CN109829920B - 图像处理方法及装置、电子设备和存储介质 - Google Patents
图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN109829920B CN109829920B CN201910138465.6A CN201910138465A CN109829920B CN 109829920 B CN109829920 B CN 109829920B CN 201910138465 A CN201910138465 A CN 201910138465A CN 109829920 B CN109829920 B CN 109829920B
- Authority
- CN
- China
- Prior art keywords
- target
- feature map
- segmentation
- image
- network
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本公开涉及一种图像处理方法及装置、电子设备和存储介质,所述方法包括:对待处理图像进行特征提取,获得所述待处理图像的特征图;对所述特征图进行第一定位及分割处理,确定第一目标的第一分割结果;对所述特征图进行第二定位及分割处理,确定第二目标的第二分割结果;根据所述第一分割结果和所述第二分割结果,确定所述待处理图像的分割结果。本公开实施例可实现对待处理图像中不同区域的尺寸不同的目标的差异化处理,提高图像处理的精度。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
在图像技术领域,对感兴趣区域或目标区域进行分割,是进行图像分析和目标识别的基础。例如,在医学图像中通过分割,清晰地识别一个或多个器官或组织之间的边界。准确地分割医学图像对于许多临床应用而言是至关重要的。
发明内容
本公开提出了一种图像处理技术方案。
根据本公开的一方面,提供了一种图像处理方法,包括:对待处理图像进行特征提取,获得所述待处理图像的特征图;对所述特征图进行第一定位及分割处理,确定第一目标的第一分割结果;对所述特征图进行第二定位及分割处理,确定第二目标的第二分割结果;根据所述第一分割结果和所述第二分割结果,确定所述待处理图像的分割结果。
在一种可能的实现方式中,对所述特征图进行第二定位及分割处理,确定第二目标的第二分割结果,包括:对所述特征图进行第二定位处理及裁切处理,分别得到第二目标的位置信息及目标特征图;根据所述目标特征图、所述第二目标的位置信息、待处理图像以及所述特征图,确定所述第二目标的第二分割结果。
在一种可能的实现方式中,对所述特征图进行第二定位处理及裁切处理,分别得到第二目标的位置信息及目标特征图,包括:对所述特征图进行第二定位处理,确定第二目标的位置信息;根据所述第二目标的位置信息对所述特征图进行裁切处理,得到所述第二目标的目标特征图。
在一种可能的实现方式中,根据所述目标特征图、所述第二目标的位置信息、待处理图像以及所述特征图,确定所述第二目标的第二分割结果,包括:对所述目标特征图、所述第二目标的位置信息、待处理图像以及所述特征图进行图像融合,得到融合结果;对所述融合结果进行第二分割,确定所述第二目标的第二分割结果。
在一种可能的实现方式中,所述特征图包括N层特征图,N为大于1的整数,其中,对所述特征图进行第二定位处理,确定第二目标的位置信息,包括:对第N层特征图进行第二定位处理,确定第二目标的位置概率图。
在一种可能的实现方式中,根据所述第二目标的位置信息对所述特征图进行裁切处理,得到所述第二目标的目标特征图,包括:根据所述第二目标的位置信息对第N层特征图进行裁切处理,得到所述第二目标的目标特征图。
在一种可能的实现方式中,对所述目标特征图、所述第二目标的位置信息、待处理图像以及所述特征图进行图像融合,得到融合结果,包括:根据所述第二目标的位置信息,分别对所述待处理图像及第一层特征图进行第三分割,得到分割后的待处理图像及分割后的第一层特征图;对所述目标特征图、所述第二目标的位置信息、分割后的待处理图像及分割后的第一层特征图进行图像融合,得到融合结果。
在一种可能的实现方式中,对待处理图像进行特征提取,获得所述待处理图像的特征图,包括:对待处理图像进行卷积处理,得到卷积结果;对所述卷积结果进行残差及压缩激活处理,得到激活结果;对所述激活结果进行多尺度特征提取及反卷积处理,得到所述待处理图像的特征图。
在一种可能的实现方式中,所述方法通过神经网络实现,所述神经网络包括主分割网络、第一定位网络及第一分割网络,所述主分割网络包括特征提取网络及第二定位与分割网络,
其中,所述特征提取网络对待处理图像进行特征提取,所述第二定位与分割网络用于对所述特征图进行第一定位及分割处理,所述第一定位网络用于对所述特征图进行第二定位处理,所述第一分割网络用于确定所述第二目标的第二分割结果。
在一种可能的实现方式中,所述方法还包括:根据预设的训练集,训练所述神经网络。
在一种可能的实现方式中,根据预设的训练集,训练所述神经网络,包括:根据所述训练集,训练所述主分割网络;根据所述训练集以及已训练的主分割网络,训练所述第一定位网络;根据所述训练集、已训练的主分割网络以及已训练的第一定位网络,训练所述第一分割网络。
在一种可能的实现方式中,根据预设的训练集,训练所述神经网络,包括:根据focal loss函数和generalized dice loss函数,确定所述神经网络的网络损失;根据所述网络损失,调整所述神经网络的网络参数。
在一种可能的实现方式中,所述待处理图像为包含危及器官OAR的医学图像。
根据本公开的一方面,提供了一种图像处理装置,包括:
特征提取模块,用于对待处理图像进行特征提取,获得所述待处理图像的特征图;
第一确定模块,用于对所述特征图进行第一定位及分割处理,确定第一目标的第一分割结果;
第二确定模块,用于对所述特征图进行第二定位及分割处理,确定第二目标的第二分割结果;
分割结果确定模块,用于根据所述第一分割结果和所述第二分割结果,确定所述待处理图像的分割结果。
在一种可能的实现方式中,所述第二确定模块包括:定位子模块,用于对所述特征图进行第二定位处理及裁切处理,分别得到第二目标的位置信息及目标特征图;确定子模块,用于根据所述目标特征图、所述第二目标的位置信息、待处理图像以及所述特征图,确定所述第二目标的第二分割结果。
在一种可能的实现方式中,所述定位子模块还用于:对所述特征图进行第二定位处理,确定第二目标的位置信息;根据所述第二目标的位置信息对所述特征图进行裁切处理,得到所述第二目标的目标特征图。
