CN109377500A - 基于神经网络的图像分割方法及终端设备 - Google Patents
基于神经网络的图像分割方法及终端设备 Download PDFInfo
- Publication number
- CN109377500A CN109377500A CN201811086125.5A CN201811086125A CN109377500A CN 109377500 A CN109377500 A CN 109377500A CN 201811086125 A CN201811086125 A CN 201811086125A CN 109377500 A CN109377500 A CN 109377500A
- Authority
- CN
- China
- Prior art keywords
- pixel
- slice
- neural network
- preset
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于人工智能技术领域,提供了一种基于神经网络的图像分割方法及终端设备,通过将原始图像基于预设的均衡算法进行处理,生成基准图像,在将基准图像分割成多个切片后,读取切片中各个像素点的像素点数据,并为各个切片分配编号,将预设数量的编号相邻的切片的像素点数据同时输入预设的神经网络模型,输出编号居中的切片对应的分割参数,将满足预设条件的分割参数对应的切片所覆盖的像素点作为目标物图像所覆盖的像素点,从而分割出目标物图像,以提高图像分割和识别的自动化程度。
Description
技术领域
本发明属于人工智能技术领域,尤其涉及一种基于神经网络的图像分割方法及终端设备。
背景技术
在现实生活中,工程人员经常需要从一副图像中提取目标图像,例如:一个医生需要从人体的CT图像中筛选出不同的器官的图像,如心脏图像、肝脏图像等。
目前对于人体CT图像中不同目标物体的筛选往往是由有专业知识的医生或科研人员完成,但是由于待识别的图像数量巨大,所以通过人工对目标物进行筛选和切割会耗费大量的时间。
发明内容
有鉴于此,本发明实施例提供了一种基于神经网络的图像分割方法及终端设备,以解决现有技术存在的安全性低以及数据过时的问题。
本发明实施例的第一方面提供了一种基于神经网络的图像分割方法,包括:
获取原始图像,所述原始图像内包含待分割出的目标物图像;
通过预设的均衡算法对所述原始图像进行处理,生成基准图像;
将所述基准图像分割成多个切片,并读取所述切片中各个像素点的像素点数据,依照预设顺序对所述切片进行编号;
将预设数量的编号相邻的切片的像素点数据同时输入预设的神经网络模型,输出编号居中的切片对应的分割参数,所述预设数量为大于1的奇数;
将满足预设条件的分割参数对应的切片所覆盖的像素点作为所述目标物图像所覆盖的像素点,以分割出所述目标物图像。
本发明实施例的第二方面提供了一种终端设备,包括存储器以及处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如下步骤:
获取原始图像,所述原始图像内包含待分割出的目标物图像;
通过预设的均衡算法对所述原始图像进行处理,生成基准图像;
将所述基准图像分割成多个切片,并读取所述切片中各个像素点的像素点数据,依照预设顺序对所述切片进行编号;
将预设数量的编号相邻的切片的像素点数据同时输入预设的神经网络模型,输出编号居中的切片对应的分割参数,所述预设数量为大于1的奇数;
将满足预设条件的分割参数对应的切片所覆盖的像素点作为所述目标物图像所覆盖的像素点,以分割出所述目标物图像。
本发明实施例的第三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程序,所述计算机程序被处理器执行时实现如下步骤:
获取原始图像,所述原始图像内包含待分割出的目标物图像;通过预设的均衡算法对所述原始图像进行处理,生成基准图像;将所述基准图像分割成多个切片,并读取所述切片中各个像素点的像素点数据,依照预设顺序对所述切片进行编号;将预设数量的编号相邻的切片的像素点数据同时输入预设的神经网络模型,输出编号居中的切片对应的分割参数,所述预设数量为大于1的奇数;将满足预设条件的分割参数对应的切片所覆盖的像素点作为所述目标物图像所覆盖的像素点,以分割出所述目标物图像。
可选地,所述通过预设的均衡算法对所述原始图像进行处理,生成基准图像,包括:
读取所述原始图像中各个像素点对应的CT值;计算所述原始图像中全部像素点对应的CT值的平均值,并将各个像素点对应的CT值除以所述平均值的商,作为各个像素点对应归一化值;将全部所述归一化值划分为预设数量的区间,按照所述归一化值由小到大的顺序为各个所述区间分配区间等级,并确定各个像素点对应的归一化值所属的区间等级;
通过公式:将各个像素点对应的归一化值转换成基准值,所述convi为像素点i对应的基准值,所述classtotal为所述归一化值被划分出的区间的总量,所述pixnum为所述原始图像中像素的数量,所述preconvi为所述像素点i对应的归一化值所属的区间等级,所述classnumj为区间等级j中包含的归一化值的数量。根据各个所述像素点与所述基准值的对应关系,生成基准图像。
可选地,所述像素点数据包括所述像素点对应的基准值;
