CN112561921A - 一种图像分割方法及设备 - Google Patents
一种图像分割方法及设备 Download PDFInfo
- Publication number
- CN112561921A CN112561921A CN202011244995.8A CN202011244995A CN112561921A CN 112561921 A CN112561921 A CN 112561921A CN 202011244995 A CN202011244995 A CN 202011244995A CN 112561921 A CN112561921 A CN 112561921A
- Authority
- CN
- China
- Prior art keywords
- feature
- support
- image
- segmented
- segmentation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003709 image segmentation Methods 0.000 title claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 183
- 230000011218 segmentation Effects 0.000 claims abstract description 121
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims description 51
- 238000000605 extraction Methods 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000002372 labelling Methods 0.000 description 4
- 238000013441 quality evaluation Methods 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Images
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像分割方法及设备,方法包括:获得待分割图像,待分割图像包含有待分割特征;根据待分割特征对特征字典进行相关性筛选,获得满足相关性的第一支持特征和与第一支持特征对应的第一评价信息;将第一支持特征和待分割特征进行特征融合,获得融合图像;通过特征分割模型对融合图像进行分割,获得与待分割图像对应的目标分割图像,目标分割图像用于表征待分割特征;根据目标分割图像对第一支持特征进行评价,获得第二评价信息;根据第一评价信息和第二评价信息确定与第一支持特征对应的更新信息,以根据更新信息对特征字典进行更新,应用本方法实施例,能够改善训练样本数据量不足导致分割模型精度过低的情况。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像分割方法及设备。
背景技术
在计算机辅助诊断中,对CT图像中的器官分割在治疗和介入中都十分的重要。目前的基于深度学习图像分割方法,严重依赖于标注数据量,但是医疗图像的标注需要专业的医学专家,所以经常会遇到标注量不足的情况,如何使用有限的数据量实现尽可能好的分割结果,为实用场景提供协助,成为亟待解决的问题。
发明内容
本发明实施例提供了一种图像分割方法及设备,具有在不增加训练样本量的情况下,提高模型的分割精度的特点。
本发明实施例一方面提供一种图像分割方法,所述方法包括:获得待分割图像,所述待分割图像包含有待分割特征;根据所述待分割特征对特征字典进行相关性筛选,获得满足相关性的第一支持特征和与所述第一支持特征对应的第一评价信息;将所述第一支持特征和所述待分割特征进行特征融合,获得融合图像;通过特征分割模型对所述融合图像进行分割,获得与所述待分割图像对应的目标分割图像,所述目标分割图像用于表征待分割特征;根据所述目标分割图像对所述第一支持特征进行评价,获得第二评价信息;根据所述第一评价信息和第二评价信息确定与所述第一支持特征对应的更新信息,以根据所述更新信息对所述特征字典进行更新。
在一可实施方式中,所述特征字典包含多个第二支持特征;根据待分割特征对特征字典进行相关性筛选,获得满足相关性的第一支持特征和与所述第一支持特征对应的第一评价信息,包括:根据待分割特征对每一个第二支持特征进行特征评价,确定与每一个第二支持特征对应的第三评价信息;对所有第三评价信息进行排序,根据排序结果确定满足相关性的第一支持特征和第一评价信息;所述第一支持特征为所述第二支持特征的其中至少之一。
在一可实施方式中,所述根据待分割特征对每一个第二支持特征进行特征评价,确定与每一个第二支持特征对应的第三评价信息,包括:根据所述第二支持特征和与所述第二支持特征对应的支持图像进行特征质量分析,确定第一分析信息;根据所述第二支持特征与所述待分割特征进行特征相似度分析,确定第二分析信息;对所述第一分析信息和第二分析信息进行整合,获得第三评价信息。
