CN112132841B - 医疗图像切割方法及装置 - Google Patents
医疗图像切割方法及装置 Download PDFInfo
- Publication number
- CN112132841B CN112132841B CN202011003928.7A CN202011003928A CN112132841B CN 112132841 B CN112132841 B CN 112132841B CN 202011003928 A CN202011003928 A CN 202011003928A CN 112132841 B CN112132841 B CN 112132841B
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- small
- medical
- small sub
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000000605 extraction Methods 0.000 claims abstract description 35
- 230000006870 function Effects 0.000 claims description 51
- 238000013507 mapping Methods 0.000 claims description 20
- 238000002372 labelling Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000005381 potential energy Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 34
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种医疗图像切割方法及装置,所述方法包括:将待进行切割的医疗图像输入图像切割模型中,输出切割为小块的子医疗图像;图像切割模型包括图像偏移模块、特征提取模块、条件随机场模块和切割模块,图像偏移模块用于根据预设偏移量集合和第一区域的第一小块子图像,获取多个不同区域的第二小块子图像集合,特征提取模块用于提取各第二小块子图像的特征,条件随机场模块用于获取各第二小块子图像与第一小块子图像标注相同的概率,并通过损失函数计算各概率对应的损失值,切割模块用于对医疗样本图像进行切割。本发明实施例能够实现自适应切割医疗图像,并提高了神经网络训练效率,降低了神经网络训练成本。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种医疗图像切割方法及装置。
背景技术
计算机视觉在深度学习兴起之后获得了快速的发展,包括图像分类,目标检测与定位,图像分割。其中,基于深度学习的图像分割也广泛应用于医疗图像切割。
然而,诸如组织学图像在内的医疗图像尺寸通常很大,如80000×80000及以上的像素,而深度神经网络的输入尺寸在500×500像素内。训练神经网络用于医疗图像进行分类处理首先需要将医疗图像切割成为小块子图像,再将小块图像标注后用于训练神经网络。传统的切割医疗图像为小块子图的方法包括:①平移滑动并且没有相交区域的切割;②平移滑动并且有相交区域的切割。但是上述两种方法切割的图像往往质量不佳,并且切割的图像中有两种或两种以上特征,也有部分图像包含大块的背景。而为了消除上述切割图像带来的影响,在训练神经网络的时候需要切割大量的医疗图像提升数据集的大小,大量的数据集量提升了标注人员的工作量,也提升了深度神经网络训练的时间和计算成本。
发明内容
针对现有技术存在的问题,本发明实施例提供一种医疗图像切割方法及装置。
具体地,本发明实施例提供了如下技术方案:
第一方面,本发明实施例提供一种医疗图像切割方法,包括:
获取待进行切割的医疗图像;
将所述医疗图像输入图像切割模型中,输出切割为小块的子医疗图像;
其中,所述图像切割模型是基于带有分类标注的医疗样本图像训练得到的,所述图像切割模型包括图像偏移模块、特征提取模块、条件随机场模块和切割模块;所述图像偏移模块用于根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像分别增加偏移量集合中的每一偏移量,获取多个不同区域的第二小块子图像集合,所述特征提取模块用于提取所述各第二小块子图像的特征,所述条件随机场模块用于以所述各第二小块子图像的特征为输入,获取各第二小块子图像与第一小块子图像标注相同的概率,并通过损失函数计算各概率对应的损失值,所述切割模块用于根据计算得到的最大损失值对应的偏移量,对所述医疗样本图像进行切割;
其中,在对所述图像切割模型进行训练时,通过所述损失值来优化所述特征提取模块和所述条件随机场模块,直至满足预设收敛条件。
进一步地,所述图像偏移模块中存储有第一小块子图像与第一小块子图像中心像素坐标的映射关系,以及各第二小块子图像与第二小块子图像中心像素坐标的映射关系;
相应地,根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像分别增加偏移量集合中的每一偏移量,获取多个不同区域的第二小块子图像集合,包括:
根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像中心像素坐标分别增加偏移量集合中的每一偏移量,获取多个第二小块子图像中心像素坐标。
进一步地,在图像切割模型输出切割为小块的子医疗图像之后,还包括:根据切割为小块的子医疗图像中的组织进行分类。
进一步地,所述条件随机场模块根据条件随机场函数获取各第二小块子图像与第一小块子图像标注相同的概率;其中,所述条件随机场函数为:
其中,P(l=l|x)表示以小块子图像x作为条件标注为l的概率,P(l=l|p)表示小块子图像x的中心像素坐标p作为条件标注为l的概率,p表示小块子图像x的中心像素在原始图像中的坐标,l表示以图像标注生成的随机变量,l表示图像标注,Z(p)表示归一化常数,表示能量函数,/>表示所有小块子图像x的全体集合,ψu表示一元势能函数,l(Δp+p)表示中心坐标为Δp+p的小块子图像的标注,Δp表示中心坐标为p的小块子图像对应的带训练的偏移量,Δp′表示中心坐标为Δp′的小块子图像对应的带训练的偏移量,ψp表示对偶势能函数,l(Δp′+p′)表示中心坐标为Δp′+p′的小块子图像的标注,ωp+Δp,p′+Δp′表示相邻与中心坐标为Δp+p和Δp′+p′的小块子图像的待训练权重,σ表示控制偏移量范围的超参数,Y(p+Δp)表示中心坐标为Δp+p的小块子经过卷积神经网络提取后的特征向量,Y(Δp′+p′)表示中心坐标为Δp′+p′的小块子经过卷积神经网络提取后的特征向量,表示指标函数,exp表示指数函数。
进一步地,所述损失函数为交叉熵损失函数,所述交叉熵损失函数为:
Loss=∑lyl·log(P(l=l|x));
其中,Loss表示损失值,log表示对数函数,yl表示小块子图像x实际标注为l的概率,∑l表示对于所有标注l进行求和。
第二方面,本发明实施例提供一种医疗图像切割装置,其特征在于,包括:
获取单元,用于获取待进行切割的医疗图像;
切割单元,用于将所述医疗图像输入图像切割模型中,输出切割为小块的子医疗图像;
其中,所述图像切割模型是基于带有分类标注的医疗样本图像训练得到的,所述图像切割模型包括图像偏移模块、特征提取模块、条件随机场模块和切割模块;所述图像偏移模块用于根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像分别增加偏移量集合中的每一偏移量,获取多个不同区域的第二小块子图像集合,所述特征提取模块用于提取所述各第二小块子图像的特征,所述条件随机场模块用于以所述各第二小块子图像的特征为输入,获取各第二小块子图像与第一小块子图像标注相同的概率,并通过损失函数计算各概率对应的损失值,所述切割模块用于根据计算得到的最大损失值对应的偏移量,对所述医疗样本图像进行切割;
其中,在对所述图像切割模型进行训练时,通过所述损失值来优化所述特征提取模块和所述条件随机场模块,直至满足预设收敛条件。
进一步地,所述图像偏移模块中存储有第一小块子图像与第一小块子图像中心像素坐标的映射关系,以及各第二小块子图像与第二小块子图像中心像素坐标的映射关系;
相应地,根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像分别增加偏移量集合中的每一偏移量,获取多个不同区域的第二小块子图像集合,包括:
根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像中心像素坐标分别增加偏移量集合中的每一偏移量,获取多个第二小块子图像中心像素坐标。
进一步地,还包括分类单元,用于在图像切割模型输出切割为小块的子医疗图像之后,根据切割为小块的子医疗图像中的组织进行分类。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述医疗图像切割方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述医疗图像切割方法的步骤。
本发明实施例提供的医疗图像切割方法及装置,将待进行切割的医疗图像输入图像切割模型中,输出切割为小块的子医疗图像;其中,图像切割模型是基于带有分类标注的医疗样本图像训练得到的,包括图像偏移模块、特征提取模块、条件随机场模块和切割模块;图像偏移模块用于根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像分别增加偏移量集合中的每一偏移量,获取多个不同区域的第二小块子图像集合,从而可以根据医疗影响实际情况进行灵活选择区域切割,而不需要像传统方法中以固定的方式平滑移动切割;特征提取模块用于提取各第二小块子图像的特征,条件随机场模块用于以各第二小块子图像的特征为输入,获取各第二小块子图像与第一小块子图像标注相同的概率,并通过损失函数计算各概率对应的损失值,切割模块用于根据计算得到的最大损失值对应的偏移量,对医疗样本图像进行切割。由此可见,本发明实施例通过对第一小块子图像进行偏移,获取多个不同区域的第二小块子图像集合,从而能够根据不同医疗图像的实际情况灵活选取切割区域,实现自适应切割医疗图像,并结合随机条件场模型判别第二小块子图像与第一小块子图像标注相同的概率,由于第二小块子图像是以第一小块子图像作为先验信息进一步判别是否属于相同的标注,使得切割后的第二小块子图像不会包含第一小块子图像的特征,即保证切割后的第二小块子图像不存在两种及以上的特征,使得第二小块子图像具有代表性,能够应用于后期医疗图像分类的神经网络训练,而不再需要选取大量的医疗图像数据集对神经网络进行训练,从而大幅度减少后期针对第二小块子图像进行医疗图像分类的神经网络训练标注工作量,提高了神经网络训练效率,降低了神经网络训练成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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。
图1是本发明第一个实施例提供的医疗图像切割方法的流程示意图;
图2是本发明一实施例提供的医疗图像切割结构示意图;
图3是传统方法中医疗图像切割示意图;
图4是本发明一实施例提供的基于偏移量的医疗图像切割示意图;
图5是本发明第二个实施例提供的医疗图像切割装置的结构示意图;
图6是本发明第三个实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明第一个实施例提供的医疗图像切割方法的流程示意图,如图1所示,本发明第一个实施例提供的医疗图像切割方法,包括如下步骤:
步骤110、获取待进行切割的医疗图像。
步骤120、将所述医疗图像输入图像切割模型中,输出切割为小块的子医疗图像。
在本实施例中,需要说明的是,医疗图像尺寸通常很大(如80000×80000及以上的像素),而用于对医疗图像进行分类的深度神经网络的输入尺寸在500×500像素内,因此在训练神经网络前首先需要将医疗图像切割成为小块子图像,再将小块图像标注后用于训练神经网络。然而,传统的切割医疗图像为小块子图的方法包括:①平移滑动并且没有相交区域的切割;②平移滑动并且有相交区域的切割。但是上述两种方法切割的图像往往质量不佳,并且切割的图像中有两种或两种以上特征,也有部分图像包含大块的背景。而为了消除上述传统方法切割图像带来的影响,在训练神经网络的时候需要切割大量的医疗图像提升数据集的大小,大量的数据集量提升了标注人员的工作量,也提升了深度神经网络训练的时间和计算成本。
因此,本实施例提供的方法在以小块图像作为神经网络的输入,以随机条件场作为空间相关性衡量的工具,通过偏移程度的小块图像的不确定度,选择最具有代表性的小块图像切割用于标注和训练,大幅度减少了神经网络训练的数据集的大小。
具体地,本实施例将获取的待进行切割的医疗图像输入图像切割模型中,输出切割为小块的子医疗图像。其中,医疗图像可以为大尺寸高分比率的全视野组织学图像,图像切割模型是基于带有分类标注的医疗样本图像训练得到的,图像切割模型包括图像偏移模块、特征提取模块、条件随机场模块和切割模块。
其中,图像偏移模块用于根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像分别增加偏移量集合中的每一偏移量,获取多个不同区域的第二小块子图像集合,例如对于第一区域的第一小块子图像x(p)增加偏移量Δp,可以获取另一区域的第二小块子图像,根据预设偏移量的集合可以获取多个不同区域的第二小块子图像集合,由于各第二小块子图像是与第一小块子图像相邻的图像,从而需要在第二小块子图像中选取不包含第一小块子图像特征的第二小块子图像作为切割后的图像,便于后期进行医疗图像分类的神经网络训练。
因此,本实施例通过将图像偏移模块中获取的多个第二小块子图像集合输入特征提取模块,用于提取各第二小块子图像的特征。其中,特征提取模块可以是经过训练的卷积神经网络,例如将第二小块子图像{x(p+Δp)}分别输入到某个固定结构的卷机神经网络,输出一个低维度的特征向量Y(p+Δp)。其中卷积神经网络的网络结构和输出的特征向量的维度由具体的任务而确定。
在获取各第二小块子图像的特征之后,将其输入条件随机场模块,获取各第二小块子图像与第一小块子图像标注相同的概率,并通过损失函数计算各概率对应的损失值。其中,条件随机场(Conditional Random Fields,简称CRF),是一种判别式概率模型。例如,存在有人物A一天从早到晚的一系列照片,需要确定这一系列的每张照片对应的活动,比如:工作的照片,吃饭的照片,唱歌的照片等等。传统方法是通过找到人物A之前的日常生活的一系列照片,然后标记这些照片代表的活动,从而可以用监督学习的方法来训练一个分类模型,比如逻辑回归,接着用模型去预测这一天的每张照片最可能的活动标记。这种办法虽然是可行的,但是却忽略了一个重要的问题,就是这些照片之间的顺序其实是有很大的时间顺序关系的,而用上面的方法则会忽略这种关系。比如我们现在看到了一张人物A闭着嘴的照片,那么这张照片比较难去打标记。但是如果我们有人物A在这一张照片前一点点时间的照片的话,那么这张照片就好标记了。如果在时间序列上前一张的照片里人物A在吃饭,那么这张闭嘴的照片很有可能是在吃饭咀嚼。而如果在时间序列上前一张的照片里人物A在唱歌,那么这张闭嘴的照片很有可能是在唱歌。因此,本实施例在对第二小块子图像进行切割时,通过CRF以相邻的第一小块子图像作为先验信息,判断第二小块子图像的分类即第二小块子图像所属的标注概率,从而能够使切割后的第二小块子图像中不包含第一小块子图像的特征,避免第二小块子图像中存在两种或两种以上的特征导致需要获取大量的医疗图像数据集对分类深度神经网络进行训练,提升了深度神经网络的训练效率,降低了深度神经网络的训练成本。
在获取各第二小块子图像对应的损失值后,损失值越大,说明第二小块子图像中包含第一小块子图像特征的概率越小,从而本实施例通过切割模块根据计算得到的最大损失值对应的偏移量,对医疗样本图像进行切割,从而使得切割后的第二小块子图像只包含一种图像特征。
其中,在对图像切割模型进行训练时,通过损失函数如交叉熵损失函数来计算损失值,并优化特征提取模块和条件随机场模块,更新训练参数,直至满足预设收敛条件结束训练。预设收敛条件可以为误差小于某个预先设定的值,也可以为训练次数达到阈值,本实施例对此不作具体限定。
图2是本发明一实施例提供的医疗图像切割结构示意图,如图2所示,通过输入带有标注的医疗图像,对于每一块输入的子图像坐标增加偏移量,将增加偏移量后坐标转化为对应的小块子图像,并且输入卷积神经网络进行特征提取,输出一个低纬度的特征向量,将特征向量以及图像的空间坐标和偏移量的信息输入条件随机条件场模型,并输出模型的损失函数的值、预测的分类结果和可能性,最终根据损失函数通过负反馈传递和梯度下降的算法对模型中的参数进行更新。在切割子图像的阶段,通过衡量给定区域内全部可行的偏移量的值,切割出对应损失值最大的偏移量所映射到的小块图像。
图3是传统方法中医疗图像切割示意图,图4是本发明一实施例提供的基于偏移量的医疗图像切割示意图,如图3和图4所示,传统方法中的医疗图像切割基于平移滑动并且没有相交区域的切割,而本实施例提供的医疗图像切割基于不同偏移量的小块子图像进行切割,相较于传统方法中的医疗图像切割,本实施例能够根据不同医疗图像的实际情况灵活选取切割区域,实现自适应切割医疗图像。