所述将预设数量的编号相邻的切片的像素点数据同时输入预设的神经网络模型,输出编号居中的切片对应的分割参数,包括:选取并组合预设数量的编号相邻的切片,生成目标切片组;根据所述目标切片组中各个像素点的基准值以及各个像素点在所述目标切片组中的位置坐标,构建所述目标切片组的像素矩阵;通过VGG神经网络的五层池化层Maxpool对所述像素矩阵进行降维操作,得到视觉特征向量;将所述视觉特征向量导入所述VGG神经网络的全连接层,输出所述目标切片组中编号居中的切片对应的分割参数。
可选地,在所述获取原始图像之前,还包括:
获取多个训练切片组的训练特征向量以及训练切片组中居中的切片的训练分割参数;反复执行以下步骤直至调整后的VGG神经网络满足预设的收敛条件:将所述训练特征向量作为VGG神经网络的输入,将所述训练分割参数作为所述VGG神经网络的输出,通过随机梯度下降法对所述VGG神经网络的全连接层中的各层参数进行更新;输出调整后的VGG神经网络作为预设的神经网络模型。
可选地,还包括:计算调整后的VGG神经网络的交叉熵损失函数值;若所述交叉熵损失函数值小于预设的阈值,则判定所述调整后的VGG神经网络满足预设的收敛条件。
在本发明实施例中,通过将原始图像基于预设的均衡算法进行处理,生成基准图像,在将基准图像分割成多个切片后,读取切片中各个像素点的像素点数据,并为各个切片分配编号,将预设数量的编号相邻的切片的像素点数据同时输入预设的神经网络模型,输出编号居中的切片对应的分割参数,将满足预设条件的分割参数对应的切片所覆盖的像素点作为目标物图像所覆盖的像素点,从而分割出目标物图像,以提高图像分割和识别的自动化程度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于神经网络的图像分割方法的实现流程图;
图2是本发明实施例提供的基于神经网络的图像分割方法S102的具体实现流程图;
图3是本发明实施例提供的基于神经网络的图像分割方法S104的具体实现流程图;
图4是本发明实施例提供的神经网络模型的训练流程图;
图5是本发明实施例提供的基于神经网络的图像分割装置的结构框图;
图6是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1示出了本发明实施例提供的基于神经网络的图像分割方法的实现流程,该方法流程包括步骤S101至S105。各步骤的具体实现原理如下。
S101:获取原始图像,所述原始图像内包含待分割出的目标物图像。
在本发明实施例中,主要针对的是以CT图像形式存在的原始图像,可以理解地,CT技术利用精确准直的X线束、γ射线、超声波等,与灵敏度极高的探测器一同围绕人体的某一区域作断面扫描,生成CT图像。由于CT图像反应的是人体一个区域的数据,因此该区域内会包含目标物图像以及非目标物图像,只有将目标物图像从CT图像中分割出来,才能便于科研人员在后续的研究中,有针对性的对目标物图像进行深入研究。
S102,通过预设的均衡算法对所述原始图像进行处理,生成基准图像。
可以理解地,在本发明实施例中,虽然一个原始图像的像素点的CT数据,可以从原始图像数据中直接提取,但是未经处理过的CT数据,由于扫描过程中出现的误差,以及各个CT图像的不统一性,如果直接通过神经网络模型进行分割,可能存在分割不准确的现象出现,所以在本发明实施例中需要首先通过均衡算法对原始图像进行处理,生成各个像素点差异突出,不同的CT图像的制作标准统一的基准图像。
作为本发明的一个实施例,如图2所示,上述S102包括:
S1021:读取所述原始图像中各个像素点对应的CT值。
可以理解地,在本发明实施例中,在制作以CT图像形式存在的原始图像时,就是根据的各个像素点对应的CT值,因此根据原始图像数据自然可以读取出原始图像中各个像素点对应的CT值。
在本发明实施例中,CT值是测定人体某一局部组织或器官密度大小的一种计量单位,通常称亨氏单位。不同的CT值在原始图像中呈现的灰度值不同。
S1022,计算所述原始图像中全部像素点对应的CT值的平均值,并将各个像素点对应的CT值除以所述平均值的商,作为各个像素点对应归一化值。
S1023,将全部所述归一化值划分为预设数量的区间,按照所述归一化值由小到大的顺序为各个所述区间分配区间等级,并确定各个像素点对应的归一化值所属的区间等级。
示例性地,假设全部像素点的归一化值在区间[0-5]之间,若将全部归一化值分为20个区间,则每一个区间的跨度为0.25,并为各个区间分配区间等级:区间[0-0.25)对应的区间等级为1,区间[0.25-0.5)对应的区间等级为2,以此类推。并根据实际情况,确定各个归一化值所属的区间等级。
S1024,通过公式1将各个像素点对应的归一化值转换成基准值。
可选地,所述公式1包括:其中,所述convi为像素点i对应的基准值,所述classtotal为所述归一化值被划分出的区间的总量,所述pixnum为所述原始图像中像素的数量,所述preconvi为所述像素点i对应的归一化值所属的区间等级,所述classnumj为区间等级j中包含的归一化值的数量。
S1025,根据各个所述像素点与所述基准值的对应关系,生成基准图像。
在本发明实施例中,由于每一个像素点都对应一个基准值,每一个像素点也对应着一个位置坐标,因此可以基于像素点与基准值的对应关系,生成基准图像。
在本发明实施例中,通过上述将各个像素点对应的CT值转换成为基准值的方法,生成了各个像素点差异突出,不同的CT图像的制作标准统一的基准图像,有利于通过神经网络对基准图像进行切割。