在一种可能的实现方式中,所述确定子模块还用于:对所述目标特征图、所述第二目标的位置信息、待处理图像以及所述特征图进行图像融合,得到融合结果;对所述融合结果进行第二分割,确定所述第二目标的第二分割结果。
在一种可能的实现方式中,所述特征图包括N层特征图,N为大于1的整数,其中,所述定位子模块还用于:对第N层特征图进行第二定位处理,确定第二目标的位置概率图。
在一种可能的实现方式中,所述定位子模块还用于:根据所述第二目标的位置信息对第N层特征图进行裁切处理,得到所述第二目标的目标特征图。
在一种可能的实现方式中,所述确定子模块还用于:根据所述第二目标的位置信息,分别对所述待处理图像及第一层特征图进行第三分割,得到分割后的待处理图像及分割后的第一层特征图;对所述目标特征图、所述第二目标的位置信息、分割后的待处理图像及分割后的第一层特征图进行图像融合,得到融合结果。
在一种可能的实现方式中,所述特征提取模块包括:卷积子模块,用于对待处理图像进行卷积处理,得到卷积结果;激活子模块,用于对所述卷积结果进行残差及压缩激活处理,得到激活结果;提取子模块,用于对所述激活结果进行多尺度特征提取及反卷积处理,得到所述待处理图像的特征图。
在一种可能的实现方式中,所述装置通过神经网络实现,所述神经网络包括主分割网络、第一定位网络及第一分割网络,所述主分割网络包括特征提取网络及第二定位与分割网络,
其中,所述特征提取网络对待处理图像进行特征提取,所述第二定位与分割网络用于对所述特征图进行第一定位及分割处理,所述第一定位网络用于对所述特征图进行第二定位处理,所述第一分割网络用于确定所述第二目标的第二分割结果。
在一种可能的实现方式中,所述装置还包括:训练模块,用于根据预设的训练集,训练所述神经网络。
在一种可能的实现方式中,所述训练模块包括:第一训练子模块,用于根据所述训练集,训练所述主分割网络;第二训练子模块,用于根据所述训练集以及已训练的主分割网络,训练所述第一定位网络;第三训练子模块,用于根据所述训练集、已训练的主分割网络以及已训练的第一定位网络,训练所述第一分割网络。
在一种可能的实现方式中,所述训练模块包括:损失确定子模块,用于根据focalloss函数和generalized dice loss函数,确定所述神经网络的网络损失;调整子模块,用于根据所述网络损失,调整所述神经网络的网络参数。
在一种可能的实现方式中,所述待处理图像为包含危及器官OAR的医学图像。
根据本公开的一方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述图像处理方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述图像处理方法。
在本公开实施例中,针对第一目标和第二目标,分别通过对提取的待处理图像的特征图进行第一定位及分割处理获得第一目标的第一分割结果,通过对特征图进行第二定位及分割处理得到第二目标的分割结果,并根据第一目标的分割结果和第二目标的分割结果得到待处理图像的分割结果。通过上述过程可以实现对待处理图像中不同区域的尺寸不同的目标的差异化处理,提高图像处理的精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的流程图。
图2a示出根据本公开实施例的步骤S10的方法的流程图。
图2b示出根据本公开实施例的步骤S12的方法的流程图。
图3示出根据本公开实施例的神经网络的示意图。
图4示出根据本公开实施例的步骤S122的方法的流程图。
图5示出根据本公开实施例的图像处理方法的流程图。
图6示出根据本公开实施例的步骤S14的方法的流程图。
图7示出根据本公开实施例的图像处理装置的框图。
图8示出根据本公开实施例的一种电子设备的框图。
图9示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的图像处理方法的流程图,该方法可以应用于图像处理装置,图像处理装置可以为终端设备、服务器或者其他处理设备等。其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。
在一些可能的实现方式中,该图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
如图1所示,所述图像处理方法可以包括:
步骤S10,对待处理图像进行特征提取,获得所述待处理图像的特征图;
步骤S11,对所述特征图进行第一定位及分割处理,确定第一目标的第一分割结果;
步骤S12,对所述特征图进行第二定位及分割处理,确定第二目标的第二分割结果;
步骤S13,根据所述第一分割结果和所述第二分割结果,确定所述待处理图像的分割结果。
其中,所述第一目标的尺寸可以大于所述第二目标的尺寸,或者,第一目标的尺寸也可以小于第二目标的尺寸,本公开对此不作限定。
本公开实施例的图像处理方法,针对尺寸大小不同的第一目标和第二目标,分别通过对提取的待处理图像的特征图进行第一定位及分割处理获得第一目标的第一分割结果,通过对特征图进行第二定位及分割处理得到第二目标的分割结果,并根据第一目标的分割结果和第二目标的分割结果得到待处理图像的分割结果。通过上述过程可以实现对待处理图像中不同区域的尺寸不同的目标的差异化处理,提高图像处理的精度。
本公开实施例的图像处理方法能够实现自动、高效的分割图像中的目标对象,并且将待处理图像中不同尺寸的目标通过不同的分割过程进行分割,可以获得更精准的分割结果。
其中,本公开实施例的图像处理方法可以应用于医学图像的处理,例如,用于识别医学图像中的目标区域,该目标区域可以是病灶、病变器官、危及器官等等。在一种可能的实现方式中,待处理图像可以是包含危及器官OAR的医学图像,也就是说,本公开实施例的图像处理方法可以应用于临床上的放疗规划过程中,用于识别危及器官,通过准确识别危及器官的位置,从而减小放疗对正常器官的副作用,提高放疗的效果。
需要说明的是,本公开实施例的图像处理方法不限于应用在医学图像处理,可以应用于任意的图像处理,本公开对此不作限定。
在一种可能的实现方式中,待处理图像可以包括多张图片,根据该多张图片可以识别出一个或多个三维的器官。
对于步骤S10,可以采用相关的特征提取技术提取待处理图像的特征图。例如,可以基于图像局部亮度特征、器官形状特征等人工设计特征提取待处理图像的特征图。
在一种可能的实现方式中,可以采用基于编码器-解码器(Encoder-Decoder)架构的3D U-Net全卷积神经网络对待处理图像进行一次或者多次卷积处理得到卷积结果,然后再进行相应次数的反卷积处理获得待处理图像的特征图。本公开对特征提取的具体方式不作限制。
