基于图像分割的心脏图像处理方法、装置、设备及介质

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。

说明书

技术领域

本申请涉及图像处理领域，尤其涉及一种基于图像分割的心脏图像处理方法、装置、设备及介质。

背景技术

心脏是人体中最重要的器官之一，心脏疾病会严重影响患者的日常生活，甚至随时可能夺走患者的生命。对心脏图像进行分割在临床医学研究心脏病变组织中起着至关重要的作用，它能够辅助医生诊断，减少人为失误，提高就医效率，节省医生和病人宝贵时间。目前，主要基于深度学习算法来训练心脏分割模型，为了使得心脏分割模型具有良好的分割效果，需要大量有标注的心脏图像，而心脏图像的标注较为困难，需要耗费较多的人力物力，用户体验不好。

发明内容

本申请实施例提供一种基于图像分割的心脏图像处理方法、装置、设备及介质，旨在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。

第一方面，本申请实施例提供一种基于图像分割的心脏图像处理方法，包括：

获取第一样本数据集和第二样本数据集，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。

第二方面，本申请实施例还提供一种心脏图像处理装置，所述心脏图像处理装置包括：

获取模块，用于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；

数据扩充模块，用于对所述第一样本数据集进行扩充，得到第三样本数据集；

所述获取模块，还用于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；

模型训练模块，用于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；

图像分割模块，用于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。

第三方面，本申请实施例还提供一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上所述的心脏图像处理方法的步骤。

第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上所述的心脏图像处理方法的步骤。

本申请实施例提供一种基于图像分割的心脏图像处理方法、装置、设备及介质，通过包括标注的样本数据的第一样本数据集以及包括未标注的样本数据的第二样本数集，来对包括学生网络和教师网络的心脏分割模型进行迭代训练，可以实现利用少量有标注数据并辅以大量无标注数据对心脏分割模型进行学习，不需要大量有标注数据，从而减少了数据标注成本，同时，基于指数加权平均算法和学生网络的模型参数，对教师网络的模型参数进行更新，可以提高教师网络的图像分割性能，进而提高心脏分割模型的准确性。

附图说明

为了更清楚地说明本申请实施例技术方案，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，下面描述中的附图是本申请的一些实施例，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。

图1是本申请实施例提供的一种心脏图像处理方法的流程示意图；

图2是本申请实施例中的待训练的心脏分割图像的一层级结构示意图；

图3是本申请实施例中的目标心脏分割图像的一层级结构示意图；

图4是本申请实施例提供的一种心脏图像处理装置的示意性框图；

图5是本申请实施例提供的一种计算机设备的结构示意性框图。

本申请目的的实现、功能特点及优点将结合实施例，参阅附图做进一步说明。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

附图中所示的流程图仅是示例说明，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、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，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。

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、机器人技术、生物识别技术、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。

本申请实施例提供一种基于图像分割的心脏图像处理方法、装置、设备及介质。其中，该心脏图像处理方法可应用于服务器中，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参阅图1，图1是本申请实施例提供的一种基于图像分割的心脏图像处理方法的流程示意图。

如图1所示，基于图像分割的心脏图像处理方法包括步骤S101至步骤S104。

步骤S101、获取第一样本数据集和第二样本数据集。

其中，第一样本数据集中的数据包含标注，第二样本数据集中的数据无标注，第一样本数据集包括多个第一样本数据，第二样本数据集包括多个第二样本数据，第一样本数据的个数小于第二样本数据的个数，第一样本数据包括心脏图像和标注的心脏分割图，第二样本数据仅包括心脏图像，心脏图像可包括心脏医学影像，医学影像是指为了医疗或医学研究，以非侵入方式取得的内部组织，比如，通过CT(Computed Tomography，电子计算机断层扫描)、MRI(Magnetic Resonance Imaging，磁共振成像)、US(ultrasonic，超声)等医学仪器生成的图像。