S103,将所述基准图像分割成多个切片,并读取所述切片中各个像素点的像素点数据,依照预设顺序对所述切片进行编号。
值得注意地,将一个基准图像分成形状面积都完全相等的多个切片,每一个前片事实上都是基准图像的一个局部。
可选地,在本发明实施例中,像素点数据为一个像素点对应的基准值。
S104,将预设数量的编号相邻的切片的像素点数据同时输入预设的神经网络模型,输出编号居中的切片对应的分割参数,所述预设数量为大于1的奇数。
值得注意地,在本发明实施例中,并不是将每一个切片的像素点数据单独地输入预设的神经网络模型中,而是由于考虑到目标物图像在各个切片中连续覆盖的原因,为了尽量避免间断式的切片计算可能导致的偶然性误差,因此本发明实施例是将预设数量的编号相邻的切片的像素点数据同时输入神经网络模型(例如,将3个连续的切片的像素点数据同时输入神经网络模型),而在结果输出时,只输出编号居中的切片对应的分割参数,所述分割参数用于区分目标物图像所覆盖的切片或非目标物图像所覆盖的切片。
可以理解地,只需在神经网络模型的训练过程中,将输入参数设定为预设数量的编号相邻的切片的像素点数据,将输出参数设定为预设的编号居中的切片对应的分割参数,那么自然这样训练出的神经网络模型,可以实现上文所述的输出编号居中的切片对应的分割参数。
示例性地,假设一共有100个切片,如果预设数量为3,则将编号1-3的切片的像素点数据输入神经网络模型后,会输出编号2的切片的分割参数;将编号2-4的切片的像素点数据输入神经网络模型后,会输出编号为3的切片的分割参数;将编号3-5的切片的像素点数据输入神经网络模型后,会输出编号为4的切片的分割参数,以此类瑞,直至输出编号为99的切片的分割参数。
值得注意地,通过上述方法无法获取编号为1以及编号为100的切片的分割参数,但是由于获取切片的分割参数最终的目的是为了从原始图像中分割出目标物图像,而根据CT扫描的实际情况,目标物图像覆盖到原始图像边缘的像素点的概率极小,而且由于在实际应用中,切片的面积占原始图像的比例也非常小,所以虽然本发明实施例无法计算出编号最大和编号最小的切片的分割参数,但是在实际应用中并不会影响对于目标物图像的分割。
基于上文计算基准值以及生成基准图像的具体实施例,作为本发明的另一个实施例,如图3所示,上述S104包括:
S1041,选取并组合预设数量的编号相邻的切片,生成目标切片组。
可以理解地,本发明实施例首先需要选择预设数量的编号相邻的奇数个切片,例如3个切片,组成目标切片组。
S1042,根据所述目标切片组中各个像素点的基准值以及各个像素点在所述目标切片组中的位置坐标,构建所述目标切片组的像素矩阵。
在本实施例中,目标切片组的每个像素点对应一个基准值,因此,基于各个像素点在目标切片组所在的位置坐标作为在像素矩阵的位置坐标,将像素点对应的基准值,作为像素矩阵中该像素点对应坐标的元素的值,从而可以将一个目标切片组转换为一个像素矩阵。
S1043,通过VGG神经网络的五层池化层Maxpool对所述像素矩阵进行降维操作,得到视觉特征向量。
在本发明实施例中,通过预先训练出的视觉几何组(Visual Geometry Group,VGG)神经网络分别对多个目标切片组对应的像素矩阵进行处理。
在本发明实施例中,将构建的像素矩阵导入到VGG神经网络的五层池化层,经过五次降维操作,从而生成该像素矩阵所对应的视觉特征向量。需要说明的是,该池化层的卷积核可以基于像素矩阵的大小进行确定,设备预先记录有矩阵大小与卷积核之间的对应关系表,在构建像素矩阵后,则会获取该矩阵的行数以及列数,从而确定该矩阵的尺寸,并查询该尺寸对应的卷积核尺寸,并基于该卷积核尺寸对VGG神经网络中的池化层进行调整,以使进行降维操作的过程中所使用的卷积核与像素矩阵相匹配。
在本实施例中,在VGG神经网络的五层池化层Maxpool后配置一个参数输出接口,以将中间变量的视觉特征向量进行导出,用于后续的操作。
S1044,将所述视觉特征向量导入所述VGG神经网络的全连接层,输出所述目标切片组中编号居中的切片对应的分割参数。
在本实施例中,将视觉特征向量导入到VGG神经网络的全连接层,由于该VGG网络是经过训练学习的,因此通过全连接层的运算后,可以生成视觉特征向量所对应的多个分割参数。
由于VGG神经网络的输出结果由数字构成的向量,该向量的每一个元素都对应一个分割参数,在本发明实施例中,将该向量中各个元素的平均值作为目标切片组中编号居中的切片对应的分割参数,作为所述VGG神经网络最终输出的结果。
进一步地,在获取原始图像之前,还存在一个对于神经网络模型的训练流程,作为本发明的另一个实施例,如图4所示,所述神经网络模型的训练流程包括:
S401,获取多个训练切片组的训练特征向量以及训练切片组中居中的切片的训练分割参数。
优选地,该训练切片组的个数应大于1000个,从而提高神经网络的识别准确性。该训练切片组可以为历史上已被确定其分割参数的训练切片组,该训练分割参数为该训练切片组对应的被预先设定的分割参数。
需要说明的是,各个训练切片组的训练特征向量的格式是相同的,从而保证了在对经网络进行训练时,各个通道输出的参数的含义是固定的,提高了神经网络的准确性。
S402,反复执行以下步骤直至调整后的VGG神经网络满足预设的收敛条件:将所述训练特征向量作为VGG神经网络的输入,将所述训练分割参数作为所述VGG神经网络的输出,通过随机梯度下降法对所述VGG神经网络的全连接层中的各层参数进行更新。