在另一种可能的实现方式中,图2a示出根据本公开实施例的步骤S10的方法的流程图,如图2a所示,步骤S10可以包括:
步骤S101,对待处理图像进行卷积处理,得到卷积结果;
步骤S102,对所述卷积结果进行残差及压缩激活处理,得到激活结果;
步骤S103,对激活结果进行多尺度特征提取及反卷积处理,得到所述待处理图像的特征图。
在一种可能的实现方式中,可以通过神经网络实现本公开实施例的图像处理方法。图3示出根据本公开实施例的神经网络的示意图,如图3所示,所述神经网络可以包括主分割网络1、第一定位网络2及第一分割网络3,所述主分割网络包括特征提取网络及第二定位与分割网络13。
其中,所述特征提取网络对待处理图像进行特征提取获得待处理图像的特征图12,所述第二定位与分割网络13用于对所述特征图进行第一定位及分割处理,所述第一定位网络2用于对所述特征图12进行第二定位处理,所述第一分割网络3用于确定所述第二目标的第二分割结果31。
根据本公开实施例的神经网络实现上述图像处理方法,主分割网络1、第一定位网络2和第一分割网络3之间共享参数(例如,特征图等),没有冗余计算,提高分割效率、以及分割精确度。
在一种可能的实现方式中,主分割网络1可以采用基于Encoder-Decoder架构的3DU-Net进行修改的卷积神经网络,主分割网络1可以包括特征提取网络以及第二定位与分割网络13。其中,特征提取网络可以包括残差及压缩激活模块Squeeze-and-ExcitationResidual Block(SEResBlock)、以及密集连接的空洞卷积空间金字塔模块(denselyconnected atrous spatial pyramid pooling,DenseASPP)。
特征提取网络可以减少对待处理图像进行降采样的次数,从而减少高分辨率信息的丢失;同时,为了增强网络的特征表达能力,特征提取网络使用残差模块(ResidueBlock,包含卷积层、线性整流函数、以及批归一化层)作为基础结构,进一步加入了压缩-激活模块(squeeze-and-excitation module,SE module)作为特征层面的注意力机制,通过DenseASPP来捕获学习不同尺度的特征以融合多尺度特征、确保足够大的卷积核感受野(receptive field),通过设置卷积的扩张率(dilation rate)可以实现不同尺度特征的学习。
对于上述步骤S101-S103,特征提取网络可以对待处理图像进行卷积处理得到卷积结果,其中,特征提取网络可以包括N层卷积层,N为大于1的整数。然后通过残差及压缩激活模块对卷积结果进行残差及压缩激活处理得到激活结果。然后,通过DenseASPP对激活结果进行多尺度特征提取,之后通过反卷积处理,得到待处理图像的特征图。
需要说明的是,以上的实施方式仅仅是本公开的一些示例,不以任何方式限制本公开。本领域技术人员可以理解的是,还可以采用其他方式实现对待处理图像的特征提取,只要可以获得待处理图像的特征图即可。
其中的第一目标可以为相对于第二目标尺寸比较大的人体器官,例如第一目标可以为腮腺,第二目标可以为眼部的晶状体,等等。对于步骤S11,通过上述主分割网络1对特征图进一步进行第一定位和分割处理,可以确定第一目标的第一分割结果,例如可以确定待处理图像中的大器官。本公开实施方式对第一定位和分割处理的具体过程、采用的具体技术不作限定,不限于通过神经网络的方式。
对于步骤S12,通过上述第一定位网络2和第一分割网络3可以实现对特征图进行第二定位及分割处理,确定第二目标的第二分割结果,例如,可以确定待处理图像中的小器官。第二定位及分割处理的具体过程、采用的具体技术不作限定,不限于通过神经网络的方式。
图2b示出根据本公开实施例的步骤S12的方法的流程图,如图2b所示,在一种可能的实现方式中,步骤S12可以包括:
步骤S121,对所述特征图进行第二定位处理及裁切处理,分别得到第二目标的位置信息及目标特征图;
步骤S122,根据所述目标特征图、所述第二目标的位置信息、待处理图像以及所述特征图,确定所述第二目标的第二分割结果。
对于步骤S121,可以对所述特征图进行第二定位处理,确定第二目标的位置信息;根据所述第二目标的位置信息对所述特征图进行裁切处理,得到所述第二目标的目标特征图。然后,在步骤S122中,综合第二目标的目标特征图、第二目标的位置信息、待处理图像以及特征图对第二目标做进一步的精确分割。
如上所述,特征提取网络可以包括N层卷积层,N为大于1的整数,那么特征图可以包括N层特征图,上述的“对所述特征图进行第二定位处理,确定第二目标的位置信息”,可以包括:对第N层特征图进行第二定位处理,确定第二目标的位置概率图。
需要说明的是,也可以同时对其他层的特征图进行第二定位处理(例如对第一层和最后一层特征图同时进行第二定位处理),确定第二目标的位置概率图,从而获得更精确的第二目标,本公开实施例对此不做限定。
在一种可能的实现方式中,如图3所示,上述神经网络还可以包括第一定位网络2,第一定位网络2可以包括两个SEResBlock。将特征提取网络对待处理图像进行特征提取得到的第N层特征图(特征提取网络解码器的最后一层的特征图)输入到第一定位网络2,第一定位网络2可以对最后一层特征图进行第二定位处理,确定第二目标的位置概率图。具体地,第一定位网络2可以先定位第二目标的中心位置,创建第二目标的中心位置的3D高斯分布图作为第二目标的位置概率图。
在一种可能的实现方式中,对于不同尺寸或形状的第二目标,可以单独设置第二目标对应的第一定位网络2,对第二目标进行定位。也就是说,本公开实施例的神经网络可以包括多个第一定位网络2。
需要说明的是,对第二目标的定位方式不限于以上示例,本领域技术人员可以理解,还可以通过其他技术实现第二目标的定位,获得第二目标的位置信息,比如说,基于地图集方法进行图像配准得到第二目标位置,或者通过目标检测方法得包含第二目标的检测框。
上述“根据所述第二目标的位置信息对所述特征图进行裁切处理,得到所述第二目标的目标特征图”,可以包括:根据所述第二目标的位置信息对第N层特征图进行裁切处理,得到所述第二目标的目标特征图。
其中,第N层特征图也可以是如上所述的特征提取网络解码器的最后一层的特征图,该层特征图包含多尺度特征量。在得到第二目标的位置信息后,可以根据第二目标的位置信息对第N层特征图进行裁切,得到所述第二目标的目标特征图。换言之,也就是将特征图中的第二目标的特征部分裁切出来,比如说,根据第二目标的位置信息在特征图中找到对应位置的像素组成的部分作为第二目标的目标特征图。