步骤S102、对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。

示例性的，确定第一样本数据集中的第一样本数据的第一个数和第二样本数据集中的第二样本数据的第二个数；根据第二个数和第一个数，确定扩充倍率，并按照该扩充倍率对第一样本数据集进行扩充，得到第三样本数据集。其中，第二样本数据集与第三样本数据集之间的样本个数差值小于或等于预设阈值，预设阈值可基于实际情况进行设置，本实施例对此不做具体限定，例如，预设阈值为15。

示例性的，将第二个数与第一个数的比值确定为扩充倍率。例如，第一样本数据集包括50条第一样本数据，第二样本数据集包括1000条第二样本数据，则扩充倍率为1000/50＝20。或者，确定第二个数与第一个数的差值，得到样本个数差值，并将样本个数差值与第一个数的比值确定为扩充倍率。例如，第一样本数据集包括50条第一样本数据，第二样本数据集包括1000条第二样本数据，则样本个数差值为950，扩充倍率为950/50＝19。

示例性的，按照扩充倍率第一样本数据集进行扩充处理，得到第三样本数据集的方式可以为：按照扩充倍率对第一样本数据集进行复制，得到新增样本数据，合并新增样本数据，得到第三样本数据集。例如，扩充倍率为20，第一样本数据集包括50第一条样本数据，则对这50条样本数复制20次，最后合并复制20次得到的样本数据，从而得到包含1000条第一样本数据的第三样本数据集。

示例性的，从第一样本数据集中随机抽样预设比例的第一样本数据，直至抽样次数达到该扩充倍率，得到新增样本数据，合并新增样本数据和第一样本数据集，得到第三样本数据集。例如，扩充倍率为19，第一样本数据集包括50条第一样本数据，则每次从50条第一样本数据中随机抽样98％(45条)的第一样本数据，共计抽样19次，得到931条新增样本数据，最后合并新增的931条样本数据和第一样本数据集，从而得到包含981条第一样本数据的第三样本数据集。

其中，待训练的心脏分割模型包括学生网络和教师网络。如图2所示，心脏分割模型包括学生网络10和教师网络20，学生网络10包括第一特征提取网络11、第一注意力机制网络12、第一卷积层13、第一Relu层14和第一softmax层15，且第一特征提取网络11与第一注意力机制网络12连接，第一注意力机制网络12分别与第一卷积层13和第一softmax层15连接，第一卷积层13与第一Relu层14连接，教师网络20包括第二特征提取网络21、第二注意力机制网络22、第二卷积层23、第二Relu层24和第二softmax层25，且第二特征提取网络21与第二注意力机制网络22连接，第二注意力机制网络22分别与第二卷积层23和第二softmax层25连接，第二卷积层23与第二Relu层24连接。

可以理解的是，第一特征提取网络11与第二特征提取网络21可以相同，也可以不同，第一注意力机制网络12与第二注意力机制网络22可以相同，也可以不相同，第一卷积层13与第二卷积层23可以相同，也可以不相同。例如，第一特征提取网络11为残差网络Resnet，第二特征提取网络21为U-net网络，第一注意力机制网络12为Self-Attention，第二注意力机制网络22为Soft-Attention，第一卷积层13与第二卷积层23均为一个卷积核大小为1x1的卷积层。

步骤S103、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。

其中，教师网络的模型参数是基于指数加权平均算法和学生网络的模型参数进行更新的，目标心脏分割模型可以仅包括教师网络，当然也可以包括学生网络和教师网络，本实施例对此不做具体限定。

示例性的，交替地从第三样本数据集和第二样本数据集中选择一条样本数据作为目标样本数据；将目标样本数据中的心脏图像输入学生网络进行处理，得到第一预测注意力图和第一预测心脏分割图；将目标样本数据中的心脏图像输入教师网络进行处理，得到第二预测注意力图和第二预测心脏分割图；根据第一预测注意力图、第一预测心脏分割图、第二预测注意力图和第二预测心脏分割图，确定模型损失值；根据模型损失值确定心脏分割模型是否收敛；若心脏分割模型未收敛，则更新心脏分割模型的模型参数，并返回执行交替地从第三样本数据集和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，直至心脏分割模型收敛。