在一可实施方式中,所述根据所述目标分割图像对所述第一支持特征进行评价,获得第二评价信息,包括:确定与所述目标分割图像对应的分割损失值;确定与所述目标分割图像对应的分割真值;根据所述分割真值对所述分割损失值进行特征质量评价,获得第二评价信息。
在一可实施方式中,所述根据所述第一评价信息和第二评价信息确定与所述第一支持特征对应的更新信息,以根据所述更新信息对所述特征字典进行更新,包括:对所述第一评价信息和第二评价信息进行整合,获得第四评价信息;当所述第四评价信息低于特定阈值的情况下,在所述特征字典中删除与所述第四评价信息对应的第二支持特征。
在一可实施方式中,所述方法还包括:获得与所述待分割特征对应的分割数据样本,通过所述分割数据样本进行神经网络训练,获得特征提取模型;获得与所述待分割特征对应的支持图像,通过所述特征提取模型对所述支持图像进行特征提取,形成特征字典;所述特征字典包含多个第二支持特征和与所述第二支持特征对应的标记信息;将所述第二支持特征和所述分割数据样本进行融合,获得融合样本;通过所述融合样本对所述特征提取模型进行训练,获得特征分割模型。
本发明实施例另一方面提供一种图像分割设备,所述设备包括:获得模块,用于获得待分割图像,所述待分割图像包含有待分割特征;筛选模块,用于根据所述待分割特征对特征字典进行相关性筛选,获得满足相关性的第一支持特征和与所述第一支持特征对应的第一评价信息;融合模块,用于将所述第一支持特征和所述待分割特征进行特征融合,获得融合图像;分割模块,用于通过特征分割模型对所述融合图像进行分割,获得与所述待分割图像对应的目标分割图像,所述目标分割图像用于表征待分割特征;评价模块,用于根据所述目标分割图像对所述第一支持特征进行评价,获得第二评价信息;更新模块,用于根据所述第一评价信息和第二评价信息确定与所述第一支持特征对应的更新信息,以根据所述更新信息对所述特征字典进行更新。
在一可实施方式中,所述特征字典包含多个第二支持特征;所述筛选模块,包括:第一评价子模块,用于根据待分割特征对每一个第二支持特征进行特征评价,确定与每一个第二支持特征对应的第三评价信息;排序子模块,用于对所有第三评价信息进行排序,根据排序结果确定满足相关性的第一支持特征和第一评价信息;所述第一支持特征为所述第二支持特征的其中至少之一。
在一可实施方式中,所述第一评价子模块,包括:根据所述第二支持特征和与所述第二支持特征对应的支持图像进行特征质量分析,确定第一分析信息;根据所述第二支持特征与所述待分割特征进行特征相似度分析,确定第二分析信息;对所述第一分析信息和第二分析信息进行整合,获得第三评价信息。
在一可实施方式中,所述评价模块,包括:确定子模块,用于确定与所述目标分割图像对应的分割损失值;所述确定子模块,还用于确定与所述目标分割图像对应的分割真值;第二评价子模块,用于根据所述分割真值对所述分割损失值进行特征质量评价,获得第二评价信息。
在一可实施方式中,所述更新模块,包括:整合子模块,用于对所述第一评价信息和第二评价信息进行整合,获得第四评价信息;删除子模块,用于当所述第四评价信息低于特定阈值的情况下,在所述特征字典中删除与所述第四评价信息对应的第二支持特征。
在一可实施方式中,所述获得模块,用于获得与所述待分割特征对应的分割数据样本,通过所述分割数据样本进行神经网络训练,获得特征提取模型;所述获得模块,还用于获得与所述待分割特征对应的支持图像,通过所述特征提取模型对所述支持图像进行特征提取,形成特征字典;所述特征字典包含多个第二支持特征和与所述第二支持特征对应的标记信息;所述融合模块,还用于将所述第二支持特征和所述分割数据样本进行融合,获得融合样本;所述设备还包括,训练模块,通过所述融合样本对所述特征提取模型进行训练,获得特征分割模型。
本发明实施例提供了一种图像分割方法及设备,通过特征字典中的支持特征辅助特征分割模型对待分割图像进行分割和训练,能够极大地改善在特征分割模型在有限样本量情况下分割效果不佳的问题,从而实现对分割精度的提升及泛化能力的增强。本方法还能够根据待分割图像的分割结果对特征自字典进行更新,以提高特征字典的准确度。具有在不增加训练样本量的情况下。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1为本发明实施例一种图像分割方法的实现流程示意图;
图2为本发明实施例一种图像分割方法特征筛选的实现流程示意图;
图3为本发明实施例一种图像分割方法特征评价的实现流程示意图;
图4为本发明实施例一种图像分割方法字典更新的实现流程示意图;
图5为本发明实施例一种图像分割方法模型训练的实现流程示意图;