在一种可能的实现方式中,可以根据第二目标的位置概率图对第N层特征图进行裁切,得到所述第二目标的分割特征图。
需要说明的是,也可以同时对其他层的特征图进行裁切,得到所述第二目标的目标特征图,从而获得更精确的第二目标,本公开实施例对此不做限定。
对于步骤S122,目标特征图包含更多尺度特征量,待处理图像包含高分辨率特征量,综合目标特征图、第二目标的位置信息、待处理图像以及特征图确定第二目标的第二分割结果,可以实现尺寸较小的第二目标的精确分割。
图4示出根据本公开实施例的步骤S122的方法的流程图,如图4所示,在步骤S122中,根据所述目标特征图、所述第二目标的位置信息、待处理图像以及所述特征图,确定所述第二目标的第二分割结果,可以包括:
步骤S1221,对所述目标特征图、所述第二目标的位置信息、待处理图像以及所述特征图进行图像融合,得到融合结果;
步骤S1222,对所述融合结果进行第二分割,确定所述第二目标的第二分割结果。
通过融合目标特征图、第二目标的位置信息、待处理图像以及特征图多方面的信息,可以获得更多的图像信息(例如,尺度、特征、分辨率等),提高后续图像分割的精度,有利于实现对尺寸较小的目标进行精确分割。进行图像融合的过程可以采用相关的图像融合***实现,本公开实施例对具体的融合过程不作限定。
在一种可能的实现方式中,在进行融合之前,可以先对特征图、待处理图像、第二目标的位置信息进行ROI(region of interest)池化,减小数据维度,提高处理的效率。
在一种可能的实现方式中,如图3所示,上述的神经网络还可以包括第一分割网络3,该第一分割网络3也可以采用SEResBlock搭建而成,例如,在一个示例中,第一分割网络3可以包括5个SEResBlock。通过第一分割网络对融合结果进行第二分割处理,可以获得精确的第二目标的第二分割结果。
在一种可能的实现方式中,对于不同尺寸或形状的第二目标,可以单独设置第二目标对应的第一分割网络3,对第二目标进行分割。也就是说,本公开实施例的神经网络可以包括多个第一分割网络3。
在一种可能的实现方式中,步骤S1221可以包括:根据所述第二目标的位置信息,分别对所述待处理图像及第一层特征图进行第三分割,得到分割后的待处理图像及分割后的第一层特征图;对所述目标特征图、所述第二目标的位置信息、分割后的待处理图像及分割后的第一层特征图进行图像融合,得到融合结果。
其中,待处理图像以及第一层特征图中包括高分辨率特征量,对特征提取网络提取的特征图进行第二定位处理获得的第二目标的位置信息以及目标特征图中已经编码了第二目标的分割结果,通过第二目标的位置信息进一步对待处理图像和第一层特征图进行分割,得到分割后的待处理图像及分割后的第一层特征图,并基于分割后的待处理图像及分割后的第一层特征图进行图像融合,可以进一步提高分割的精确度。
对于步骤S13,如图3所示,为了输出所有目标的统一分割结果,可以融合第一目标的第一分割结果和第二目标的第二分割结果,以获得待处理图像的分割结果进行输出最终分割图4。
图5示出根据本公开实施例的图像处理方法的流程图。在一种可能的实现方式中,如图5所示,本公开实施例的方法还可以包括:
步骤S14,根据预设的训练集,训练所述神经网络。
其中,预设的训练集可以是对样本图片进行手动剪裁等预处理后,并拆分成的多个图片集。拆分成的多个图片集中,相邻的两个图片集可以包括一部分相同的图片,例如,以医学图像为例,可以从医院采集多个样本,一个样本中包括的多个样本图片可以是连续采集的人体某一器官的图片,通过该多个样本图片可以得到器官的三维立体结构,可以沿一个方向进行拆分,第一个图片集可以包括第1-30帧图片,第二个图片集可以包括第16-45帧图片……,这样相邻的两个图片集中有15帧图片是相同的。通过这种重叠拆分的方式,可以提高分割的精确度。
图6示出根据本公开实施例的步骤S14的方法的流程图,如图6所示,步骤S14可以包括:
步骤S141,根据所述训练集,训练所述主分割网络;
步骤S142,根据所述训练集以及已训练的主分割网络,训练所述第一定位网络;
步骤S143,根据所述训练集、已训练的主分割网络以及已训练的第一定位网络,训练所述第一分割网络。
如图3所示,先训练主分割网络,然后主分割网络的参数固定的情况下,根据训练集和主分割网络训练第一定位网络,也就是说,将训练集输入到已训练的主分割网络中,将已训练的主分割网络对训练集进行特征提取得到的特征图输入到第一定位网络中对第一定位网络进行训练。
最后根据已训练的主分割网络和已训练的第一定位网络、以及训练集训练第一定位网络。具体地,将训练集输入到已训练的主分割网络中,已训练的主分割网络对训练集进行特征提取得到的特征图,利用已训练的第一定位网络对特征图进行定位处理得到目标的位置信息,根据目标的位置信息对特征图进行裁切处理得到目标特征图,将目标特征图、目标的位置信息、训练集以及特征图输入到第一分割网络对第一分割网络进行训练。
在一种可能的实现方式中,在训练的过程中,可以根据焦点损失函数和广义骰子损失函数,确定所述神经网络的网络损失;根据所述网络损失,调整所述神经网络的网络参数。也就是,根据预设的训练集,训练所述神经网络,还可以包括:以上根据网络损失调整网络参数的过程。
举例来说,如图3所示,可以先根据训练集训练主分割网络,在对主分割网络进行训练的过程中,可以根据focal loss函数和generalized dice loss函数,确定主分割网络的网络损失;根据所述网络损失,调整主分割网络的网络参数,直到网络损失满足预设条件,例如,网络损失不再下降。
在一种可能的实现方式中,可以根据如下公式(1)确定主分割网络的网络损失:
Ltotal=LFocal+λLDice (1)
其中,Ltotal为总的网络损失,LFocal为focal loss,LDice为generalized dice loss,λ为平衡两种损失在总损失所占比重的权重,在一个示例中,λ可以为1。
在完成主分割网络的训练后,可以根据训练集以及已训练的主分割网络训练第一定位网络,在训练第一定位网络的过程中,可以根据MSE Loss(mean square error loss,平均平方误差损失)函数,确定第一定位网络的网络损失;根据所述网络损失,调整第一定位网络的网络参数,直到网络损失满足预设条件。
在完成第一定位网络的训练后,可以根据训练集以及已训练的主分割网络、已训练的第一定位网络,训练第一分割网络,在训练第一分割网络的过程中,仍然可以根据焦点损失函数和广义骰子损失函数,确定第一分割网络的网络损失;根据所述网络损失,调整第一分割网络的网络参数,直到网络损失满足预设条件。
在一种可能的实现方式中,第一分割网络的网络损失也可以根据以上公式(1)确定。