示例性的，根据模型损失值确定心脏分割模型是否收敛的方式可以为：确定模型损失值是否小于或等于预设损失值；若模型损失值小于或等于预设损失值，则确定心脏分割模型收敛；若模型损失值大于预设损失值，则确定心脏分割模型未收敛。其中，预设损失值可基于实际情况进行设置，本实施例对此不做具体限定。

示例性的，将心脏图像输入学生网络进行处理，得到第一预测注意力图和第一预测心脏分割图的方式可以为：将心脏图像输入第一特征提取网络进行特征提取，得到第一特征图；将第一特征图输入第一注意力机制网络进行处理，得到第二特征图；将第二特征图输入第一卷积层进行卷积，得到第三特征图；将第三特征图输入第一Relu层进行处理，得到第一预测注意力图；将第二特征图输入第一softmax层进行处理，得到第一预测心脏分割图。

示例性的，将心脏图像输入教师网络进行处理，得到第二预测注意力图和第二预测心脏分割图的方式可以为：将心脏图像输入第二特征提取网络进行特征提取，得到第四特征图；将第四特征图输入第二注意力机制网络进行处理，得到第五特征图；将第五特征图输入第二卷积层进行卷积，得到第六特征图；将第六特征图输入第二Relu层进行处理，得到第二预测注意力图；将第五特征图输入第二softmax层进行处理，得到第二预测心脏分割图。

示例性的，交替地从第三样本数据集和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方式可以为：从第三样本数据集选择一条样本数据作为目标样本数据；若从第三样本数据集选择的样本个数达到第一预设个数，则从第二样本数据集选择一条样本数据作为目标样本数据；若从第二样本数据集选择的样本个数达到第二预设个数，则又从第三样本数据集选择一条样本数据作为目标样本数据，如此反复，从而实现交替地从第三样本数据集和第二样本数据集中选择一条样本数据作为目标样本数据。

其中，第一预设个数与第二预设个数可以相同，也可以不同，且第一预设个数与第二预设个数可以基于实际情况进行设置，本实施例对此不做具体限定。例如，第一预设个数为1个，第二预设个数为1个，又例如，第一预设个数为3个，第二预设个数为2个。

示例性的，根据第一预测注意力图、第一预测心脏分割图、第二预测注意力图和第二预测心脏分割图，确定模型损失值的方式可以为：若目标样本数据为无标注的第二样本数据，则基于第一损失函数，计算第一预测心脏分割图与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，计算第一预测注意力图与第二预测注意力图之间的误差，得到第二损失值；对第一损失值和第二损失值进行加权求和，得到模型损失值。

示例性的，获取第一加权系数和第二加权系数；对第一加权系数和第一损失值进行加法运算，得到第一加权损失值；对第二加权系数和第二损失值进行加法运算，得到第二加权损失值；累加第一加权损失值和第二加权损失值，得到模型损失值。其中，第一加权系数和第二加权系数可基于实际情况进行设置，本实施例对此不做具体限定。

其中，第一损失函数可以为：

其中，N为总像素点个数，n为分类类别数，p

其中，第二损失函数可以为：

其中，N

示例性的，根据第一预测注意力图、第一预测心脏分割图、第二预测注意力图和第二预测心脏分割图，确定模型损失值的方式可以为：若目标样本数据为有标注的第一样本数据，则基于第一损失函数，计算第一预测心脏分割图与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，计算第一预测注意力图与第二预测注意力图之间的误差，得到第二损失值；基于第三损失函数，计算第一样本数据中标注的心脏分割图像与第一预测心脏分割图之间的交叉熵，得到第三损失值；对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，计算目标注意力图与第一预测注意力图之间的误差，得到第四损失值；对第一损失值、第二损失值、第三损失值和第四损失值进行加权求和，得到模型损失值。