本发明实施例提供的医疗图像切割方法,将待进行切割的医疗图像输入图像切割模型中,输出切割为小块的子医疗图像;其中,图像切割模型是基于带有分类标注的医疗样本图像训练得到的,包括图像偏移模块、特征提取模块、条件随机场模块和切割模块;图像偏移模块用于根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像分别增加偏移量集合中的每一偏移量,获取多个不同区域的第二小块子图像集合,从而可以根据医疗影响实际情况进行灵活选择区域切割,而不需要像传统方法中以固定的方式平滑移动切割;特征提取模块用于提取各第二小块子图像的特征,条件随机场模块用于以各第二小块子图像的特征为输入,获取各第二小块子图像与第一小块子图像标注相同的概率,并通过损失函数计算各概率对应的损失值,切割模块用于根据计算得到的最大损失值对应的偏移量,对医疗样本图像进行切割。由此可见,本发明实施例通过对第一小块子图像进行偏移,获取多个不同区域的第二小块子图像集合,从而能够根据不同医疗图像的实际情况灵活选取切割区域,实现自适应切割医疗图像,并结合随机条件场模型判别第二小块子图像与第一小块子图像标注相同的概率,由于第二小块子图像是以第一小块子图像作为先验信息进一步判别是否属于相同的标注,使得切割后的第二小块子图像不会包含第一小块子图像的特征,即保证切割后的第二小块子图像不存在两种及以上的特征,使得第二小块子图像具有代表性,能够应用于后期医疗图像分类的神经网络训练,而不再需要选取大量的医疗图像数据集对神经网络进行训练,从而大幅度减少后期针对第二小块子图像进行医疗图像分类的神经网络训练标注工作量,提高了神经网络训练效率,降低了神经网络训练成本。
基于上述实施例的内容,在实施例中,所述图像偏移模块中存储有第一小块子图像与第一小块子图像中心像素坐标的映射关系,以及各第二小块子图像与第二小块子图像中心像素坐标的映射关系。
在本实施例中,由于小块子图像的尺寸是固定的所以每一块子图像与其中心像素点在医疗图像中的坐标之间是一一对应的。即在小块子图像的尺寸是固定的前提下,小块子图像确定后与其中心像素坐标之间是一一确定。而且第一小块子图像与第二小块子图像的尺寸是一致的,所以可以建立第一小块子图像本身与第一小块子图像中心像素坐标之间一对一的映射关系,以及第二小块子图像本身与第二小块子图像中心像素坐标之间一对一的映射关系。例如,可以记x为中心坐标到小块子图像之间的函数映射。同理,可以记l为中心坐标到小块子图像的标注的函数映射。
相应地,根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像分别增加偏移量集合中的每一偏移量,获取多个不同区域的第二小块子图像集合,包括:
根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像中心像素坐标分别增加偏移量集合中的每一偏移量,获取多个第二小块子图像中心像素坐标。
由于图像偏移模块中是多个一小块的图像,利用上述第一小块子图像与第一小块子图像中心像素坐标的映射关系,以及各第二小块子图像与第二小块子图像中心像素坐标的映射关系,设初始的输入的小块子图像的集合为{x(p)}对于其中p表示小块图像的中心像素的坐标,而集合/>表示我们感兴趣的小块子图像的集合。对于每一块小块图像x(p),记相邻于小块子图像x(p)加上的偏移量为Δp,则小块子图像的集合为{x(p+Δp)}其中/>这些图像对应的标注为{l(p+Δp)}。
本发明实施例提供的医疗图像切割方法,图像偏移模块中存储有第一小块子图像与第一小块子图像中心像素坐标的映射关系,以及各第二小块子图像与第二小块子图像中心像素坐标的映射关系,从而可以将各小块子图像与图像中心像素坐标之间实现一一对应,不仅能够在模型中准确表示各小块子图像,而且简化了各小块子图像的表示方式。
基于上述实施例的内容,在实施例中,在图像切割模型输出切割为小块的子医疗图像之后,还包括:根据切割为小块的子医疗图像中的组织进行分类。
在本实施例中,通过图像切割模型输出的切割为小块的各子医疗图像,不存在两种或两种以上的特征,而且也不会包含大块的背景,从而在对各子医疗图像进行分类时,不需要获取大量的医疗图像数据集来训练深度神经网络,减少了标注人员的工作量。例如,通过本实施例提供的方法获取的子医疗图像,在肿瘤基因组计划(The Cancer GenomeAtlas,简称TCGA)和癌症细胞数据集(Camelyon16)这两个公开数据集上测试,可以将神经网络分类的指标(Area Under Curve,简称AUC)维持在0.8,并且将原本大小为100000张子图像的训练集合的数据量减少达50%左右。
本发明实施例提供的医疗图像切割方法,基于图像切割模型输出切割为小块的子医疗图像,能够准确且低成本的对子医疗图像中的组织进行分类。
基于上述实施例的内容,在实施例中,所述条件随机场模块根据条件随机场函数获取各第二小块子图像与第一小块子图像标注相同的概率;其中,所述条件随机场函数为:
其中,P(l=l|x)表示以小块子图像x作为条件标注为l的概率,P(l=l|p)表示小块子图像x的中心像素坐标p作为条件标注为l的概率,p表示小块子图像x的中心像素在原始图像中的坐标,l表示以图像标注生成的随机变量,l表示图像标注,Z(p)表示归一化常数,表示能量函数,/>表示所有小块子图像x的全体集合,ψu表示一元势能函数,l(Δp+p)表示中心坐标为Δp+p的小块子图像的标注,Δp表示中心坐标为p的小块子图像对应的带训练的偏移量,Δp′表示中心坐标为Δp′的小块子图像对应的带训练的偏移量,ψp表示对偶势能函数,l(Δp′+p′)表示中心坐标为Δp′+p′的小块子图像的标注,ωp+Δp,p′+Δp′表示相邻与中心坐标为Δp+p和Δp′+p′的小块子图像的待训练权重,σ表示控制偏移量范围的超参数,Y(p+Δp)表示中心坐标为Δp+p的小块子经过卷积神经网络提取后的特征向量,Y(Δp′+p′)表示中心坐标为Δp′+p′的小块子经过卷积神经网络提取后的特征向量,表示指标函数,exp表示指数函数。其中,当且仅当中心坐标分别为p+Δp,p′+Δp′的小块子图像对应的标注相同时,/>否则/>
例如,在一个数据集上进行预训练后,给定输入到小块子图像集合{x(p)}对于在所有可行的范围内选择相邻的偏移量集合{Δp},使得输入{x(p+Δp)}以及其标柱后,通过比对不同偏移量集合{Δp}输出的损失值,当损失函数的值最大,即为最优的偏移量集合,从而切割这组偏移量对应的小块子图像。
本发明实施例提供的医疗图像切割方法,通过条件随机场模块,以相邻的第一小块子图像标注作为先验信息,从而能够准确判别第二小块子图像与第一小块子图像标注相同的概率。
基于上述实施例的内容,在实施例中,所述损失函数为交叉熵损失函数,所述交叉熵损失函数为:
Loss=∑lyl·log(P(l=l|x));
其中,Loss表示损失值,log表示对数函数,yl表示小块子图像x实际标注为l的概率,yl=0或1,∑l表示对于所有标注l进行求和。
根据上述实施例,可以获得图像x在L的标注的概率,利用这个概率可以利用交叉熵损失函数(cross-entropy函数)定义图像切割模型的损失函数,并且通过负反馈传递(即梯度下降以及其加速算法)更新所有待训练的参数,包括:特征提取模块的参数和条件随机场模块中的权重参数ωp+Δp,p′+Δp′。
本发明实施例提供的医疗图像切割方法,通过损失函数对图像切割模型进行优化训练,从而使得切割后的子医疗图像不存在两种或两种以上的特征,大幅度减少后期深度神经网络训练的数据集,提高深度神经网络的训练效率,降低训练成本。
图5是本发明第二个实施例提供的医疗图像切割装置的结构示意图,如图5所示,本发明第二个实施例提供的医疗图像切割装置,包括:
获取单元510,用于获取待进行切割的医疗图像;
切割单元520,用于将所述医疗图像输入图像切割模型中,输出切割为小块的子医疗图像;
其中,所述图像切割模型是基于带有分类标注的医疗样本图像训练得到的,所述图像切割模型包括图像偏移模块、特征提取模块、条件随机场模块和切割模块;所述图像偏移模块用于根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像分别增加偏移量集合中的每一偏移量,获取多个不同区域的第二小块子图像集合,所述特征提取模块用于提取所述各第二小块子图像的特征,所述条件随机场模块用于以所述各第二小块子图像的特征为输入,获取各第二小块子图像与第一小块子图像标注相同的概率,并通过损失函数计算各概率对应的损失值,所述切割模块用于根据计算得到的最大损失值对应的偏移量,对所述医疗样本图像进行切割;
其中,在对所述图像切割模型进行训练时,通过所述损失值来优化所述特征提取模块和所述条件随机场模块,直至满足预设收敛条件。
其中,所述图像偏移模块中存储有第一小块子图像与第一小块子图像中心像素坐标的映射关系,以及各第二小块子图像与第二小块子图像中心像素坐标的映射关系;
相应地,根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像分别增加偏移量集合中的每一偏移量,获取多个不同区域的第二小块子图像集合,包括:
根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像中心像素坐标分别增加偏移量集合中的每一偏移量,获取多个第二小块子图像中心像素坐标。
其中还包括分类单元,用于在图像切割模型输出切割为小块的子医疗图像之后,根据切割为小块的子医疗图像中的组织进行分类。
本实施例所述的医疗图像切割装置可以用于执行上述第一个实施例所述的医疗图像切割方法,其原理和技术效果类似,此处不再详述。
图6是本发明第三个实施例提供的电子设备的结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行医疗图像切割方法,该方法包括:获取待进行切割的医疗图像;将所述医疗图像输入图像切割模型中,输出切割为小块的子医疗图像;其中,所述图像切割模型是基于带有分类标注的医疗样本图像训练得到的,所述图像切割模型包括图像偏移模块、特征提取模块、条件随机场模块和切割模块;所述图像偏移模块用于根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像分别增加偏移量集合中的每一偏移量,获取多个不同区域的第二小块子图像集合,所述特征提取模块用于提取所述各第二小块子图像的特征,所述条件随机场模块用于以所述各第二小块子图像的特征为输入,获取各第二小块子图像与第一小块子图像标注相同的概率,并通过损失函数计算各概率对应的损失值,所述切割模块用于根据计算得到的最大损失值对应的偏移量,对所述医疗样本图像进行切割;其中,在对所述图像切割模型进行训练时,通过所述损失值来优化所述特征提取模块和所述条件随机场模块,直至满足预设收敛条件。
此外,上述的存储器630中的逻辑指令可以通过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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的医疗图像切割方法,该方法包括:获取待进行切割的医疗图像;将所述医疗图像输入图像切割模型中,输出切割为小块的子医疗图像;其中,所述图像切割模型是基于带有分类标注的医疗样本图像训练得到的,所述图像切割模型包括图像偏移模块、特征提取模块、条件随机场模块和切割模块;所述图像偏移模块用于根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像分别增加偏移量集合中的每一偏移量,获取多个不同区域的第二小块子图像集合,所述特征提取模块用于提取所述各第二小块子图像的特征,所述条件随机场模块用于以所述各第二小块子图像的特征为输入,获取各第二小块子图像与第一小块子图像标注相同的概率,并通过损失函数计算各概率对应的损失值,所述切割模块用于根据计算得到的最大损失值对应的偏移量,对所述医疗样本图像进行切割;其中,在对所述图像切割模型进行训练时,通过所述损失值来优化所述特征提取模块和所述条件随机场模块,直至满足预设收敛条件。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的医疗图像切割方法,该方法包括:获取待进行切割的医疗图像;将所述医疗图像输入图像切割模型中,输出切割为小块的子医疗图像;其中,所述图像切割模型是基于带有分类标注的医疗样本图像训练得到的,所述图像切割模型包括图像偏移模块、特征提取模块、条件随机场模块和切割模块;所述图像偏移模块用于根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像分别增加偏移量集合中的每一偏移量,获取多个不同区域的第二小块子图像集合,所述特征提取模块用于提取所述各第二小块子图像的特征,所述条件随机场模块用于以所述各第二小块子图像的特征为输入,获取各第二小块子图像与第一小块子图像标注相同的概率,并通过损失函数计算各概率对应的损失值,所述切割模块用于根据计算得到的最大损失值对应的偏移量,对所述医疗样本图像进行切割;其中,在对所述图像切割模型进行训练时,通过所述损失值来优化所述特征提取模块和所述条件随机场模块,直至满足预设收敛条件。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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计算机可读存储介质中,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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。
Claims (10)
1.一种医疗图像切割方法,其特征在于,包括:
获取待进行切割的医疗图像;
将所述医疗图像输入图像切割模型中,输出切割为小块的子医疗图像;
其中,所述图像切割模型是基于带有分类标注的医疗样本图像训练得到的,所述图像切割模型包括图像偏移模块、特征提取模块、条件随机场模块和切割模块;所述图像偏移模块用于根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像分别增加偏移量集合中的每一偏移量,获取多个不同区域的第二小块子图像集合,所述特征提取模块用于提取所述各第二小块子图像的特征,所述条件随机场模块用于以所述各第二小块子图像的特征为输入,获取各第二小块子图像与第一小块子图像标注相同的概率,并通过损失函数计算各概率对应的损失值,所述切割模块用于根据计算得到的最大损失值对应的偏移量,对所述医疗样本图像进行切割;
其中,在对所述图像切割模型进行训练时,通过所述损失值来优化所述特征提取模块和所述条件随机场模块,直至满足预设收敛条件。
2.根据权利要求1所述的医疗图像切割方法,其特征在于,所述图像偏移模块中存储有第一小块子图像与第一小块子图像中心像素坐标的映射关系,以及各第二小块子图像与第二小块子图像中心像素坐标的映射关系;
相应地,根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像分别增加偏移量集合中的每一偏移量,获取多个不同区域的第二小块子图像集合,包括:
根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像中心像素坐标分别增加偏移量集合中的每一偏移量,获取多个第二小块子图像中心像素坐标。
3.根据权利要求1所述的医疗图像切割方法,其特征在于,在图像切割模型输出切割为小块的子医疗图像之后,还包括:根据切割为小块的子医疗图像中的组织进行分类。
4.根据权利要求1所述的医疗图像切割方法,其特征在于,所述条件随机场模块根据条件随机场函数获取各第二小块子图像与第一小块子图像标注相同的概率;其中,所述条件随机场函数为:
其中,P(l=l|x)表示以小块子图像x作为条件标注为l的概率,P(l=l|p)表示小块子图像x的中心像素坐标p作为条件标注为l的概率,p表示小块子图像x的中心像素在原始图像中的坐标,l表示以图像标注生成的随机变量,l表示图像标注,Z(p)表示归一化常数,表示能量函数,/>表示所有小块子图像x的全体集合,ψu表示一元势能函数,l(Δp+p)表示中心坐标为Δp+p的小块子图像的标注,Δp表示中心坐标为p的小块子图像对应的带训练的偏移量,Δp′表示中心坐标为Δp′的小块子图像对应的带训练的偏移量,ψp表示对偶势能函数,l(Δp′+p′)表示中心坐标为Δp′+p′的小块子图像的标注,ωp+Δp,p′+Δp′表示相邻与中心坐标为Δp+p和Δp′+p′的小块子图像的待训练权重,σ表示控制偏移量范围的超参数,Y(p+Δp)表示中心坐标为Δp+p的小块子经过卷积神经网络提取后的特征向量,Y(Δp′+p′)表示中心坐标为Δp′+p′的小块子经过卷积神经网络提取后的特征向量,表示指标函数,exp表示指数函数。
5.根据权利要求1所述的医疗图像切割方法,其特征在于,所述损失函数为交叉熵损失函数,所述交叉熵损失函数为:
Loss=∑lyl·log(P(l=l|x));
其中,Loss表示损失值,log表示对数函数,yl表示小块子图像x实际标注为l的概率,∑l表示对于所有标注l进行求和。
6.一种医疗图像切割装置,其特征在于,包括:
获取单元,用于获取待进行切割的医疗图像;
切割单元,用于将所述医疗图像输入图像切割模型中,输出切割为小块的子医疗图像;