可选地,判断调整后的VGG神经网络满足预设的收敛条件,包括:计算调整后的VGG神经网络的交叉熵损失函数值,若所述交叉熵损失函数值小于预设的阈值,则判定所述调整后的VGG神经网络满足预设的收敛条件。
S403,输出调整后的VGG神经网络作为预设的神经网络模型。
S105,将满足预设条件的分割参数对应的切片所覆盖的像素点作为所述目标物图像所覆盖的像素点,以分割出所述目标物图像。
可选地,在本发明实施例中,将小于预设参数阈值的分割参数作为满足预设条件的分割参数,则可以将基准图像的各个切片分为目标物图像所覆盖的切片,和非目标物图像所覆盖的切片。由于基准图像和原始图像中的像素点时一一对应的,所以可以从原始图像中分割出目标物图像。
在本发明实施例中,通过将原始图像基于预设的均衡算法进行处理,生成基准图像,在将基准图像分割成多个切片后,读取切片中各个像素点的像素点数据,并为各个切片分配编号,将预设数量的编号相邻的切片的像素点数据同时输入预设的神经网络模型,输出编号居中的切片对应的分割参数,将满足预设条件的分割参数对应的切片所覆盖的像素点作为目标物图像所覆盖的像素点,从而分割出目标物图像,以提高图像分割和识别的自动化程度。
对应于上文实施例所述的基于神经网络的图像分割方法,图5示出了本发明实施例提供的基于神经网络的图像分割装置的结构框图,为了便于说明,仅示出了与本发明实施例相关的部分。
参照图5,该装置包括:
获取模块501,用于获取原始图像,所述原始图像内包含待分割出的目标物图像;
生成模块502,用于通过预设的均衡算法对所述原始图像进行处理,生成基准图像;
读取模块503,用于将所述基准图像分割成多个切片,并读取所述切片中各个像素点的像素点数据,依照预设顺序对所述切片进行编号;
计算模块504,用于将预设数量的编号相邻的切片的像素点数据同时输入预设的神经网络模型,输出编号居中的切片对应的分割参数,所述预设数量为大于1的奇数;
分割模块505,用于将满足预设条件的分割参数对应的切片所覆盖的像素点作为所述目标物图像所覆盖的像素点,以分割出所述目标物图像。
可选地,所述通过预设的均衡算法对所述原始图像进行处理,生成基准图像,包括:
读取所述原始图像中各个像素点对应的CT值;
计算所述原始图像中全部像素点对应的CT值的平均值,并将各个像素点对应的CT值除以所述平均值的商,作为各个像素点对应归一化值;
将全部所述归一化值划分为预设数量的区间,按照所述归一化值由小到大的顺序为各个所述区间分配区间等级,并确定各个像素点对应的归一化值所属的区间等级;
通过公式:将各个像素点对应的归一化值转换成基准值,所述convi为像素点i对应的基准值,所述classtotal为所述归一化值被划分出的区间的总量,所述pixnum为所述原始图像中像素的数量,所述preconvi为所述像素点i对应的归一化值所属的区间等级,所述classnumj为区间等级j中包含的归一化值的数量。
根据各个所述像素点与所述基准值的对应关系,生成基准图像。
可选地,所述像素点数据包括所述像素点对应的基准值;
所述将预设数量的编号相邻的切片的像素点数据同时输入预设的神经网络模型,输出编号居中的切片对应的分割参数,包括:
选取并组合预设数量的编号相邻的切片,生成目标切片组;
根据所述目标切片组中各个像素点的基准值以及各个像素点在所述目标切片组中的位置坐标,构建所述目标切片组的像素矩阵;
通过VGG神经网络的五层池化层Maxpool对所述像素矩阵进行降维操作,得到视觉特征向量;
将所述视觉特征向量导入所述VGG神经网络的全连接层,输出所述目标切片组中编号居中的切片对应的分割参数。
可选地,在所述获取原始图像之前,还包括:
获取多个训练切片组的训练特征向量以及训练切片组中居中的切片的训练分割参数;
反复执行以下步骤直至调整后的VGG神经网络满足预设的收敛条件:
将所述训练特征向量作为VGG神经网络的输入,将所述训练分割参数作为所述VGG神经网络的输出,通过随机梯度下降法对所述VGG神经网络的全连接层中的各层参数进行更新;
输出调整后的VGG神经网络作为预设的神经网络模型。
可选地,还包括:计算调整后的VGG神经网络的交叉熵损失函数值;
若所述交叉熵损失函数值小于预设的阈值,则判定所述调整后的VGG神经网络满足预设的收敛条件。
在本发明实施例中,通过将原始图像基于预设的均衡算法进行处理,生成基准图像,在将基准图像分割成多个切片后,读取切片中各个像素点的像素点数据,并为各个切片分配编号,将预设数量的编号相邻的切片的像素点数据同时输入预设的神经网络模型,输出编号居中的切片对应的分割参数,将满足预设条件的分割参数对应的切片所覆盖的像素点作为目标物图像所覆盖的像素点,从而分割出目标物图像,以提高图像分割和识别的自动化程度。
图6是本发明一实施例提供的终端设备的示意图。如图6所示,该实施例的终端设备6包括:处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62,例如基于神经网络的图像分割程序。所述处理器60执行所述计算机程序62时实现上述各个基于神经网络的图像分割方法实施例中的步骤,例如图1所示的步骤101至105。或者,所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能,例如图5所示单元501至505的功能。