图6为本发明实施例一种图像分割设备的实现模块示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂,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,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域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,都属于本发明保护的范围。
图1为本发明实施例一种图像分割方法的实现流程示意图。
参见图1,本发明实施例一方面提供一种图像分割方法,方法包括:操作101,获得待分割图像,待分割图像包含有待分割特征;操作102,根据待分割特征对特征字典进行相关性筛选,获得满足相关性的第一支持特征和与第一支持特征对应的第一评价信息;操作103,将第一支持特征和待分割特征进行特征融合,获得融合图像;操作104,通过特征分割模型对融合图像进行分割,获得与待分割图像对应的目标分割图像,目标分割图像用于表征待分割特征;操作105,根据目标分割图像对第一支持特征进行评价,获得第二评价信息;操作106,根据第一评价信息和第二评价信息确定与第一支持特征对应的更新信息,以根据更新信息对特征字典进行更新。
本方法提供的图像分割方法通过特征字典中的支持特征辅助特征分割模型对待分割图像进行分割训练,能够极大地改善在特征分割模型在有限样本量情况下分割效果不佳的问题,从而实现对分割精度的提升及泛化能力的增强。本方法还能够根据待分割图像的分割结果对特征自字典进行更新,以提高特征字典的准确度。
在本方法操作101,获得待分割图像。待分割图像可以为由设备扫描获得的CT图像,可以理解的是扫描获得的CT图像里包含了待分割特征和其他特征,待分割特征为需要从CT图像中分割出来的部分,其他特征为图像中除了待分割特征以外的其他内容。如扫描获得的CT图像为心脏区域的CT图像,待分割特征为心脏特征,那么在该CT图像上,背景内容、连接在心脏特征上的动脉血管、静脉血管等其他器官均为其他特征。需要补充的是,本方法不对待分割图像的获得方式进行限定,可以通过CT扫描直接获得,也可以通过分割模型对原始图像进行初步分割后获得,还可以通过接收来自第三方设备的CT图像获得。本方法不对待分割图像的格式进行限定,除CT图像以外,还可以为其他格式的图像。
在本方法操作102中,其中,特征字典用于表征与待分割特征对应的先验知识。先验知识可以通过支持特征进行表征,支持特征包括由与待分割特征对应的图像特征和对应的标注数据。根据待分割特征对特征字典进行筛选,能够从特征字典中筛选获得与待分割特征相关性的第一支持特征,第一支持特征为特征字典中的其中一个支持特征。需要说明的是,此处筛选获得的第一支持特征可以是一个或多个。在进行相关性筛选的同时,可以基于待分割特征与第一支持特征之间的相关性对第一支持特征进行相关性评价,从而获得对应第一支持特征的第一评价信息。在一种实施情况下,待分割特征与第一支持特征之间相关性越高,第一评价信息越正向,待分割特征与第一支持特征之间相关性越低,第一评价信息越负向。
在操作103中,将第一支持特征和待分割特征进行特征融合,获得融合图像。当第一支持特征为多个的情况下,将每一个支持特征与待分割特征进行融合,获得多个融合图像,即融合图像包含待分割特征、第一支持特征以及第一支持特征所对应的标注数据,融合图像用于进行图像分割。需要理解的是,可以通过第一支持特征与待分割图像进行融合,实现第一支持特征和待分割特征进行特征融合的目的。
在操作104中,特征分割模型通过与融合图像对应的数据作为样本进行训练获得,通过特征分割模型对融合图像进行分割能够获得与待分割图像对应的目标分割图像,目标分割图像用于表征待分割特征。需要补充的是,当融合图像为多张的情况下,可以对特征分割模型获得的分割图像进行准确性筛选,将准确性最高的图像确定为目标分割图像。
例如,当待分割图像为心脏区域的CT图像,待分割特征为心脏特征的情况下,通过待分割图像中的心脏特征对特征字典中的心脏支持特征进行筛选,获得与待分割特征相关性最高的心脏支持特征,然后将心脏CT区域的图像和心脏支持特征进行融合,以使待分割特征与心脏支持特征进行融合,获得融合图像,然后通过心脏特征分割模型对融合图像进行分割,获得用于表征心脏特征的目标分割图像,可以理解的是,目标分割图像中,除背景以外,只有心脏特征,无其他器官特征。
在操作105中,当获得目标分割图像后,通过目标分割图像对第一支持特征进行评价,具体可以评价为第一支持特征是否能够让目标分割图像的分割精度更为精准,获得第二评价信息。在一种实施情况下,当第一支持特征能够让目标分割图像的分割精度更为精准的情况下,第二评价信息为正向评价,当第一支持特征不能够让目标分割图像的分割精度更为精准的情况下,第二评价信息为负向评价。可以理解的是,当第一支持特征有多个时,对应的第二评价信息也为多个。