示例性的，获取第一加权系数、第二加权系数、第三加权系数和第四加权系数；对第一加权系数和第一损失值进行加法运算，得到第一加权损失值；对第二加权系数和第二损失值进行加法运算，得到第二加权损失值；对第三加权系数和第三损失值进行加法运算，得到第三加权损失值；对第四加权系数和第四损失值进行加法运算，得到第四加权损失值；累加第一加权损失值第二加权损失值、第三加权损失值和第四加权损失值，得到模型损失值。其中，第一加权系数、第二加权系数、第三加权系数和第四加权系数可基于实际情况进行设置，本实施例对此不做具体限定。

其中，第三损失函数可以为交叉熵损失函数，具体可以为：

其中，N为总像素点个数，n为分类类别数，p

其中，第四损失函数可以为：

其中，N

示例性的，更新心脏分割模型的模型参数的方式可以为：基于反向传播算法，更新学生网络的模型参数；基于指数加权平均算法和学生网络的模型参数，对教师网络的模型参数进行更新。通过指数加权平均算法和学生网络的模型参数，来更新教师网络的模型参数，可以使得教师网络可以获得更好的图像分割性能。

示例性的，基于指数加权平均算法和学生网络的模型参数，对教师网络的模型参数进行更新的方式可以为：获取教师网络在当前迭代轮数下的第一模型参数和学生网络在前一次迭代轮数的第二模型参数；根据第一模型参数、第二模型参数和预设调节系数，确定教师网络的目标模型参数；将教师网络的模型参数更新为目标模型参数。其中，预设调节系数可基于实际情况进行设置，本实施例对此不做具体限定。

示例性的，根据第一模型参数、第二模型参数和预设调节系数，确定教师网络的目标模型参数的方式可以为：计算第二模型参数与预设调节系数的乘积，得到模型参数增益值；对第一模型参数和模型参数增益值进行累加，得到教师网络的目标模型参数。例如，θ′

步骤S104、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。

其中，目标心脏分割模型可以仅包括教师网络，当然也可以包括学生网络和教师网络，本实施例对此不做具体限定。可选的，目标心脏分割模型仅包括教师网络，如图3所示，目标心脏分割模型包括第三特征提取网络31、第三注意力机制网络32和第三softmax层33，且第三特征提取网络31与第三注意力机制网络32连接，第三注意力机制网络32与第三softmax层33连接，第三特征提取网络31为图2中的第二特征提取网络21经过迭代训练后得到的网络，第三注意力机制网络32为图2中的第二注意力机制网络22经过迭代训练后得到的网络，第三softmax层33是图2中的第二softmax层25经过迭代训练后得到的。目标心脏分割模型可以存储于区块链中，以提高目标心脏分割模型的安全性。

示例性的，将目标心脏图像输入第三特征提取网络进行特征提取，得到第一目标特征图；将第一目标特征图输入第三注意力机制网络进行处理，得到第二目标特征图；将第二目标特征图输入第三softmax层进行处理，得到目标心脏图像中的各像素点为各分类类别的预测概率；根据目标心脏图像中的各像素点为各分类类别的预测概率，确定目标心脏图像中的各像素点的目标分类类别；根据目标心脏图像中的各像素点的目标分类类别，生成目标心脏分割图像。其中，像素点的分类类别可以包括左心室、右心室、左心室外壁、心脏外壁等，当然也可以包括其余分类类别，本实施例对此不做具体限定。

示例性的，根据目标心脏图像中的像素点为各分类类别的预测概率，确定目标心脏图像中的像素点的目标分类类别的方式可以为：将预测概率最大所对应的分类类别确定为像素点的目标分类类别。例如，目标心脏图像中的像素点A为左心室、右心室、左心室外壁、心脏外壁的预测概率分别为p

上述实施例提供的心脏图像处理方法，通过包括标注的样本数据的第一样本数据集以及包括未标注的样本数据的第二样本数集，来对包括学生网络和教师网络的心脏分割模型进行迭代训练，可以实现利用少量有标注数据并辅以大量无标注数据对心脏分割模型进行学习，不需要大量有标注数据，从而减少了数据标注成本，同时，基于指数加权平均算法和学生网络的模型参数，对教师网络的模型参数进行更新，可以提高教师网络的图像分割性能，进而提高心脏分割模型的准确性。