示例性的,所述计算机程序62可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器61中,并由所述处理器60执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是终端设备6的示例,并不构成对终端设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),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)、现成可编程门阵列(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。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。
所述存储器61可以是所述终端设备6的内部存储单元,例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备,例如所述终端设备6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,所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
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,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于神经网络的图像分割方法,其特征在于,包括:
获取原始图像,所述原始图像内包含待分割出的目标物图像;
通过预设的均衡算法对所述原始图像进行处理,生成基准图像;
将所述基准图像分割成多个切片,并读取所述切片中各个像素点的像素点数据,依照预设顺序对所述切片进行编号;
将预设数量的编号相邻的切片的像素点数据同时输入预设的神经网络模型,输出编号居中的切片对应的分割参数,所述预设数量为大于1的奇数;
将满足预设条件的分割参数对应的切片所覆盖的像素点作为所述目标物图像所覆盖的像素点,以分割出所述目标物图像。
2.如权利要求1所述的基于神经网络的图像分割方法,其特征在于,所述通过预设的均衡算法对所述原始图像进行处理,生成基准图像,包括:
读取所述原始图像中各个像素点对应的CT值;
计算所述原始图像中全部像素点对应的CT值的平均值,并将各个像素点对应的CT值除以所述平均值的商,作为各个像素点对应归一化值;
将全部所述归一化值划分为预设数量的区间,按照所述归一化值由小到大的顺序为各个所述区间分配区间等级,并确定各个像素点对应的归一化值所属的区间等级;
通过公式:将各个像素点对应的归一化值转换成基准值,所述convi为像素点i对应的基准值,所述classtotal为所述归一化值被划分出的区间的总量,所述pixnum为所述原始图像中像素的数量,所述preconvi为所述像素点i对应的归一化值所属的区间等级,所述classnumj为区间等级j中包含的归一化值的数量。
根据各个所述像素点与所述基准值的对应关系,生成基准图像。
3.如权利要求2所述的基于神经网络的图像分割方法,其特征在于,所述像素点数据包括所述像素点对应的基准值;
所述将预设数量的编号相邻的切片的像素点数据同时输入预设的神经网络模型,输出编号居中的切片对应的分割参数,包括:
选取并组合预设数量的编号相邻的切片,生成目标切片组;
根据所述目标切片组中各个像素点的基准值以及各个像素点在所述目标切片组中的位置坐标,构建所述目标切片组的像素矩阵;
通过VGG神经网络的五层池化层Maxpool对所述像素矩阵进行降维操作,得到视觉特征向量;
将所述视觉特征向量导入所述VGG神经网络的全连接层,输出所述目标切片组中编号居中的切片对应的分割参数。
4.如权利要求1所述的基于神经网络的图像分割方法,其特征在于,在所述获取原始图像之前,还包括:
获取多个训练切片组的训练特征向量以及训练切片组中居中的切片的训练分割参数;
反复执行以下步骤直至调整后的VGG神经网络满足预设的收敛条件:
将所述训练特征向量作为VGG神经网络的输入,将所述训练分割参数作为所述VGG神经网络的输出,通过随机梯度下降法对所述VGG神经网络的全连接层中的各层参数进行更新;
输出调整后的VGG神经网络作为预设的神经网络模型。
5.如权利要求4所述的基于神经网络的图像分割方法,其特征在于,还包括:计算调整后的VGG神经网络的交叉熵损失函数值;
若所述交叉熵损失函数值小于预设的阈值,则判定所述调整后的VGG神经网络满足预设的收敛条件。
6.一种终端设备,包括存储器以及处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现如下步骤:
获取原始图像,所述原始图像内包含待分割出的目标物图像;
通过预设的均衡算法对所述原始图像进行处理,生成基准图像;
将所述基准图像分割成多个切片,并读取所述切片中各个像素点的像素点数据,依照预设顺序对所述切片进行编号;
将预设数量的编号相邻的切片的像素点数据同时输入预设的神经网络模型,输出编号居中的切片对应的分割参数,所述预设数量为大于1的奇数;
将满足预设条件的分割参数对应的切片所覆盖的像素点作为所述目标物图像所覆盖的像素点,以分割出所述目标物图像。
