所述目标输出信息和第一损失函数确定第一损失值，并基于所述目标标签信息和第二损失函数确定第二损失值；基于所述第一损失值和所述第二损失值确定所述目标损失值。5.根据权利要求1所述的方法，其特征在于，所述基于所述第一原始样本图像集确定第一目标样本图像集，包括：基于预设图像处理方案对所述第一原始样本图像集进行处理，确定第一待处理样本图像集；其中，所述预设图像处理方案至少包括调整图像间隔、调整图像方向、图像归一化以及背景去除中的一种；对所述第一待处理样本图像集进行数据增强，确定第一目标样本图像集；其中，所述数据增强至少包括随机翻转、图像拉伸中的一种。6.根据权利要求1所述的方法，其特征在于，在所述获取第二目标样本图像集之前，包括：获取包含标签数据第二原始样本图像集，对所述第二原始样本图像集进行预处理，确定第二目标样本图像集；其中，所述预处理至少包括调整图像间隔、调整图像方向、图像归一化以及背景去除中的一种；所述第二原始样本图像集的样本图像数量小于所述第一原始样本图像集的样本图像数量。7.根据权利要求1所述的方法，其特征在于，所述基于所述第二目标样本图像集和所述
第一目标图像分割模型进行有监督训练，确定第二图像分割模型，包括：获取所述第一目标图像分割模型中的权重参数信息，并将所述权重参数信息代入第二预设图像分割模型；基于所述第二目标样本图像集对所述第二预设图像分割模型进行有监督训练，确定所述第二图像分割模型。8.一种医疗图像分割模型的确定装置，其特征在于，包括：样本集处理模块，用于获取不包含标签数据的第一原始样本图像集，并基于所述第一原始样本图像集确定第一目标样本图像集；无监督训练模块，用于基于所述第一目标样本图像集对第一预设图像分割模型进行无监督训练，确定第一目标图像分割模型；有监督训练模块，用于获取包含标签数据的第二目标样本图像集，基于所述第二目标样本图像集和所述第一目标图像分割模型进行有监督训练，确定第二图像分割模型。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；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权利要求1-7中任一项所述的医疗图像分割模型的确定方法。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中任一项所述的医疗图像分割模型的确定方法。

技术总结
本发明公开了一种医疗图像分割模型的确定方法、装置、设备及介质，其中，该方法包括：获取不包含标签数据的第一原始样本图像集，并基于所述第一原始样本图像集确定第一目标样本图像集；基于所述第一目标样本图像集对第一预设图像分割模型进行无监督训练，确定第一目标图像分割模型；获取包含标签数据的第二目标样本图像集，基于所述第二目标样本图像集和所述第一目标图像分割模型进行有监督训练，确定第二图像分割模型。基于上述技术方案，解决了现有技术中在缺乏标注图像时，模型训练效果不佳的问题，实现了基于少量包含标签数据的样本图像，也可以确定分割效果良好的医疗图像分割模型。型。型。


技术研发人员：许文仪 刘长东 周子捷
受保护的技术使用者：联仁健康医疗大数据科技股份有限公司
技术研发日：2023.05.23
技术公布日：2023/8/14