需要说明的是,在训练主分割网络和第一分割网络的过程中,采用的焦点损失函数和广义骰子损失函数的参数可以相同、也可以不同,可以根据网络的特点选择焦点损失函数和/或广义骰子损失函数的参数,本公开实施例对此不作限定。
根据本公开实施例对神经网络进行训练,由于对主分割网络、第一定位网络和第一分割网络分别进行训练,即使训练集的样本不均衡,也可以使得训练得到的神经网络能够识别不同尺寸的目标,提高对图像中不同尺寸的目标的分割精度。
并且,本公开实施例的图像处理方法采用focal loss失函数和generalized diceloss函数评估神经网络的网络损失,在训练的过程中,根据网络损失调整神经网络的参数,减小样本不均衡对确定的网络损失的影响,进一步解决样本不均衡带来的问题,提高训练的效果,使得训练得到的神经网络更适合于识别不同尺寸的目标,提高对图像中不同尺寸的目标的分割精度。
应用场景示例
临床上进行放疗规划时,有二十多个危及器官(organs at risk,OAR)需要被考虑在内,通常需要医生在三维计算机体层摄影(Computed Tomography,CT)图像上进行勾画,然而在三维CT图像上标注通常费时费力。
举例来说,由于头颈部复杂的解剖结构,和CT对软组织不敏感的特性,导致很多器官与周围组织对比度较低,边界不清晰,这也进一步增大了勾画难度,同时对医生的专业性提出了很高的要求。通常勾画一个患者的器官需要花费专业医生2.5个小时以上,另外,由于主观因素影响,不同医生对同一患者的器官的勾画可能不完全一致。
因此,一个快速高效、性能优秀、鲁棒性强的计算机辅助分割方法能够极大的减少医生的工作量,提高放疗规划速度和质量,并且提高放射治疗的效果。
危及器官中包含很多体积不一的器官,因此,存在极大的样本不均衡的问题。对于大器官,如腮腺,其体积是最小器官晶状体的250倍以上。如何平衡大器官与小器官,对不同器官都能够有较好的分割精度,是一个亟需解决的问题。
采用本公开的图像处理方法对包含很多体积不一的器官的医学图像进行处理,可以实现对不同体积器官的精确分割,尤其是实现对小器官的精准分割,提高放疗规划速度和质量,并且提高放射治疗的效果。
需要说明的是,本公开实施例的图像处理方法不限于应用在医学图像处理,可以应用于任意的图像处理,本公开对此不作限定。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图7示出根据本公开实施例的图像处理装置的框图。该图像处理装置可以为终端设备、服务器或者其他处理设备等。其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal DigitalAssistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。
在一些可能的实现方式中,该图像处理装置可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
如图7所示,所述图像处理装置可以包括:
特征提取模块71,用于对待处理图像进行特征提取,获得所述待处理图像的特征图;
第一确定模块72,用于对所述特征图进行第一定位及分割处理,确定第一目标的第一分割结果;
第二确定模块73,用于对所述特征图进行第二定位及分割处理,确定第二目标的第二分割结果;
分割结果确定模块74,用于根据所述第一分割结果和所述第二分割结果,确定所述待处理图像的分割结果。
针对第一目标和第二目标,分别通过对提取的待处理图像的特征图进行第一定位及分割处理获得第一目标的第一分割结果,通过对特征图进行第二定位及分割处理得到第二目标的分割结果,并根据第一目标的分割结果和第二目标的分割结果得到待处理图像的分割结果。通过上述过程可以实现对待处理图像中不同区域的尺寸不同的目标的差异化处理,提高图像处理的精度。
在一种可能的实现方式中,所述第二确定模块73包括:
定位子模块,用于对所述特征图进行第二定位处理及裁切处理,分别得到第二目标的位置信息及目标特征图;
确定子模块,用于根据所述目标特征图、所述第二目标的位置信息、待处理图像以及所述特征图,确定所述第二目标的第二分割结果。
在一种可能的实现方式中,所述定位子模块还用于:
对所述特征图进行第二定位处理,确定第二目标的位置信息;
根据所述第二目标的位置信息对所述特征图进行裁切处理,得到所述第二目标的目标特征图。
在一种可能的实现方式中,所述确定子模块还用于:
对所述目标特征图、所述第二目标的位置信息、待处理图像以及所述特征图进行图像融合,得到融合结果;
对所述融合结果进行第二分割,确定所述第二目标的第二分割结果。
在一种可能的实现方式中,所述特征图包括N层特征图,N为大于1的整数,其中,所述定位子模块还用于:对第N层特征图进行第二定位处理,确定第二目标的位置概率图。
在一种可能的实现方式中,所述定位子模块还用于:
根据所述第二目标的位置信息对第N层特征图进行裁切处理,得到所述第二目标的目标特征图。
在一种可能的实现方式中,所述确定子模块还用于:
根据所述第二目标的位置信息,分别对所述待处理图像及第一层特征图进行第三分割,得到分割后的待处理图像及分割后的第一层特征图;
对所述目标特征图、所述第二目标的位置信息、分割后的待处理图像及分割后的第一层特征图进行图像融合,得到融合结果。
在一种可能的实现方式中,所述特征提取模块71包括:
卷积子模块,用于对待处理图像进行卷积处理,得到卷积结果;
激活子模块,用于对所述卷积结果进行残差及压缩激活处理,得到激活结果;
提取子模块,用于对所述激活结果进行多尺度特征提取及反卷积处理,得到所述待处理图像的特征图。
在一种可能的实现方式中,所述装置通过神经网络实现,所述神经网络包括主分割网络、第一定位网络及第一分割网络,所述主分割网络包括特征提取网络及第二定位与分割网络,
其中,所述特征提取网络对待处理图像进行特征提取,所述第二定位与分割网络用于对所述特征图进行第一定位及分割处理,所述第一定位网络用于对所述特征图进行第二定位处理,所述第一分割网络用于确定所述第二目标的第二分割结果。
在一种可能的实现方式中,所述装置还包括:
训练模块75,用于根据预设的训练集,训练所述神经网络。
在一种可能的实现方式中,所述训练模块75包括:
第一训练子模块,用于根据所述训练集,训练所述主分割网络;
第二训练子模块,用于根据所述训练集以及已训练的主分割网络,训练所述第一定位网络;
第三训练子模块,用于根据所述训练集、已训练的主分割网络以及已训练的第一定位网络,训练所述第一分割网络。
在一种可能的实现方式中,所述训练模块75包括:
损失确定子模块,用于根据focal loss函数和generalized dice loss函数,确定所述神经网络的网络损失;
调整子模块,用于根据所述网络损失,调整所述神经网络的网络参数。
在一种可能的实现方式中,所述待处理图像为包含危及器官OAR的医学图像。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图8是根据本公开实施例的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图8,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图9是根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图9,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (22)
1.一种图像处理方法,其特征在于,包括:
对待处理图像进行特征提取,获得所述待处理图像的特征图;
对所述特征图进行第一定位及分割处理,确定第一目标的第一分割结果;
对所述特征图进行第二定位及分割处理,确定第二目标的第二分割结果;
根据所述第一分割结果和所述第二分割结果,确定所述待处理图像的分割结果;
其中,对所述特征图进行第二定位及分割处理,确定第二目标的第二分割结果,包括:
对所述特征图进行第二定位处理及裁切处理,分别得到第二目标的位置信息及目标特征图;
根据所述目标特征图、所述第二目标的位置信息、所述待处理图像以及所述特征图,确定所述第二分割结果;
根据所述目标特征图、所述第二目标的位置信息、待处理图像以及所述特征图,确定所述第二目标的第二分割结果,包括:
对所述目标特征图、所述第二目标的位置信息、待处理图像以及所述特征图进行图像融合,得到融合结果;
对所述融合结果进行第二分割,确定所述第二目标的第二分割结果;
所述特征图包括N层特征图,N为大于1的整数,对所述目标特征图、所述第二目标的位置信息、待处理图像以及所述特征图进行图像融合,得到融合结果,包括:
根据所述第二目标的位置信息,分别对所述待处理图像及第一层特征图进行第三分割,得到分割后的待处理图像及分割后的第一层特征图;
对所述目标特征图、所述第二目标的位置信息、分割后的待处理图像及分割后的第一层特征图进行图像融合,得到融合结果。
2.根据权利要求1所述的方法,其特征在于,对所述特征图进行第二定位处理及裁切处理,分别得到第二目标的位置信息及目标特征图,包括:
对所述特征图进行第二定位处理,确定第二目标的位置信息;
根据所述第二目标的位置信息对所述特征图进行裁切处理,得到所述第二目标的目标特征图。
3.根据权利要求2所述的方法,其特征在于,所述特征图包括N层特征图,N为大于1的整数,
其中,对所述特征图进行第二定位处理,确定第二目标的位置信息,包括:
对第N层特征图进行第二定位处理,确定第二目标的位置概率图。
4.根据权利要求3所述的方法,其特征在于,根据所述第二目标的位置信息对所述特征图进行裁切处理,得到所述第二目标的目标特征图,包括:
根据所述第二目标的位置信息对第N层特征图进行裁切处理,得到所述第二目标的目标特征图。
5.根据权利要求1-4中任意一项所述的方法,其特征在于,对待处理图像进行特征提取,获得所述待处理图像的特征图,包括:
对待处理图像进行卷积处理,得到卷积结果;
对所述卷积结果进行残差及压缩激活处理,得到激活结果;
对所述激活结果进行多尺度特征提取及反卷积处理,得到所述待处理图像的特征图。
6.根据权利要求2-4中任意一项所述的方法,其特征在于,所述方法通过神经网络实现,所述神经网络包括主分割网络、第一定位网络及第一分割网络,所述主分割网络包括特征提取网络及第二定位与分割网络,
其中,所述特征提取网络对待处理图像进行特征提取,所述第二定位与分割网络用于对所述特征图进行第一定位及分割处理,所述第一定位网络用于对所述特征图进行第二定位处理,所述第一分割网络用于确定所述第二目标的第二分割结果。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
根据预设的训练集,训练所述神经网络。
8.根据权利要求7所述的方法,其特征在于,根据预设的训练集,训练所述神经网络,包括:
根据所述训练集,训练所述主分割网络;
根据所述训练集以及已训练的主分割网络,训练所述第一定位网络;
根据所述训练集、已训练的主分割网络以及已训练的第一定位网络,训练所述第一分割网络。
9.根据权利要求7或8所述的方法,其特征在于,根据预设的训练集,训练所述神经网络,包括:
根据focal loss函数和generalized dice loss函数,确定所述神经网络的网络损失;
根据所述网络损失,调整所述神经网络的网络参数。
10.根据权利要求1-4任意一项所述的方法,其特征在于,所述待处理图像为包含危及器官OAR的医学图像。
11.一种图像处理装置,其特征在于,包括:特征提取模块,用于对待处理图像进行特征提取,获得所述待处理图像的特征图;
第一确定模块,用于对所述特征图进行第一定位及分割处理,确定第一目标的第一分割结果;
第二确定模块,用于对所述特征图进行第二定位及分割处理,确定第二目标的第二分割结果;
分割结果确定模块,用于根据所述第一分割结果和所述第二分割结果,确定所述待处理图像的分割结果;
其中,所述第二确定模块包括:
定位子模块,用于对所述特征图进行第二定位处理及裁切处理,分别得到第二目标的位置信息及目标特征图;
确定子模块,用于根据所述目标特征图、所述第二目标的位置信息、所述待处理图像以及所述特征图,确定所述第二分割结果;
所述确定子模块还用于:
对所述目标特征图、所述第二目标的位置信息、待处理图像以及所述特征图进行图像融合,得到融合结果;
对所述融合结果进行第二分割,确定所述第二目标的第二分割结果;
所述确定子模块还用于:
根据所述第二目标的位置信息,分别对所述待处理图像及第一层特征图进行第三分割,得到分割后的待处理图像及分割后的第一层特征图;
对所述目标特征图、所述第二目标的位置信息、分割后的待处理图像及分割后的第一层特征图进行图像融合,得到融合结果。
12.根据权利要求11所述的装置,其特征在于,所述定位子模块还用于:
对所述特征图进行第二定位处理,确定第二目标的位置信息;
根据所述第二目标的位置信息对所述特征图进行裁切处理,得到所述第二目标的目标特征图。
13.根据权利要求12所述的装置,其特征在于,所述定位子模块还用于:
对第N层特征图进行第二定位处理,确定第二目标的位置概率图。
14.根据权利要求13所述的装置,其特征在于,所述定位子模块还用于:
根据所述第二目标的位置信息对第N层特征图进行裁切处理,得到所述第二目标的目标特征图。
15.根据权利要求11-14中任意一项所述的装置,其特征在于,所述特征提取模块包括:
卷积子模块,用于对待处理图像进行卷积处理,得到卷积结果;
激活子模块,用于对所述卷积结果进行残差及压缩激活处理,得到激活结果;
提取子模块,用于对所述激活结果进行多尺度特征提取及反卷积处理,得到所述待处理图像的特征图。
16.根据权利要求12-14中任意一项所述的装置,其特征在于,所述装置通过神经网络实现,所述神经网络包括主分割网络、第一定位网络及第一分割网络,所述主分割网络包括特征提取网络及第二定位与分割网络,
其中,所述特征提取网络对待处理图像进行特征提取,所述第二定位与分割网络用于对所述特征图进行第一定位及分割处理,所述第一定位网络用于对所述特征图进行第二定位处理,所述第一分割网络用于确定所述第二目标的第二分割结果。
17.根据权利要求16所述的装置,其特征在于,所述装置还包括:
训练模块,用于根据预设的训练集,训练所述神经网络。
18.根据权利要求17所述的装置,其特征在于,所述训练模块包括:
第一训练子模块,用于根据所述训练集,训练所述主分割网络;
第二训练子模块,用于根据所述训练集以及已训练的主分割网络,训练所述第一定位网络;
第三训练子模块,用于根据所述训练集、已训练的主分割网络以及已训练的第一定位网络,训练所述第一分割网络。
19.根据权利要求17或18所述的装置,其特征在于,所述训练模块包括:
损失确定子模块,用于根据focal loss函数和generalized dice loss函数,确定所述神经网络的网络损失;
调整子模块,用于根据所述网络损失,调整所述神经网络的网络参数。
20.根据权利要求11-14任意一项所述的装置,其特征在于,所述待处理图像为包含危及器官OAR的医学图像。
21.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至10中任意一项所述的方法。
22.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至10中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910138465.6A CN109829920B (zh) | 2019-02-25 | 2019-02-25 | 图像处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910138465.6A CN109829920B (zh) | 2019-02-25 | 2019-02-25 | 图像处理方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829920A CN109829920A (zh) | 2019-05-31 |
CN109829920B true CN109829920B (zh) | 2021-06-15 |
Family
ID=66864288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910138465.6A Active CN109829920B (zh) | 2019-02-25 | 2019-02-25 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829920B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033460B (zh) * | 2019-04-03 | 2021-02-19 | 中国科学院地理科学与资源研究所 | 一种基于尺度空间变换的卫星影像中海上养殖区提取方法 |
CN110335199A (zh) * | 2019-07-17 | 2019-10-15 | 上海骏聿数码科技有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN110348537B (zh) * | 2019-07-18 | 2022-11-29 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110415258B (zh) * | 2019-07-29 | 2022-04-29 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110458218B (zh) * | 2019-07-31 | 2022-09-27 | 北京市商汤科技开发有限公司 | 图像分类方法及装置、分类网络训练方法及装置 |
CN110490891A (zh) * | 2019-08-23 | 2019-11-22 | 杭州依图医疗技术有限公司 | 分割图像中关注对象的方法、设备和计算机可读存储介质 |
CN110569854B (zh) * | 2019-09-12 | 2022-03-29 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110675409A (zh) * | 2019-09-20 | 2020-01-10 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110782468B (zh) * | 2019-10-25 | 2023-04-07 | 北京达佳互联信息技术有限公司 | 图像分割模型的训练方法及装置及图像分割方法及装置 |
CN111079761B (zh) * | 2019-11-05 | 2023-07-18 | 北京航空航天大学青岛研究院 | 图像处理方法、装置及计算机存储介质 |
CN111310509A (zh) * | 2020-03-12 | 2020-06-19 | 北京大学 | 基于物流运单的实时条码检测***及方法 |
CN111768352B (zh) * | 2020-06-30 | 2024-05-07 | Oppo广东移动通信有限公司 | 图像处理方法及装置 |
CN112070158B (zh) * | 2020-09-08 | 2022-11-15 | 哈尔滨工业大学(威海) | 一种基于卷积神经网络和双边滤波的面部瑕疵检测方法 |
CN112233194B (zh) * | 2020-10-15 | 2023-06-02 | 平安科技(深圳)有限公司 | 医学图片优化方法、装置、设备及计算机可读存储介质 |