7.如权利要求6所述的终端设备,其特征在于,所述通过预设的均衡算法对所述原始图像进行处理,生成基准图像,包括:
读取所述原始图像中各个像素点对应的CT值;
计算所述原始图像中全部像素点对应的CT值的平均值,并将各个像素点对应的CT值除以所述平均值的商,作为各个像素点对应归一化值;
将全部所述归一化值划分为预设数量的区间,按照所述归一化值由小到大的顺序为各个所述区间分配区间等级,并确定各个像素点对应的归一化值所属的区间等级;
通过公式:将各个像素点对应的归一化值转换成基准值,所述convi为像素点i对应的基准值,所述classtotal为所述归一化值被划分出的区间的总量,所述pixnum为所述原始图像中像素的数量,所述preconvi为所述像素点i对应的归一化值所属的区间等级,所述classnumj为区间等级j中包含的归一化值的数量。
根据各个所述像素点与所述基准值的对应关系,生成基准图像。
8.如权利要求7所述的终端设备,其特征在于,所述像素点数据包括所述像素点对应的基准值;
所述将预设数量的编号相邻的切片的像素点数据同时输入预设的神经网络模型,输出编号居中的切片对应的分割参数,包括:
选取并组合预设数量的编号相邻的切片,生成目标切片组;
根据所述目标切片组中各个像素点的基准值以及各个像素点在所述目标切片组中的位置坐标,构建所述目标切片组的像素矩阵;
通过VGG神经网络的五层池化层Maxpool对所述像素矩阵进行降维操作,得到视觉特征向量;
将所述视觉特征向量导入所述VGG神经网络的全连接层,输出所述目标切片组中编号居中的切片对应的分割参数。
9.如权利要求6所述的终端设备,其特征在于,在所述获取原始图像之前,还包括:
获取多个训练切片组的训练特征向量以及训练切片组中居中的切片的训练分割参数;
反复执行以下步骤直至调整后的VGG神经网络满足预设的收敛条件:
将所述训练特征向量作为VGG神经网络的输入,将所述训练分割参数作为所述VGG神经网络的输出,通过随机梯度下降法对所述VGG神经网络的全连接层中的各层参数进行更新;
输出调整后的VGG神经网络作为预设的神经网络模型。
10.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811086125.5A CN109377500B (zh) | 2018-09-18 | 2018-09-18 | 基于神经网络的图像分割方法及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811086125.5A CN109377500B (zh) | 2018-09-18 | 2018-09-18 | 基于神经网络的图像分割方法及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109377500A true CN109377500A (zh) | 2019-02-22 |
CN109377500B CN109377500B (zh) | 2023-07-25 |
Family
ID=65405507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811086125.5A Active CN109377500B (zh) | 2018-09-18 | 2018-09-18 | 基于神经网络的图像分割方法及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109377500B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163864A (zh) * | 2019-05-28 | 2019-08-23 | 北京迈格威科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN110266645A (zh) * | 2019-05-21 | 2019-09-20 | 平安科技(深圳)有限公司 | 实时数据的验证方法、装置、服务器及介质 |
CN110285764A (zh) * | 2019-06-14 | 2019-09-27 | 南京中电熊猫平板显示科技有限公司 | 一种显示面板切割精度的测量方法及显示面板 |
CN110826566A (zh) * | 2019-11-01 | 2020-02-21 | 北京环境特性研究所 | 一种基于深度学习的目标切片提取方法 |
CN110853045A (zh) * | 2019-09-24 | 2020-02-28 | 西安交通大学 | 基于核磁共振图像的血管壁分割方法、设备及存储介质 |
CN111738236A (zh) * | 2020-08-14 | 2020-10-02 | 之江实验室 | 一种自适应层级的图像切分识别方法、装置及*** |
CN112331310A (zh) * | 2020-10-10 | 2021-02-05 | 深圳市智影医疗科技有限公司 | 医学影像数据显示方法、装置、存储介质和智能设备 |