请参阅图4，图4是本申请实施例提供的一种心脏图像处理装置的示意性框图。

如图4所示，该心脏图像处理装置200，包括：

获取模块210，用于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；

数据扩充模块220，用于对所述第一样本数据集进行扩充，得到第三样本数据集；

所述获取模块210，还用于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；

模型训练模块230，用于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；

图像分割模块240，用于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。

在一实施例中，所述模型训练模块230还用于：

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。

在一实施例中，所述模型训练模块230还用于：

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。

在一实施例中，所述模型训练模块230还用于：

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；

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。

在一实施例中，所述模型训练模块230还用于：

基于反向传播算法，更新所述学生网络的模型参数；

获取所述教师网络在当前迭代轮数下的第一模型参数和所述学生网络在前一次迭代轮数的第二模型参数；

根据所述第一模型参数、所述第二模型参数和预设调节系数，确定所述教师网络的目标模型参数；

将所述教师网络的模型参数更新为所述目标模型参数。

在一实施例中，所述模型训练模块230还用于：

计算所述第二模型参数与所述预设调节系数的乘积，得到模型参数增益值；

对所述第一模型参数和所述模型参数增益值进行累加，得到所述教师网络的目标模型参数。

在一实施例中，所述数据扩充模块220还用于：

确定所述第一样本数据集中的第一样本数据的第一个数和所述第二样本数据集中的第二样本数据的第二个数；

根据所述第二个数和所述第一个数，确定扩充倍率，并按照所述扩充倍率对所述第一样本数据集进行扩充，得到第三样本数据集。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块及单元的具体工作过程，可以参考前述基于图像分割的心脏图像处理方法实施例中的对应过程，在此不再赘述。

上述实施例提供的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图5所示的计算机设备上运行。

请参阅图5，图5是本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为服务器。

如图5所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括存储介质和内存储器。

存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种基于图像分割的心脏图像处理方法。

处理器用于提供计算和控制能力，支撑整个计算机设备的运行。

该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

其中，在一实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现以下步骤：

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。

在一实施例中，所述处理器在实现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时，用于实现：

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。

在一实施例中，所述处理器在实现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，确定模型损失值时，用于实现：

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。

在一实施例中，所述处理器在实现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，确定模型损失值时，用于实现：

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；

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。

在一实施例中，所述处理器在实现更新所述心脏分割模型的模型参数时，用于实现：

基于反向传播算法，更新所述学生网络的模型参数；

获取所述教师网络在当前迭代轮数下的第一模型参数和所述学生网络在前一次迭代轮数的第二模型参数；

根据所述第一模型参数、所述第二模型参数和预设调节系数，确定所述教师网络的目标模型参数；

将所述教师网络的模型参数更新为所述目标模型参数。

在一实施例中，所述处理器在实现根据所述第一模型参数、所述第二模型参数和预设调节系数，确定所述教师网络的目标模型参数时，用于实现：

计算所述第二模型参数与所述预设调节系数的乘积，得到模型参数增益值；

对所述第一模型参数和所述模型参数增益值进行累加，得到所述教师网络的目标模型参数。

在一实施例中，所述处理器在实现对所述第一样本数据集进行扩充，得到第三样本数据集时，用于实现：

确定所述第一样本数据集中的第一样本数据的第一个数和所述第二样本数据集中的第二样本数据的第二个数；

根据所述第二个数和所述第一个数，确定扩充倍率，并按照所述扩充倍率对所述第一样本数据集进行扩充，得到第三样本数据集。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的计算机设备的具体工作过程，可以参考前述基于图像分割的心脏图像处理方法实施例中的对应过程，在此不再赘述。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时所实现的方法可参阅本申请基于图像分割的心脏图像处理方法的各个实施例。

其中，所述计算机可读存储介质可以是易失性的，也可以是非易失性的。所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。

进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。