在操作106中,通过对第一评价信息和与该第一评价信息对应的第二评价信息进行整合,能够确定对应第一支持特征的整体评价,同样的,第一支持特征的相关性越好,分割精准度越好,则该整体评价的表示越正向,反之相关性越差,分割精准度越差,则该整体评价的表示越差。可以根据第一评价信息和第二评价信息确定第一支持特征的整体评价,并根据整体评价对第一支持特征进行更新,其中,当对第一支持特征的整体评价的负面性较高的情况下,对第一支持特征的更新可以是从特征字典中删除该支持特征、重新对该支持特征进行标注、对该支持特征进行参数调整或其他有利于提高该特征字典整体质量和精确度的更新方式;当整体评价的正向性较高的情况下,对第一支持特征的更新可以是保留该第一支持特征。
图2为本发明实施例一种图像分割方法特征筛选的实现流程示意图。
参见图2,在一可实施方式中,特征字典包含多个第二支持特征;操作102,根据待分割特征对特征字典进行相关性筛选,获得满足相关性的第一支持特征和与第一支持特征对应的第一评价信息,包括:操作1021,根据待分割特征对每一个第二支持特征进行特征评价,确定与每一个第二支持特征对应的第三评价信息;操作1022,对所有第三评价信息进行排序,根据排序结果确定满足相关性的第一支持特征和第一评价信息;第一支持特征为第二支持特征的其中至少之一。
在本方法中,本方法第二支持特征指代特征字典中的每一个支持特征,可以理解的是,每一个第二支持特征之间可能存在一定的差异性,如标注数据不同,特征姿态不同、特征质量不同等。
在操作1021中,根据待分割特征对每一个第二支持特征进行特征评价,获得第三评价信息。具体的,可以对待分割特征与每一个第二支持特征之间的特征相似度维度和/或特征质量维度进行分析,以确定待分割特征与每一个第二支持特征之间的相似度/或特征质量,以相似度举例,在一种实施情况下,相似度越高,其获得的第三评价信息的正向性越高,需要说明的是,该正向性可以进行量化。例如,特征字典中存在特征I’、特征II、特征III,待分割特征为I,根据特征I对特征I’、特征II、特征III进行相似度分析,其与特征I的相似度为95%、与特征II的相似度为50%,与特征III的相似度为33%。特征I’的第三评价信息为评分95,特征II的第三评价信息为评分50、特征III的第三评价信息为评分33。
在操作1022中,对所有第三评价信息进行排序,根据排序结果确定满足相关性的第一支持特征和第一评价信息;第一支持特征为第二支持特征的其中至少之一。其中,满足相关性的判断条件可以正向排序情况下排序最前的支第二支持特征,也可以是逆向排序情况下排序最靠后的支持特征,也可以预设一个序列号,将排序结果在该序列号前的第二支持特征确定为满足相关性要求的第一支持特征。例如,当特征字典中有10个第二支持特征,按照正向排序选取前3个第二支持特征确定为第一支持特征。可以理解的是,满足相关性要求的第一支持特征的第一评价信息即为该第一支持特征所对应的第三评价信息。本方法第一评价信息和第三评价信息进行区分是为了方便描述。可以理解的是,第一评价信息可以进行量化。
在一可实施方式中,操作1021,根据待分割特征对每一个第二支持特征进行特征评价,确定与每一个第二支持特征对应的第三评价信息,包括:首先,根据第二支持特征和与第二支持特征对应的支持图像进行特征质量分析,确定第一分析信息;然后,根据第二支持特征与待分割特征进行特征相似度分析,确定第二分析信息;再后,对第一分析信息和第二分析信息进行整合,获得第三评价信息。
本方法在对第二支持特征进行特征评价的情况下,除了评价与待分割特征之间的相关性以外,还可以评价该第二支持特征的质量。具体的,本方法可以根据第二支持特征和与第二支持特征对应的支持图像进行特征质量分析,确定第一分析信息。第一分析信息用于评价第二支持特征从支持图像中分割出来时的质量。具体的,特征质量分析可以通过第二支持特征与支持图像中特征的相似性、第二支持图像中特征的清晰度等维度中的一项维度进行评价,或采用多项维度进行整合评价。其中,支持图像为带有标注的待分割图像样本。第二支持特征可以通过特征提取模型对支持图像进行分割获得。特征提取模型通过待分割图像样本作为训练数据进行训练获得。
本方法还根据第二支持特征与待分割特征进行特征相似度分析,确定第二分析信息。第二分析信息用于表征第二支持特征与待分割特征之间的相似性。
需要补充的是,确定第一分析信息和第二分析信息无前后顺序要求。本实施例中“首先”、“然后”的标识只是用于对步骤进行区分,本方法可以先确定第二分析信息再确定第一分析信息。也可以同时确定第一分析信息和第二分析信息,在此不做赘述。
再后,对第一分析信息和第二分析信息进行整合,获得第三评价信息。相较于仅通过一个维度获得第三评价信息,通过对表征特征质量的评价数据和表征特征相似度的评价数据进行整合,能够更为全面性的对第二支持特征进行评价,以获得的更具全面性的第三评价信息,可以理解的是,第三评价信息可以进行量化。
图3为本发明实施例一种图像分割方法特征评价的实现流程示意图。
参见图3,在一可实施方式中,操作105,根据目标分割图像对第一支持特征进行评价,获得第二评价信息,包括:操作1051,确定与目标分割图像对应的分割损失值;确定与目标分割图像对应的分割真值;操作1052,根据分割真值对分割损失值进行特征质量评价,获得第二评价信息。
本方法在执行操作105时,首先通过操作1051,确定与目标分割图像对应的分割损失值;其中,分割损失值可以采用与特征分割模型对应的损失函数进行评价,本方法不限定损失函数的具体类型,可根据实际情况进行选择。还需要确定与目标分割图像对应的分割真值。分割真值指代该目标分割图像理论情况下对应的数值。
操作1052,根据分割真值对分割损失值进行特征质量评价,具体的,通过分割损失值和分割真值进行比较,能够确定目标分割图像相较于理论图像之间的偏差情况。在一种情况下,目标分割图像相较于理论图像之间的偏差越大,该评价越负向,目标分割图像相较于理论图像之间的偏差越小,该评价越正向,同样的,第二评价信息可以进行量化。
图4为本发明实施例一种图像分割方法字典更新的实现流程示意图。
参见图4,在一可实施方式中,操作106,根据第一评价信息和第二评价信息确定与第一支持特征对应的更新信息,以根据更新信息对特征字典进行更新,包括:操作1061,对第一评价信息和第二评价信息进行整合,获得第四评价信息;操作1062,当第四评价信息低于特定阈值的情况下,在特征字典中删除与第四评价信息对应的第二支持特征。
本方法操作106具体的,在操作1061中,通过对第一评价信息和第二评价信息进行整合,获得第四评价信息。可以理解的是,第一评价信息用于在分割前根据待分割特征和支持图像对第一支持特征进行相似度和质量评价,第二评价信息用于在分割后根据目标分割图像对第一支持图像进行相似度和质量的评价。综合第一评价信息和第二评价信息,能够在全面地考虑到第一支持图像的特征质量。
在操作1062中,设定特定阈值为不满足质量指标要求的阈值,当第四评价信息低于特定阈值的情况下,即第四评价信息对应的第一支持特征其所表征的先验知识对特征分割提供帮助不满足指标要求,此时,可以在特征字典中删除与第四评价信息对应的第二支持特征,从而提高特征字典的精度。需要补充的是,特定阈值可以是一个阈值或多个阈值,如为降低异常情况,特定阈值还可以包括不满足指标要求的次数阈值,即第二支持特征多次被评价为不满足指标要求的情况下,再从删除该第二支持特征。可以理解的是,对特征分割模型的训练和预测过程中,都可以使用上述方法对特征字典进行更新。
图5为本发明实施例一种图像分割方法模型训练的实现流程示意图。
参见图5,在一可实施方式中,方法还包括:操作501,获得与待分割特征对应的分割数据样本,通过分割数据样本进行神经网络训练,获得特征提取模型;操作502,获得与待分割特征对应的支持图像,通过特征提取模型对支持图像进行特征提取,形成特征字典;特征字典包含多个第二支持特征和与第二支持特征对应的标记信息;操作503,将第二支持特征和分割数据样本进行融合,获得融合样本;操作504,通过融合样本对特征提取模型进行训练,获得特征分割模型。
可以理解的是,本方法在进行待分割图像分割之前,需要先构建特征字典和训练特征分割模型。
在操作501中,获得与待分割特征对应的分割数据样本,分割数据样本的样本量可以为小样本量,即分割数据样本量较少,本方法可以通过小样本量进行神经网络训练获得特征提取模型。在该训练过程中,可以以与待分割特征对应待分割图像样本作为输入数据样本,以与待分割图像样本对应的标注信息作为监督进行训练,获得的特征提取模型用于在待分割图像中提取待分割特征,需要理解的是,由于本方法的样本训练量较少,特征提取模型的分割精度可能不高。
在操作502中,获得与待分割特征对应的支持图像,支持图像可以为带有标注数据的待分割图像样本,将带有标注数据的待分割图像样本输入特征提取模型进行体征提取,获得多个第二支持特征和对应的标注数据,由此构建形成特征字典。在操作503中,然后将每一个第二支持特征和分割图像样本进行融合,获得多个融合样本,该融合方式可以与操作103相同。在操作504中,通过融合样本对特征提取模型进行训练,从而获得特征分割模型。需要补充的是,对特征提取模型进行训练的待分割图像样本、用于构建形成特征字典的待分割图像样本和用于进行融合的待分割图像样本可以相同或不同。
在训练过程中,在将每一个第二支持特征和分割数据样本进行融合的情况下,可以同时对第二支持特征和分割数据样本之间进行特征评价,以获得对应的第一评价信息。同理,在对获得特征分割模型的过程中,可以通过训练输出的与融合图像样本对应的目标分割样本对第二支持特征进行评价,以获得对应的第二评价信息,然后再通过综合第一评价信息和第二评价信息,以获得对该第二支持特征的第四评价信息,然后,同上述实施例所设定的特定阈值,在第四评价信息不满足特定阈值的情况下,可以对该第二支持特征进行删除,以实现在训练过程中更新字典,得到高精度字典。
图6为本发明实施例一种图像分割设备的实现模块示意图。