其中,所述图像切割模型是基于带有分类标注的医疗样本图像训练得到的,所述图像切割模型包括图像偏移模块、特征提取模块、条件随机场模块和切割模块;所述图像偏移模块用于根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像分别增加偏移量集合中的每一偏移量,获取多个不同区域的第二小块子图像集合,所述特征提取模块用于提取所述各第二小块子图像的特征,所述条件随机场模块用于以所述各第二小块子图像的特征为输入,获取各第二小块子图像与第一小块子图像标注相同的概率,并通过损失函数计算各概率对应的损失值,所述切割模块用于根据计算得到的最大损失值对应的偏移量,对所述医疗样本图像进行切割;
其中,在对所述图像切割模型进行训练时,通过所述损失值来优化所述特征提取模块和所述条件随机场模块,直至满足预设收敛条件。
7.根据权利要求6所述的医疗图像切割装置,其特征在于,所述图像偏移模块中存储有第一小块子图像与第一小块子图像中心像素坐标的映射关系,以及各第二小块子图像与第二小块子图像中心像素坐标的映射关系;
相应地,根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像分别增加偏移量集合中的每一偏移量,获取多个不同区域的第二小块子图像集合,包括:
根据预设偏移量集合,将医疗样本图像中第一区域的第一小块子图像中心像素坐标分别增加偏移量集合中的每一偏移量,获取多个第二小块子图像中心像素坐标。
8.根据权利要求6所述的医疗图像切割装置,其特征在于,还包括分类单元,用于在图像切割模型输出切割为小块的子医疗图像之后,根据切割为小块的子医疗图像中的组织进行分类。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至5任一项所述医疗图像切割方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述医疗图像切割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011003928.7A CN112132841B (zh) | 2020-09-22 | 2020-09-22 | 医疗图像切割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011003928.7A CN112132841B (zh) | 2020-09-22 | 2020-09-22 | 医疗图像切割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132841A CN112132841A (zh) | 2020-12-25 |
CN112132841B true CN112132841B (zh) | 2024-04-09 |
Family
ID=73842527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011003928.7A Active CN112132841B (zh) | 2020-09-22 | 2020-09-22 | 医疗图像切割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132841B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI769724B (zh) * | 2021-03-04 | 2022-07-01 | 鴻海精密工業股份有限公司 | 圖像特徵提取方法、裝置、電子設備及存儲介質 |
CN113177602B (zh) * | 2021-05-11 | 2023-05-26 | 上海交通大学 | 图像分类方法、装置、电子设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408941A (zh) * | 2008-10-20 | 2009-04-15 | 中国科学院遥感应用研究所 | 遥感图像多尺度分割及分割结果的层次结构表示方法 |
CN106600571A (zh) * | 2016-11-07 | 2017-04-26 | 中国科学院自动化研究所 | 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法 |
CN107480693A (zh) * | 2017-07-06 | 2017-12-15 | 南京师范大学 | 条件随机场框架嵌入配准信息的弱监督图像场景理解方法 |
CN109784424A (zh) * | 2019-03-26 | 2019-05-21 | 腾讯科技(深圳)有限公司 | 一种图像分类模型训练的方法、图像处理的方法及装置 |
CN110689548A (zh) * | 2019-09-29 | 2020-01-14 | 浪潮电子信息产业股份有限公司 | 一种医学图像分割方法、装置、设备及可读存储介质 |
CN110826596A (zh) * | 2019-10-09 | 2020-02-21 | 天津大学 | 一种基于多尺度可变形卷积的语义分割方法 |
CN110838108A (zh) * | 2019-10-30 | 2020-02-25 | 腾讯科技(深圳)有限公司 | 基于医疗图像的预测模型构建方法、预测方法及装置 |
CN111105424A (zh) * | 2019-12-19 | 2020-05-05 | 广州柏视医疗科技有限公司 | ***自动勾画方法及装置 |
CN111429464A (zh) * | 2020-03-11 | 2020-07-17 | 深圳先进技术研究院 | 医学图像分割方法、医学图像分割装置及终端设备 |
CN111507343A (zh) * | 2019-01-30 | 2020-08-07 | 广州市百果园信息技术有限公司 | 语义分割网络的训练及其图像处理方法、装置 |
-
2020
- 2020-09-22 CN CN202011003928.7A patent/CN112132841B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408941A (zh) * | 2008-10-20 | 2009-04-15 | 中国科学院遥感应用研究所 | 遥感图像多尺度分割及分割结果的层次结构表示方法 |
CN106600571A (zh) * | 2016-11-07 | 2017-04-26 | 中国科学院自动化研究所 | 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法 |
CN107480693A (zh) * | 2017-07-06 | 2017-12-15 | 南京师范大学 | 条件随机场框架嵌入配准信息的弱监督图像场景理解方法 |
CN111507343A (zh) * | 2019-01-30 | 2020-08-07 | 广州市百果园信息技术有限公司 | 语义分割网络的训练及其图像处理方法、装置 |
CN109784424A (zh) * | 2019-03-26 | 2019-05-21 | 腾讯科技(深圳)有限公司 | 一种图像分类模型训练的方法、图像处理的方法及装置 |
CN110689548A (zh) * | 2019-09-29 | 2020-01-14 | 浪潮电子信息产业股份有限公司 | 一种医学图像分割方法、装置、设备及可读存储介质 |
CN110826596A (zh) * | 2019-10-09 | 2020-02-21 | 天津大学 | 一种基于多尺度可变形卷积的语义分割方法 |
CN110838108A (zh) * | 2019-10-30 | 2020-02-25 | 腾讯科技(深圳)有限公司 | 基于医疗图像的预测模型构建方法、预测方法及装置 |
CN111105424A (zh) * | 2019-12-19 | 2020-05-05 | 广州柏视医疗科技有限公司 | ***自动勾画方法及装置 |
CN111429464A (zh) * | 2020-03-11 | 2020-07-17 | 深圳先进技术研究院 | 医学图像分割方法、医学图像分割装置及终端设备 |
Non-Patent Citations (3)
Title |
---|
基于三维全卷积DenseNet的脑胶质瘤MRI分割;黄奕晖;冯前进;;南方医科大学学报;20180620(第06期);全文 * |
基于条件随机场的图像语义分割;张春芳;;计算机光盘软件与应用;20120508(第09期);全文 * |
结合神经网络和MRF的彩色纹理图像分割方法;葛文英;李鹏伟;刘国英;;制造业自动化;20120625(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112132841A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276745B (zh) | 一种基于生成对抗网络的病理图像检测算法 | |
EP2806374B1 (en) | Method and system for automatic selection of one or more image processing algorithm | |
CN112132841B (zh) | 医疗图像切割方法及装置 | |
WO2021073279A1 (zh) | 数字病理图像染色归一化方法、***、电子装置及存储介质 | |
CN107316059B (zh) | 学习者姿态识别方法 | |
CN110705591A (zh) | 一种基于最优子空间学习的异构迁移学习方法 | |
CN113837191B (zh) | 基于双向无监督域适应融合的跨星遥感图像语义分割方法 | |
WO2021027152A1 (zh) | 基于条件生成对抗网络合成图像的方法及相关设备 | |
CN110909172A (zh) | 一种基于实体距离的知识表示学习方法 | |
CN114842238A (zh) | 一种嵌入式乳腺超声影像的识别方法 | |
CN110147414B (zh) | 一种知识图谱的实体表征方法及装置 | |
CN114897782B (zh) | 基于生成式对抗网络的胃癌病理切片图像分割预测方法 | |
CN114943017A (zh) | 一种基于相似性零样本哈希的跨模态检索方法 | |
CN116310530A (zh) | 基于语义聚类的联邦无监督图像分类模型训练方法、分类方法及设备 | |
CN113989536A (zh) | 一种基于布谷鸟搜索算法的番茄病害识别方法 | |
CN114093507A (zh) | 边缘计算网络中基于对比学习的皮肤病智能分类方法 | |
JP2010282276A (ja) | 映像認識理解装置、映像認識理解方法、及びプログラム | |
CN110969639B (zh) | 一种基于lfmvo优化算法的图像分割方法 | |
CN109145749B (zh) | 一种跨数据集的面部表情识别模型构建及识别方法 | |
KR20210113539A (ko) | 인공지능을 이용한 염색체 분류 방법, 장치 및 컴퓨터프로그램 | |
CN116523877A (zh) | 一种基于卷积神经网络的脑mri图像肿瘤块分割方法 | |
CN114168782B (zh) | 一种基于三元组网络的深度哈希图像检索方法 | |
CN113177602B (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN115482432A (zh) | 基于扩展锚点理论的小样本目标检测方法 | |
CN115063374A (zh) | 模型训练、人脸图像质量评分方法、电子设备及存储介质 |
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 |