基于图像分割的心脏图像处理方法、装置、设备及介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113850826A(43)申请公布日2021.12.28(21)申请号202111138992.0(22)申请日2021.09.27(71)申请人平安科技（深圳）有限公司地址518057广东省深圳市福田区福田街道福安社区益田路5033号平安金融中心23楼(72)发明人张旭龙王健宗(74)专利代理机构深圳市力道知识产权代理事务所(普通合伙)44507代理人张传义(51)Int.Cl.G06T7/11(2017.01)G06N3/04(2006.01)G06N3/08(2006.01)G06K9/62(2006.01)权利要求书3页说明书12页附图3页(54)发明名称基于图像分割的心脏图像处理方法、装置、设备及介质(57)摘要本申请涉及医疗领域以及人工智能中的图像分割领域，提供了一种心脏图像处理方法，包括：获取第一样本数据集和第二样本数据集；对所述第一样本数据集进行扩充，得到第三样本数据集，并获取待训练的心脏分割模型，其中，心脏分割模型包括学生网络和教师网络；根据第二样本数据集和第三样本数据集，对心脏分割模型进行迭代训练，得到目标心脏分割模型；获取待分割的目标心脏图像，并将目标心脏图像输入目标心脏分割模型进行图像分割，得到目标心脏分割图像。本申请减少心脏分割模型的数据标注成本，提高心脏分割模型的准确性。本申请还涉及区块链技术，上述目标心脏分割模型可存储在区块链中。CN113850826ACN113850826A权利要求书1/3页1.一种基于图像分割的心脏图像处理方法，其特征在于，包括：获取第一样本数据集和第二样本数据集，所述第一样本数据集中的数据包含标注，所述第二样本数据集中的数据无标注；对所述第一样本数据集进行扩充，得到第三样本数据集，并获取待训练的心脏分割模型，其中，所述心脏分割模型包括学生网络和教师网络；根据所述第二样本数据集和所述第三样本数据集，对所述心脏分割模型进行迭代训练，得到目标心脏分割模型，其中，所述教师网络的模型参数是基于指数加权平均算法和所述学生网络的模型参数进行更新的；获取待分割的目标心脏图像，并将所述目标心脏图像输入所述目标心脏分割模型进行图像分割，得到目标心脏分割图像。2.根据权利要求1所述的心脏图像处理方法，其特征在于，所述根据所述第二样本数据集和所述第三样本数据集，对所述心脏分割模型进行迭代训练，包括：交替地从所述第三样本数据集和所述第二样本数据集中选择一条样本数据作为目标样本数据；将所述目标样本数据中的心脏图像输入所述学生网络进行处理，得到第一预测注意力图和第一预测心脏分割图；将所述目标样本数据中的心脏图像输入所述教师网络进行处理，得到第二预测注意力图和第二预测心脏分割图；根据所述第一预测注意力图、所述第一预测心脏分割图、所述第二预测注意力图和所述第二预测心脏分割图，确定模型损失值；根据所述模型损失值确定所述心脏分割模型是否收敛；若所述心脏分割模型未收敛，则更新所述心脏分割模型的模型参数；返回执行交替地从所述第三样本数据集和所述第二样本数据集中选择一条样本数据作为目标样本数据的步骤，直至所述心脏分割模型收敛。3.根据权利要求2所述的心脏图像处理方法，其特征在于，所述根据所述第一预测注意力图、所述第一预测心脏分割图、所述第二预测注意力图和所述第二预测心脏分割图，确定模型损失值，包括：若所述目标样本数据为所述第二样本数据，则基于第一损失函数，计算所述第一预测心脏分割图与所述第二预测心脏分割图之间的误差，得到第一损失值；基于第二损失函数，计算所述第一预测注意力图与所述第二预测注意力图之间的误差，得到第二损失值；对所述第一损失值和所述第二损失值进行加权求和，得到模型损失值。4.根据权利要求2所述的心脏图像处理方法，其特征在于，所述根据所述第一预测注意力图、所述第一预测心脏分割图、所述第二预测注意力图和所述第二预测心脏分割图，确定模型损失值，包括：若所述目标样本数据为所述第一样本数据，则基于第一损失函数，计算所述第一预测心脏分割图与所述第二预测心脏分割图之间的误差，得到第一损失值；基于第二损失函数，计算所述第一预测注意力图与所述第二预测注意力图之间的误差，得到第二损失值；2CN113850826A权利要求书2/3页基于第三损失函数，计算所述第一样本数据中标注的心脏分割图像与所述第一预测心脏分割图之间的交叉熵，得到第三损失值；对所述第一样本数据中标注的心脏分割图像进行处理，得到目标注意力图，并基于第四损失函数，计算所述目标注意力图与所述第一预测注意力图之间的误差，得到第四损失值；对所述第一损失值、所述第二损失值、所述第三损失值和所述第四损失值进行加权求和，得到模型损失值。5.根据权利要求2所述的心脏图像处理方法，其特征在于，所述更新