CN113012166A (zh) * | 2021-03-19 | 2021-06-22 | 北京安德医智科技有限公司 | 颅内动脉瘤分割方法及装置、电子设备和存储介质 |
CN113537350B (zh) * | 2021-07-16 | 2023-12-22 | 商汤集团有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN113688748B (zh) * | 2021-08-27 | 2023-08-18 | 武汉大千信息技术有限公司 | 一种火灾检测的模型及方法 |
CN113762476B (zh) * | 2021-09-08 | 2023-12-19 | 中科院成都信息技术股份有限公司 | 一种用于文字检测的神经网络模型及其文字检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106611413A (zh) * | 2016-11-30 | 2017-05-03 | 上海联影医疗科技有限公司 | 图像分割方法及其*** |
CN109166130A (zh) * | 2018-08-06 | 2019-01-08 | 北京市商汤科技开发有限公司 | 一种图像处理方法及图像处理装置 |
CN109166107A (zh) * | 2018-04-28 | 2019-01-08 | 北京市商汤科技开发有限公司 | 一种医学图像分割方法及装置、电子设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360633B (zh) * | 2018-09-04 | 2022-08-30 | 北京市商汤科技开发有限公司 | 医疗影像处理方法及装置、处理设备及存储介质 |
-
2019
- 2019-02-25 CN CN201910138465.6A patent/CN109829920B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106611413A (zh) * | 2016-11-30 | 2017-05-03 | 上海联影医疗科技有限公司 | 图像分割方法及其*** |
CN109166107A (zh) * | 2018-04-28 | 2019-01-08 | 北京市商汤科技开发有限公司 | 一种医学图像分割方法及装置、电子设备和存储介质 |
CN109166130A (zh) * | 2018-08-06 | 2019-01-08 | 北京市商汤科技开发有限公司 | 一种图像处理方法及图像处理装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109829920A (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829920B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109978886B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110569854B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111310764B (zh) | 网络训练、图像处理方法及装置、电子设备和存储介质 | |
CN110047078B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US20210326587A1 (en) | Human face and hand association detecting method and a device, and storage medium | |
US20220198775A1 (en) | Image processing method and apparatus, electronic device, storage medium and computer program | |
US10930010B2 (en) | Method and apparatus for detecting living body, system, electronic device, and storage medium | |
CN112767329B (zh) | 图像处理方法及装置、电子设备 | |
CN111899268B (zh) | 图像分割方法及装置、电子设备和存储介质 | |
CN110705626A (zh) | 一种图像处理方法及装置、电子设备和存储介质 | |
CN110211134B (zh) | 一种图像分割方法及装置、电子设备和存储介质 | |
CN114820584B (zh) | 肺部病灶定位装置 | |
CN112541928A (zh) | 网络训练方法及装置、图像分割方法及装置和电子设备 | |
CN113012166A (zh) | 颅内动脉瘤分割方法及装置、电子设备和存储介质 | |
CN112967291B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112597944B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN113034491B (zh) | 一种冠脉钙化斑块检测方法及装置 | |
CN110852325B (zh) | 图像的分割方法及装置、电子设备和存储介质 | |
CN111724361B (zh) | 实时显示病灶的方法及装置、电子设备和存储介质 | |
CN111798498A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112613447A (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN112200820A (zh) | 三维图像处理方法及装置、电子设备和存储介质 | |
CN111968106A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111369512A (zh) | 图像处理方法及装置、电子设备和存储介质 |
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 |