参见图6,本发明实施例另一方面提供一种图像分割设备,设备包括:获得模块601,用于获得待分割图像,待分割图像包含有待分割特征;筛选模块602,用于根据待分割特征对特征字典进行相关性筛选,获得满足相关性的第一支持特征和与第一支持特征对应的第一评价信息;融合模块603,用于将第一支持特征和待分割特征进行特征融合,获得融合图像;分割模块604,用于通过特征分割模型对融合图像进行分割,获得与待分割图像对应的目标分割图像,目标分割图像用于表征待分割特征;评价模块605,用于根据目标分割图像对第一支持特征进行评价,获得第二评价信息;更新模块606,用于根据第一评价信息和第二评价信息确定与第一支持特征对应的更新信息,以根据更新信息对特征字典进行更新。
在一可实施方式中,特征字典包含多个第二支持特征;筛选模块602,包括:第一评价子模块6021,用于根据待分割特征对每一个第二支持特征进行特征评价,确定与每一个第二支持特征对应的第三评价信息;排序子模块6022,用于对所有第三评价信息进行排序,根据排序结果确定满足相关性的第一支持特征和第一评价信息;第一支持特征为第二支持特征的其中至少之一。
在一可实施方式中,第一评价子模块,包括:根据第二支持特征和与第二支持特征对应的支持图像进行特征质量分析,确定第一分析信息;根据第二支持特征与待分割特征进行特征相似度分析,确定第二分析信息;对第一分析信息和第二分析信息进行整合,获得第三评价信息。
在一可实施方式中,评价模块605,包括:确定子模块6051,用于确定与目标分割图像对应的分割损失值;确定子模块6051,还用于确定与目标分割图像对应的分割真值;第二评价子模块6052,用于根据分割真值对分割损失值进行特征质量评价,获得第二评价信息。
在一可实施方式中,更新模块606,包括:整合子模块6061,用于对第一评价信息和第二评价信息进行整合,获得第四评价信息;删除子模块6062,用于当第四评价信息低于特定阈值的情况下,在特征字典中删除与第四评价信息对应的第二支持特征。
在一可实施方式中,获得模块601,用于获得与待分割特征对应的分割数据样本,通过分割数据样本进行神经网络训练,获得特征提取模型;获得模块601,还用于获得与待分割特征对应的支持图像,通过特征提取模型对支持图像进行特征提取,形成特征字典;特征字典包含多个第二支持特征和与第二支持特征对应的标记信息;融合模块603,还用于将第二支持特征和分割数据样本进行融合,获得融合样本;设备还包括,训练模块607,通过融合样本对特征提取模型进行训练,获得特征分割模型。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种图像分割方法,其特征在于,所述方法包括:
获得待分割图像,所述待分割图像包含有待分割特征;
根据所述待分割特征对特征字典进行相关性筛选,获得满足相关性的第一支持特征和与所述第一支持特征对应的第一评价信息;
将所述第一支持特征和所述待分割特征进行特征融合,获得融合图像;
通过特征分割模型对所述融合图像进行分割,获得与所述待分割图像对应的目标分割图像,所述目标分割图像用于表征待分割特征;
根据所述目标分割图像对所述第一支持特征进行评价,获得第二评价信息;
根据所述第一评价信息和第二评价信息确定与所述第一支持特征对应的更新信息,以根据所述更新信息对所述特征字典进行更新。
2.根据权利要求1所述的方法,其特征在于,所述特征字典包含多个第二支持特征;
根据待分割特征对特征字典进行相关性筛选,获得满足相关性的第一支持特征和与所述第一支持特征对应的第一评价信息,包括:
根据待分割特征对每一个第二支持特征进行特征评价,确定与每一个第二支持特征对应的第三评价信息;
对所有第三评价信息进行排序,根据排序结果确定满足相关性的第一支持特征和第一评价信息;所述第一支持特征为所述第二支持特征的其中至少之一。
3.根据权利要求2所述的方法,其特征在于,所述根据待分割特征对每一个第二支持特征进行特征评价,确定与每一个第二支持特征对应的第三评价信息,包括:
根据所述第二支持特征和与所述第二支持特征对应的支持图像进行特征质量分析,确定第一分析信息;
根据所述第二支持特征与所述待分割特征进行特征相似度分析,确定第二分析信息;
对所述第一分析信息和第二分析信息进行整合,获得第三评价信息。
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标分割图像对所述第一支持特征进行评价,获得第二评价信息,包括:
确定与所述目标分割图像对应的分割损失值;
确定与所述目标分割图像对应的分割真值;
根据所述分割真值对所述分割损失值进行特征质量评价,获得第二评价信息。
5.根据权利要求1所述的方法,其特征在于,所述根据所述第一评价信息和第二评价信息确定与所述第一支持特征对应的更新信息,以根据所述更新信息对所述特征字典进行更新,包括:
对所述第一评价信息和第二评价信息进行整合,获得第四评价信息;
当所述第四评价信息低于特定阈值的情况下,在所述特征字典中删除与所述第四评价信息对应的第二支持特征。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获得与所述待分割特征对应的分割数据样本,通过所述分割数据样本进行神经网络训练,获得特征提取模型;
获得与所述待分割特征对应的支持图像,通过所述特征提取模型对所述支持图像进行特征提取,形成特征字典;所述特征字典包含多个第二支持特征和与所述第二支持特征对应的标记信息;
将所述第二支持特征和所述分割数据样本进行融合,获得融合样本;
通过所述融合样本对所述特征提取模型进行训练,获得特征分割模型。
7.一种图像分割设备,其特征在于,所述设备包括:
获得模块,用于获得待分割图像,所述待分割图像包含有待分割特征;
筛选模块,用于根据所述待分割特征对特征字典进行相关性筛选,获得满足相关性的第一支持特征和与所述第一支持特征对应的第一评价信息;
融合模块,用于将所述第一支持特征和所述待分割特征进行特征融合,获得融合图像;
分割模块,用于通过特征分割模型对所述融合图像进行分割,获得与所述待分割图像对应的目标分割图像,所述目标分割图像用于表征待分割特征;
评价模块,用于根据所述目标分割图像对所述第一支持特征进行评价,获得第二评价信息;
更新模块,用于根据所述第一评价信息和第二评价信息确定与所述第一支持特征对应的更新信息,以根据所述更新信息对所述特征字典进行更新。
8.根据权利要求7所述的设备,其特征在于,所述特征字典包含多个第二支持特征;
所述筛选模块,包括:
第一评价子模块,用于根据待分割特征对每一个第二支持特征进行特征评价,确定与每一个第二支持特征对应的第三评价信息;
排序子模块,用于对所有第三评价信息进行排序,根据排序结果确定满足相关性的第一支持特征和第一评价信息;所述第一支持特征为所述第二支持特征的其中至少之一。
9.根据权利要求8所述的设备,其特征在于,所述第一评价子模块,包括:
根据所述第二支持特征和与所述第二支持特征对应的支持图像进行特征质量分析,确定第一分析信息;
根据所述第二支持特征与所述待分割特征进行特征相似度分析,确定第二分析信息;
对所述第一分析信息和第二分析信息进行整合,获得第三评价信息。
10.根据权利要求7所述的设备,其特征在于,所述评价模块,包括:
确定子模块,用于确定与所述目标分割图像对应的分割损失值;
所述确定子模块,还用于确定与所述目标分割图像对应的分割真值;
第二评价子模块,用于根据所述分割真值对所述分割损失值进行特征质量评价,获得第二评价信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011244995.8A CN112561921A (zh) | 2020-11-10 | 2020-11-10 | 一种图像分割方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011244995.8A CN112561921A (zh) | 2020-11-10 | 2020-11-10 | 一种图像分割方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112561921A true CN112561921A (zh) | 2021-03-26 |
Family
ID=75041786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011244995.8A Pending CN112561921A (zh) | 2020-11-10 | 2020-11-10 | 一种图像分割方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561921A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140072213A1 (en) * | 2012-09-13 | 2014-03-13 | Los Alamos National Security, Llc | Object detection approach using generative sparse, hierarchical networks with top-down and lateral connections for combining texture/color detection and shape/contour detection |
CN109886972A (zh) * | 2019-01-24 | 2019-06-14 | 山西大学 | 一种基于多层字典的脑磁共振图像分割方法 |
CN110599499A (zh) * | 2019-08-22 | 2019-12-20 | 四川大学 | 基于多路卷积神经网络的mri图像心脏结构分割方法 |
CN111192269A (zh) * | 2020-01-02 | 2020-05-22 | 腾讯科技(深圳)有限公司 | 模型训练、医学影像分割方法和装置 |
CN111429460A (zh) * | 2020-06-12 | 2020-07-17 | 腾讯科技(深圳)有限公司 | 图像分割方法、图像分割模型训练方法、装置和存储介质 |
CN111724371A (zh) * | 2020-06-19 | 2020-09-29 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
-
2020
- 2020-11-10 CN CN202011244995.8A patent/CN112561921A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140072213A1 (en) * | 2012-09-13 | 2014-03-13 | Los Alamos National Security, Llc | Object detection approach using generative sparse, hierarchical networks with top-down and lateral connections for combining texture/color detection and shape/contour detection |
CN109886972A (zh) * | 2019-01-24 | 2019-06-14 | 山西大学 | 一种基于多层字典的脑磁共振图像分割方法 |
CN110599499A (zh) * | 2019-08-22 | 2019-12-20 | 四川大学 | 基于多路卷积神经网络的mri图像心脏结构分割方法 |
CN111192269A (zh) * | 2020-01-02 | 2020-05-22 | 腾讯科技(深圳)有限公司 | 模型训练、医学影像分割方法和装置 |
CN111429460A (zh) * | 2020-06-12 | 2020-07-17 | 腾讯科技(深圳)有限公司 | 图像分割方法、图像分割模型训练方法、装置和存储介质 |
CN111724371A (zh) * | 2020-06-19 | 2020-09-29 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6941123B2 (ja) | 適応型追加学習を用いた細胞のアノテーション法及びアノテーションシステム | |
WO2022242459A1 (zh) | 数据分类识别方法、装置、设备、介质及程序产品 | |
CN110059697B (zh) | 一种基于深度学习的肺结节自动分割方法 | |
CN109189767B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN111583199B (zh) | 样本图像标注方法、装置、计算机设备和存储介质 | |
CN110543592A (zh) | 信息搜索方法、装置以及计算机设备 | |
CN114996388A (zh) | 一种诊断名称标准化的智能匹配方法及*** | |
US20090012830A1 (en) | Apparatus, method, and program for extracting work item | |
CN111784711A (zh) | 一种基于深度学习的肺部病理图像分类与分割方法 | |
CN112199559A (zh) | 数据特征的筛选方法、装置及计算机设备 | |
CN112818148B (zh) | 视觉检索的排序优化方法、装置、电子设备及存储介质 | |
KR102654003B1 (ko) | 화상 인식 장치 및 방법 | |
CN111524600A (zh) | 基于neighbor2vec的肝癌术后复发风险预测*** | |
CN108845999B (zh) | 一种基于多尺度区域特征比对的商标图像检索方法 | |
CN113139096B (zh) | 一种视频数据集标注方法及装置 | |
CN112711676B (zh) | 一种视频召回方法、装置、电子设备及存储介质 | |
CN109509517A (zh) | 一种医学检验检查指标自动修正的方法 | |
CN112115996B (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
CN112561921A (zh) | 一种图像分割方法及设备 | |
CN109657710B (zh) | 数据筛选方法、装置、服务器及存储介质 | |
CN114037868B (zh) | 图像识别模型的生成方法及装置 | |
CN115564750A (zh) | 术中冰冻切片图像识别方法及装置、设备、存储介质 | |
CN112651996B (zh) | 目标检测跟踪方法、装置、电子设备和存储介质 | |
CN114359741A (zh) | 基于区域特征的图像描述模型注意力机制评价方法与*** | |
CN115114467A (zh) | 图片神经网络模型的训练方法以及装置 |
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 |