WO2021239141A1 (zh) * | 2020-05-28 | 2021-12-02 | 上海联影医疗科技股份有限公司 | 图像处理的方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060023927A1 (en) * | 2004-08-02 | 2006-02-02 | Li Zhang | GGN segmentation in pulmonary images for accuracy and consistency |
CN105488781A (zh) * | 2015-06-01 | 2016-04-13 | 深圳市第二人民医院 | 一种基于ct影像肝脏肿瘤病灶的分割方法 |
CN105574859A (zh) * | 2015-12-14 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种基于ct图像的肝脏肿瘤分割方法及装置 |
CN107203989A (zh) * | 2017-04-01 | 2017-09-26 | 南京邮电大学 | 基于全卷积神经网络的端对端胸部ct图像分割方法 |
CN107220980A (zh) * | 2017-05-25 | 2017-09-29 | 重庆理工大学 | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 |
CN107977969A (zh) * | 2017-12-11 | 2018-05-01 | 北京数字精准医疗科技有限公司 | 一种内窥镜荧光图像的分割方法、装置及存储介质 |
US20180240235A1 (en) * | 2017-02-23 | 2018-08-23 | Zebra Medical Vision Ltd. | Convolutional neural network for segmentation of medical anatomical images |
CN108447062A (zh) * | 2018-02-01 | 2018-08-24 | 浙江大学 | 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 |
-
2018
- 2018-09-18 CN CN201811086125.5A patent/CN109377500B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060023927A1 (en) * | 2004-08-02 | 2006-02-02 | Li Zhang | GGN segmentation in pulmonary images for accuracy and consistency |
CN105488781A (zh) * | 2015-06-01 | 2016-04-13 | 深圳市第二人民医院 | 一种基于ct影像肝脏肿瘤病灶的分割方法 |
CN105574859A (zh) * | 2015-12-14 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种基于ct图像的肝脏肿瘤分割方法及装置 |
US20180240235A1 (en) * | 2017-02-23 | 2018-08-23 | Zebra Medical Vision Ltd. | Convolutional neural network for segmentation of medical anatomical images |
CN107203989A (zh) * | 2017-04-01 | 2017-09-26 | 南京邮电大学 | 基于全卷积神经网络的端对端胸部ct图像分割方法 |
CN107220980A (zh) * | 2017-05-25 | 2017-09-29 | 重庆理工大学 | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 |
CN107977969A (zh) * | 2017-12-11 | 2018-05-01 | 北京数字精准医疗科技有限公司 | 一种内窥镜荧光图像的分割方法、装置及存储介质 |
CN108447062A (zh) * | 2018-02-01 | 2018-08-24 | 浙江大学 | 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 |
Non-Patent Citations (1)
Title |
---|
刘有军 等: "基于自适应区域的医学图像自动分割", 北京工业大学学报, no. 08 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110266645A (zh) * | 2019-05-21 | 2019-09-20 | 平安科技(深圳)有限公司 | 实时数据的验证方法、装置、服务器及介质 |
CN110163864A (zh) * | 2019-05-28 | 2019-08-23 | 北京迈格威科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN110163864B (zh) * | 2019-05-28 | 2020-12-04 | 北京迈格威科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN110285764A (zh) * | 2019-06-14 | 2019-09-27 | 南京中电熊猫平板显示科技有限公司 | 一种显示面板切割精度的测量方法及显示面板 |
CN110853045A (zh) * | 2019-09-24 | 2020-02-28 | 西安交通大学 | 基于核磁共振图像的血管壁分割方法、设备及存储介质 |
CN110853045B (zh) * | 2019-09-24 | 2022-02-11 | 西安交通大学 | 基于核磁共振图像的血管壁分割方法、设备及存储介质 |
CN110826566A (zh) * | 2019-11-01 | 2020-02-21 | 北京环境特性研究所 | 一种基于深度学习的目标切片提取方法 |
CN110826566B (zh) * | 2019-11-01 | 2022-03-01 | 北京环境特性研究所 | 一种基于深度学习的目标切片提取方法 |
WO2021239141A1 (zh) * | 2020-05-28 | 2021-12-02 | 上海联影医疗科技股份有限公司 | 图像处理的方法及*** |
CN111738236A (zh) * | 2020-08-14 | 2020-10-02 | 之江实验室 | 一种自适应层级的图像切分识别方法、装置及*** |
CN112331310A (zh) * | 2020-10-10 | 2021-02-05 | 深圳市智影医疗科技有限公司 | 医学影像数据显示方法、装置、存储介质和智能设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109377500B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109377500A (zh) | 基于神经网络的图像分割方法及终端设备 | |
CN106796716B (zh) | 用于为低分辨率图像提供超分辨率的设备和方法 | |
CN111429421B (zh) | 模型生成方法、医学图像分割方法、装置、设备及介质 | |
CN106887000B (zh) | 医学图像的网格化处理方法及其*** | |
CN109147890A (zh) | 一种医学报告的生成方法及设备 | |
CN107704625A (zh) | 字段匹配方法和装置 | |
CN111028327B (zh) | 一种三维点云的处理方法、装置及设备 | |
CN109785334A (zh) | 心脏磁共振图像分割方法、装置、终端设备及存储介质 | |
CN107038692A (zh) | 基于小波分解和卷积神经网络的x线胸片骨抑制处理方法 | |
DE112020004231T5 (de) | Ausführen von skalarproduktoperationen unter verwendung einer memristiven crossbar-anordnung | |
EP2631877A2 (en) | Mesh generating apparatus and method | |
DE202013012443U1 (de) | Zusammenführung dreidimensionaler Modelle auf Basis des Konfidenzmaßes | |
CN113537399A (zh) | 多目标进化图卷积神经网络的极化sar图像分类方法及*** | |
CN116703744B (zh) | 一种基于卷积神经网络的遥感影像匀光匀色方法和装置 | |
CN111027669A (zh) | 在现场可编程门阵列上实现深度神经网络的方法及装置 | |
CN108764301B (zh) | 一种基于反向稀疏表示的混凝土裂缝检测方法 | |
Gong et al. | A superpixel segmentation algorithm based on differential evolution | |
EP3270308A1 (en) | Method for providing a secondary parameter, decision support system, computer-readable medium and computer program product | |
CN116798087A (zh) | 员工在岗状态检测方法及*** | |
CN113887495A (zh) | 基于迁移学习的视频标注方法及装置 | |
CN113254215A (zh) | 数据处理方法和装置、存储介质及电子设备 | |
CN112825582A (zh) | 通道最优化支持装置与方法、接入点管理***及记录介质 | |
CN106874925A (zh) | 对象分群方法、模型训练方法及装置 | |
CN110930391A (zh) | 一种基于VggNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质 | |
CN110288150A (zh) | 风速预测方法、终端设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |