CN112802032A - 图像分割网络的训练和图像处理方法、装置、设备及介质 - Google Patents
图像分割网络的训练和图像处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112802032A CN112802032A CN202110068613.9A CN202110068613A CN112802032A CN 112802032 A CN112802032 A CN 112802032A CN 202110068613 A CN202110068613 A CN 202110068613A CN 112802032 A CN112802032 A CN 112802032A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- segmentation network
- imaging
- processing
- 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.)
- Withdrawn
Links
- 238000012549 training Methods 0.000 title claims abstract description 130
- 238000003709 image segmentation Methods 0.000 title claims abstract description 117
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000003384 imaging method Methods 0.000 claims abstract description 123
- 238000000034 method Methods 0.000 claims abstract description 83
- 238000007781 pre-processing Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims description 59
- 238000007408 cone-beam computed tomography Methods 0.000 claims description 50
- 238000002591 computed tomography Methods 0.000 claims description 44
- 230000011218 segmentation Effects 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 210000004373 mandible Anatomy 0.000 claims description 15
- 210000000214 mouth Anatomy 0.000 claims description 14
- 238000012952 Resampling Methods 0.000 claims description 8
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 28
- 230000009466 transformation Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002050 maxilla Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000844 transformation Methods 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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]
-
- 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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开涉及一种图像分割网络的训练和图像处理方法、装置、设备及介质，所述训练方法包括：对以第一成像方式进行成像的第一样本图像进行第一预处理，得到训练图像；通过第一样本图像和训练图像，训练图像分割网络。根据本公开的实施例的图像分割网络的训练方法，可对不满足预定的第二成像方式的第一样本图像进行预处理，得到训练图像，训练图像具备通过所述预定成像方式获得的医学图像的特征，更适用于所述指定人体部位，由此扩充了适用于指定部位的训练图像的数量，提高像分割网络的精度。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种图像分割网络的训练和图像处理方法、装置、设备及介质。
背景技术
在图像处理的过程中，特别是对医学三维图像的处理过程中，常需要对目标区域进行分割，例如，对CT(Computed Tomography，计算机断层扫描图像)或CBCT(Cone BeamComputed Tomography，锥形束计算机断层扫描图像)中的目标区域进行分割，以便于诊断。在相关技术中，人工分割消耗的时间和成本较大，采用阈值分割方法，耗时较长，重建误差较大，若采用神经网络等方法进行分割，可能因训练样本量不足等原因导致神经网络精度较低。
发明内容
本公开提出了一种图像分割网络的训练和图像处理方法、装置、设备及介质。
根据本公开的一方面，提供了一种图像分割网络的训练方法，所述图像分割网络用于对指定人体部位的医学图像进行分割，包括：对以第一成像方式进行成像的第一样本图像进行第一预处理，得到训练图像，所述训练图像具备通过预定的第二成像方式获得的医学图像的特征，所述预定的第二成像方式适用于对所述指定人体部位进行成像；通过所述第一样本图像和所述训练图像，训练所述图像分割网络。
根据本公开的实施例的图像分割网络的训练方法，可对不满足预定的第二成像方式的第一样本图像进行预处理，得到训练图像，训练图像具备通过所述预定的第二成像方式获得的医学图像的特征，因此相较于预处理之前的第一样本图像来说，训练图像更适用于所述指定人体部位，由此扩充了适用于所述指定人体部位的训练图像的数量，提高像分割网络的精度，并可通过第一样本图像和训练图像共同训练像分割网络，提高像分割网络对不同训练样本的适应能力，使得训练后的像分割网络能够适用于多种图像的分割处理。
在一种可能的实现方式中，对以第一成像方式进行成像的第一样本图像进行第一预处理，包括：对以第一成像方式进行成像的第一样本图像中像素的灰度值进行随机变换；和/或，对第一样本图像进行掩膜分割处理。
通过这种方式，可使第一图像的灰度特征(例如对比度)更接近满足预定成像方式医学图像。
在一种可能的实现方式中，所述掩膜分割处理采用圆柱形掩膜。
通过这种方式，可对不满足预定的第二成像方式的第一样本图像进行预处理，使预处理后得到训练图像满足预定成像方式的成像特征，可扩充训练图像的数量，提高训练效果。
在一种可能的实现方式中，所述方法还包括，利用以第二成像方式进行成像的第二样本图像，训练所述图像分割网络。
在一种可能的实现方式中，所述第一样本图像包括计算机断层扫描图像，所述预定成像方式包括锥形束计算机断层扫描成像方式，所述指定人体部位包括口腔。
根据本公开的一方面，提供了一种图像处理方法，包括：对待处理图像进行第二预处理，获得第三图像；将第三图像输入图像分割网络进行图像分割处理，获得第一区域，其中，所述图像分割网络通过所述的图像分割网络的训练方法训练得到；根据所述第一区域，获得所述待处理图像中目标对象所在的目标区域。
在一种可能的实现方式中，对待处理图像进行第二预处理，获得第三图像，包括：对待处理图像进行重采样处理，获得预设分辨率的第三图像。
在一种可能的实现方式中，根据所述第一区域，获得所述待处理图像中目标对象所在的目标区域，包括：对所述第一区域进行取最大连通域处理，获得所述第三图像中目标对象所在的第二区域；根据所述第二区域，确定所述待处理图像中的目标区域。
在一种可能的实现方式中，所述目标对象包括下颌骨。
根据本公开的一方面，提供了一种图像分割网络的训练装置，包括：第一预处理模块，用于对以第一成像方式进行成像的第一样本图像进行第一预处理，得到训练图像，所述训练图像具备通过预定的第二成像方式获得的医学图像的特征，所述预定的第二成像方式适用于对所述指定人体部位进行成像；训练模块，用于通过所述第一样本图像和所述训练图像，训练所述图像分割网络。
在一种可能的实现方式中，所述第一预处理模块进一步用于对以第一成像方式进行成像的第一样本图像中像素的灰度值进行随机变换；和/或，对第一样本图像进行掩膜分割处理。
在一种可能的实现方式中，所述掩膜分割处理采用圆柱形掩膜。
在一种可能的实现方式中，所述装置还包括：第二训练模块，用于利用以第二成像方式进行成像的第二样本图像，训练所述图像分割网络。
在一种可能的实现方式中，所述第一样本图像包括计算机断层扫描图像，所述预定成像方式包括锥形束计算机断层扫描成像方式，所述指定人体部位包括口腔。
根据本公开的一方面，提供了一种图像处理装置，所述装置包括：第二预处理模块，用于对待处理图像进行第二预处理，获得第三图像；分割模块，用于将第三图像输入图像分割网络进行图像分割处理，获得第一区域，其中，所述图像分割网络通过所述的图像分割网络的训练方法训练得到；目标区域模块，用于根据所述第一区域，获得所述待处理图像中目标对象所在的目标区域。
在一种可能的实现方式中，第二预处理模块进一步用于：对待处理图像进行重采样处理，获得预设分辨率的第三图像。
在一种可能的实现方式中，目标区域模块进一步用于：对所述第一区域进行取最大连通域处理，获得所述第三图像中目标对象所在的第二区域；根据所述第二区域，确定所述待处理图像中的目标区域。
在一种可能的实现方式中，所述目标对象包括下颌骨。
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调用所述存储器存储的指令，以执行上述方法。
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方法。
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分割网络方法的流程图；
图2示出根据本公开实施例的第一样本图像的示意图；
图3示出根据本公开实施例的灰度值线性变换的示意图；
图4示出根据本公开实施例的掩膜分割处理的示意图；
图5示出根据本公开的实施例的图像处理方法的流程图；
图6示出根据本公开的实施例的图像分割网络的训练方法的应用示意图；
图7示出根据本公开的实施例的图像分割网络的训练装置的框图；
图8示出根据本公开的实施例的图像处理装置的框图；
图9示出根据本公开的实施例的电子设备的框图；
图10示出根据本公开的实施例的电子设备的框图。
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分割网络方法的流程图，如图1所示，所述方法包括：
在步骤S11中，对以第一成像方式进行成像的第一样本图像进行第一预处理，得到训练图像，所述训练图像具备通过预定的第二成像方式获得的医学图像的特征，所述预定的第二成像方式适用于对所述指定人体部位进行成像；
在步骤S12中，通过所述第一样本图像和所述训练图像，训练所述图像分割网络。
根据本公开的实施例的图像分割网络的训练方法，可对以第一成像方式的第一样本图像进行预处理，得到训练图像，训练图像具备通过第二成像方式获得的医学图像的特征。其中，第二成像方式与第一成像方式不同，通过第二成像方式对指定人体部位进行成像时，效果相比于其它成像方式(包括第一成像方式)更好；因此相较于预处理之前的第一样本图像来说，训练图像更适用于所述指定人体部位，由此扩充了适用于所述指定人体部位的训练图像的数量，提高像分割网络的精度，并可通过第一样本图像和训练图像共同训练像分割网络，提高像分割网络对不同训练样本的适应能力，使得训练后的像分割网络能够适用于多种图像的分割处理。
在一种可能的实现方式中，所述图像分割网络的训练方法可以由终端设备或服务器等电子设备执行，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，所述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。或者，可通过服务器执行所述方法。
在一种可能的实现方式中，指定人体部位的医学图像可包括通过医学仪器拍摄的图像，例如，CT(Computed Tomography，计算机断层扫描)图像或CBCT(Cone Beam ComputedTomography，锥形束计算机断层扫描)图像。在示例中，指定人体部位可包括下颌骨、口腔、牙齿等部位。本公开对医学图像和人体部位不做限制。
预定的第二成像方式可以在对指定人体部位进行成像时，效果相比于其他成像方式更好，指定人体部位不同，相应的预定的第二成像方式也可以不同。在示例中，所述第一样本图像包括计算机断层扫描CT图像，第二成像方式包括锥形束计算机断层扫描CBCT成像方式，所述指定人体部位包括口腔，其中，CBCT是一种口腔三维数字成像技术，具有分辨率高、成像速度快、辐射量低等特点，在口腔部位成像方面具有优势。
在示例中，指定人体部位的CT图像，即，通过计算机断层扫描方式进行成像的医学图像，可用于多种人体部位的诊断，该成像方式在医学诊断中使用较广泛，样本图像数量较多。指定人体部位的CBCT图像，即，通过锥形束计算机断层扫描成像的医学图像通常用于口腔等人体部位的诊断，CBCT成像方式相较于CT等其他成像方式更适用于口腔部位，但是该成像的应用范围相比于CT图像较小，获得的样本图像数量较少。
在一种可能的实现方式中，所述图像分割网络可以是能够从图像中分割出目标区域的神经网络，例如，卷积神经网络等，本公开对图像分割网络的类型不作限制。所述图像分割网络可从指定人体部位的医学图像中分割出目标区域，例如，从口腔的CT图像或CBCT图像中分割出下颌骨所在的目标区域。
在一种可能的实现方式中，可训练图像分割网络的分割能力，例如，可通过预定成像方式的样本图像对图像分割网络进行训练，例如，可通过锥形束计算机断层扫描成像获得的医学图像(CBCT图像)，可通过CBCT图像训练图像分割网络，使得图像分割网络能够分割出CBCT图像中的目标区域，例如，下颌骨所在区域。在示例中，CBCT图像的数量较少，可能导致图像分割网络的训练精度不足，并导致图像分割网络的适用范围较小，例如，不适用于CT图像的目标区域分割处理。
在一种可能的实现方式中，在步骤S11中，通过第二成像方式获得的医学图像数量较少，可对不满足预定的第二成像方式的第一样本图像(例如，满足第一成像方式的样本图像)进行预处理，得到训练图像，训练图像具备预定成像方式获得的医学图像的成像特征，成像特征例如包括成像的视野范围，对比度等等属性，由此，可利用第一成像方式进行成像的第一样本图像来模仿以第二成像方式获得的医学图像。例如，对CT图像(满足第一成像方式的第一样本图像)进行预处理，利用CT图像模仿CBCT图像(满足第二成像方式的图像)，使预处理后的CT图像具备CBCT图像的成像特征。可通过上述方式增大满足预定成像方式的图像的数量，扩充训练图像数量，提高训练效果。
可以根据预定成像方式获得的医学图像的成像特征(例如CBCT图像的成像特征)，来确定针对不满足预定成像方式的第一样本图像(例如CT图像)的预处理方式，使得预处理后得到的训练图像具备上述成像特征。
在一种可能的实现方式中，步骤S11可包括：对以第一成像方式进行成像的第一样本图像中像素的灰度值进行随机变换，和/或对第一样本图像进行掩膜分割处理，获得所述训练图像。
图2示出根据本公开实施例的第一样本图像的示意图。以CBCT图像为满足预定成像方式的图像，CT图像为不满足预定成像方式的第一样本图像为例，可对CT图像进行预处理，得到第一图像，即，具备CBCT图像的成像特征的CT图像。
在示例中，可对第一样本图像的像素的灰度值进行随机变换。例如，CT图像的像素的灰度值与CBCT图像的像素的灰度值之间存在线性关系，例如，x为CT图像的某个像素点的灰度值，y为CBCT图像中对应像素点的灰度值，则x和y之间存在线性关系，例如，y＝ax+b，其中，a和b为预设的线性变换参数。在示例中，a和b可以是针对某一个第一样本图像随机设置的线性变换参数，即，在一个第一样本图像中，可对所有像素点的灰度值采用相同的线性变换参数进行线性变换处理。而在另一个第一样本图像中，可采用另一组随机的线性变换参数进行线性变换处理。
图3示出根据本公开实施例的灰度值线性变换的示意图。如图3所示，经过线性变换处理获得的图像(例如，具备CBCT图像的像素灰度的CT图像)中目标区域(例如，下颌骨所在区域)轮廓更清晰，对比度更高。
在示例中，也可对第一样本图像的像素点的灰度值进行其他的随机变换处理，例如，指数变换、对数变换、三角函数变换等，变换参数均可以是随机设置的。本公开对随机变换的类型不做限制。
在示例中，也可以CT图像作为满足第二成像方式的图像，CBCT图像为第一成像方式的第一样本图像，并对CBCT图像进行随机变换，本公开对第一样本图像的选取不做限制。
通过这种方式，可使第一图像的灰度特征(例如对比度)更接近满足预定成像方式医学图像。
在一种可能的实现方式中，可对第一样本图像进行掩膜分割处理，获得训练图像。以CBCT图像为满足预定成像方式的图像，CT图像为不满足预定成像方式的第一样本图像为例，CBCT图像为通过锥形束计算机断层扫描获得的医学图像，可获得视野范围为圆柱形的计算机断层扫描图像，而CT图像获得三维立方体的医学图像，因此，可对CT图像进行掩膜分割处理，得到圆柱体的医学图像，来模拟CBCT图像的成像特征。
在一种可能的实现方式中，所述掩膜分割处理采用圆柱形掩膜。例如，通过圆柱形掩膜对第一样本图像进行掩膜分割处理，保留圆柱形内部区域的内容，去除圆柱体外部区域的内容，获得训练图像。
图4示出根据本公开实施例的掩膜分割处理的示意图。如图4所示通过圆柱形掩膜对第一样本图像进行掩膜分割处理获得的训练图像(例如，具备CBCT图像的成像特征的CT图像)仅保留圆柱形区域内的内容，更接近CBCT图像的成像特征。
在一种可能的实现方式中，上述像素的灰度值随机变换处理和掩膜分割处理不冲突，即，在进行第一预处理时，上述两种处理均可进行。例如，可首先对第一样本图像的像素的灰度值进行随机变换，然后可对变换后的第一样本图像进行掩膜分割处理，得到训练图像。
通过这种方式，可对不满足预定成像方式的第一样本图像进行预处理，使预处理后得到训练图像满足预定成像方式的成像特征，可扩充训练图像的数量，提高训练效果。
在一种可能的实现方式中，步骤S12中，可用步骤S11中获得的训练图像来训练图像分割网络，使图像分割网络能够在模拟的具有预定成像特征的图像中分割出目标区域。在示例中，可通过对CT图像进行预处理获得的具有CBCT图像的成像特征的训练图像来训练所述图像分割网络。
在一种可能的实现方式中，还可使用第一样本图像训练图像分割网络，即，使用不具有预定的成像特征的图像来训练图像分割网络，使图像分割网络能够在不具有预定的成像特征的图像中分割出目标区域。在示例中，可使用CT图像来训练所述图像分割网络。
在一种可能的实现方式中，可使用第一样本图像和训练图像来训练分割网络，可使分割网络能够适应两种成像方式的图像，即，不论输入分割网络的图像是何种成像方式，分割网络均能够分割出目标区域。可提升分割网络对多种图像的适应性。
在一种可能的实现方式中，所述方法还包括：利用以预定成像方式进行成像的第二样本图像，训练所述图像分割网络。使图像分割网络能够在具有预定的成像特征的图像中分割出目标区域。在示例中，可使用真正的CBCT图像来训练图像分割网络，进一步提升分割网络对多种图像的适应性。
在一种可能的实现方式中，可利用上述三种图像来训练图像分割网络，使图像分割网络能够在多种图像中应用，提高图像分割网络的适应能力。例如，可使图像分割网络既适应CT图像，又可适应CBCT图像，即，在CT图像和CBCT图像中均可分割出目标区域。
在一种可能的实现方式中，在训练过程中，可将图像经过重采样(例如，重采样到1mm×1mm×1mm的分辨率)、归一化等预处理后，输入图像分割网络，获得预测目标区域，并根据预测目标区域与图像的标注，确定图像分割网络的网络损失，例如，可确定图像分割网络的交叉熵损失。进一步地，可对网络损失进行反向传播，以调整图像分割网络的网络参数，例如，通过梯度下降法来调整网络参数，使网络损失最小化。
在一种可能的实现方式中，可迭代执行上述训练步骤，即，多次向图像分割网络输入图像，输入的图像可包括训练图像和第一样本图像，或者训练图像、第一样本图像和第二样本图像。并在满足训练条件时完成训练，所述训练条件可包括训练次数条件，例如，训练次数达到预定次数时，完成训练。所述训练条件可包括网络损失条件，例如，网络损失小于或等于预设阈值，或收敛于预设区间时，完成训练。本公开对训练条件不做限制。
根据本公开的实施例的图像分割网络的训练方法，可对不满足预定的第二成像方式的第一样本图像的灰度进行随机变换，使获得的第一图像的灰度特征更接近满足预定成像方式医学图像，并通过圆柱形掩膜的分割处理，得到训练图像，使得训练图像满足预定的第二成像方式的成像特征，扩充训练图像的数量，提高像分割网络的精度，并可通过第一样本图像、训练图像和第二样本图像共同训练像分割网络，提高像分割网络对不同训练样本的适应能力，使得训练后的像分割网络能够适用于多种图像的分割处理。
在一种可能的实现方式中，在图像分割网络训练完成后，可通过图像分割网络处理医学图像，分割出目标区域。例如，对口腔医学图像进行处理，分割出下颌骨所在区域。
在一种可能的实现方式中，本公开还提供了一种图像处理方法。
图5示出根据本公开的实施例的图像处理方法的流程图，如图5所示，所述方法包括：
在步骤S21中，对待处理图像进行第二预处理，获得第三图像；
在步骤S22中，将第三图像输入图像分割网络进行图像分割处理，获得第一区域，其中，所述图像分割网络通过上述的图像分割网络的训练方法训练得到；
在步骤S23中，根据所述第一区域，获得所述待处理图像中目标对象所在的目标区域。
在一种可能的实现方式中，在步骤S21中，待处理图像可以是满足预定成像方式的医学图像(例如，CBCT图像)或者不满足预定成像方式的医学图像(例如，CT图像)。上述两种图像均可通过训练后的图像分割网络进行处理。可对待处理图像进行第二预处理，以满足分割网络的处理要求，步骤S21可包括对待处理图像进行重采样处理，获得预设分辨率的第三图像。在示例中，可将待处理图像重采样到1mm×1mm×1mm的分辨率，得到第三图像。此外，还可进行归一化等预处理，本公开对预处理的方式不做限制。所述第三图像符合图像分割网络的输入标准，即，使得图像分割网络能够处理第三图像。
在一种可能的实现方式中，在步骤S22中，训练后的图像分割网络可对输入的第三图像进行处理，分割出目标对象所在的第一区域。在示例中，目标对象可包括下颌骨等对象所在的第一区域，图像分割网络可分割出下颌骨的轮廓。在示例中，目标对象还可包括牙齿、上颌骨等，本公开对目标对象不做限制。
在一种可能的实现方式中，在步骤S23中，如果目标对象为牙齿等多个目标对象，则第一区域可以是多个不连续的区域，即，第一区域即为目标对象所在的目标区域。
在一种可能的实现方式中，如果目标对象为下颌骨等整体区域，而图像分割网络得到了多个第一区域，则可根据多个第一区域获得目标对象所在的目标区域。步骤S23可包括：对所述第一区域进行取最大连通域处理，获得所述第三图像中目标对象所在的第二区域；根据所述第二区域，确定所述待处理图像中的目标区域。
在一种可能的实现方式中，可获得多个第一区域的最大连通域，将该最大连通域确定为目标对象在第三图像中所在的第二区域。在示例中，可将面积或体积最大的第一区域确定为第二区域。
进一步地，还可通过重采样的方式将第三图像恢复成与待处理图像相同的分辨率，恢复后的图像中目标对象所在的区域即为目标区域。或者，可根据第三图像中所在的第二区域所在的位置与待处理图像中进行对应，以确定待处理图像中目标对象所在的目标区域。
图6示出根据本公开的实施例的图像分割网络的训练方法的应用示意图。所述图像分割网络可通过指定人体部位的医学图像来训练，例如，口腔部位的CT图像和/或CBCT图像，可在医学图像中标注出目标对象所在的目标区域，例如，标注出下颌骨所在区域。
在一种可能的实现方式中，CBCT图像的数量较少，可通过CT图像来模仿CBCT图像的成像特征，例如，可将CT图像的像素的灰度值进行随机线性变换处理，并通过圆柱形掩膜将变换后的第一样本图像进行掩膜分割处理，得到具备CBCT图像的成像特征的训练图像，以此来扩大具有CBCT图像的成像特征的图像的数量，提升训练效果。
在一种可能的实现方式中，可通过CT图像、CBCT图像以及训练图像来训练图像分割网络，使得图像分割网络能够适用于CT图像和CBCT图像，即，不论输入图像分割网络的是CT图像还是CBCT图像，图像分割网络均可从图像中分割出目标区域。
在一种可能的实现方式中，在训练完毕后，可使用训练后的图像分割网络来分割出医学图像中的目标区域。在示例中，可首先对待处理图像(例如口腔部位的CT图像或CBCT图像)进行重采样等处理，并将待处理图像输入训练后的图像分割网络，图像分割网络可确定出目标对象(例如，下颌骨)所在的目标区域。
在一种可能的实现方式中，所述图像分割网络训练方法可用于医学图像处理领域，如果满足预定成像方式的样本数量较少或标注成本较高，则可采用较常见的其他样本图像来模拟预定成像方式，以扩大样本的数量，提升训练效果，并且提高图像分割网络对不同训练样本的适应能力。训练后的图像分割网络可用于口腔等部位的医学图像处理中，以分割出下颌骨等目标对象所在区域。本公开对所述图像分割网络训练方法的应用领域不做限制。
图7示出根据本公开的实施例的图像分割网络的训练装置的框图，所述装置包括：第一预处理模块11，用于对以第一成像方式进行成像的第一样本图像进行第一预处理，得到训练图像，所述训练图像具备通过预定的第二成像方式获得的医学图像的特征，所述预定的第二成像方式适用于对所述指定人体部位进行成像；训练模块12，用于通过所述第一样本图像和所述训练图像，训练所述图像分割网络。
在一种可能的实现方式中，所述第一预处理模块进一步用于对以第一成像方式进行成像的第一样本图像中像素的灰度值进行随机变换；和/或，对第一样本图像进行掩膜分割处理。
在一种可能的实现方式中，所述掩膜分割处理采用圆柱形掩膜。
在一种可能的实现方式中，所述装置还包括：第二训练模块，用于利用以第二成像方式进行成像的第二样本图像，训练所述图像分割网络。
在一种可能的实现方式中，所述第一样本图像包括计算机断层扫描图像，所述预定成像方式包括锥形束计算机断层扫描成像方式，所述指定人体部位包括口腔。
图8示出根据本公开的实施例的图像处理装置的框图，所述装置包括：第二预处理模块21，用于对待处理图像进行第二预处理，获得第三图像；分割模块22，用于将第三图像输入图像分割网络进行图像分割处理，获得第一区域，其中，所述图像分割网络通过如权利要求1-5任一项所述的图像分割网络的训练方法训练得到；目标区域模块23，用于根据所述第一区域，获得所述待处理图像中目标对象所在的目标区域。
在一种可能的实现方式中，第二预处理模块进一步用于：对待处理图像进行重采样处理，获得预设分辨率的第三图像。
在一种可能的实现方式中，目标区域模块进一步用于：对所述第一区域进行取最大连通域处理，获得所述第三图像中目标对象所在的第二区域；根据所述第二区域，确定所述待处理图像中的目标区域。
在一种可能的实现方式中，所述目标对象包括下颌骨。
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，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了图像分割网络的训练装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像分割网络的训练方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
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调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图9示出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9，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缘，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10示出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10，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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
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 (13)
1.一种图像分割网络的训练方法，其特征在于，所述图像分割网络用于对指定人体部位的医学图像进行分割，所述方法包括：
对以第一成像方式进行成像的第一样本图像进行第一预处理，得到训练图像，所述训练图像具备通过预定的第二成像方式获得的医学图像的特征，所述预定的第二成像方式适用于对所述指定人体部位进行成像；
通过所述第一样本图像和所述训练图像，训练所述图像分割网络。
2.根据权利要求1所述的方法，其特征在于，对以第一成像方式进行成像的第一样本图像进行第一预处理，包括：
对以第一成像方式进行成像的第一样本图像中像素的灰度值进行随机变换；和/或，
对第一样本图像进行掩膜分割处理。
3.根据权利要求2所述的方法，其特征在于，所述掩膜分割处理采用圆柱形掩膜。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括，
利用以第二成像方式进行成像的第二样本图像，训练所述图像分割网络。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述第一样本图像包括计算机断层扫描图像，所述预定成像方式包括锥形束计算机断层扫描成像方式，所述指定人体部位包括口腔。
6.一种图像处理方法，其特征在于，包括：
对待处理图像进行第二预处理，获得第三图像；
将第三图像输入图像分割网络进行图像分割处理，获得第一区域，其中，所述图像分割网络通过如权利要求1-5任一项所述的图像分割网络的训练方法训练得到；
根据所述第一区域，获得所述待处理图像中目标对象所在的目标区域。
7.根据权利要求6所述的方法，其特征在于，对待处理图像进行第二预处理，获得第三图像，包括：
对待处理图像进行重采样处理，获得预设分辨率的第三图像。
8.根据权利要求6所述的方法，其特征在于，根据所述第一区域，获得所述待处理图像中目标对象所在的目标区域，包括：
对所述第一区域进行取最大连通域处理，获得所述第三图像中目标对象所在的第二区域；
根据所述第二区域，确定所述待处理图像中的目标区域。
9.根据权利要求6所述的方法，其特征在于，所述目标对象包括下颌骨。
10.一种图像分割网络的训练装置，其特征在于，包括：
第一预处理模块，用于对以第一成像方式进行成像的第一样本图像进行第一预处理，得到训练图像，所述训练图像具备通过预定的第二成像方式获得的医学图像的特征，所述预定的第二成像方式适用于对所述指定人体部位进行成像；
训练模块，用于通过所述第一样本图像和所述训练图像，训练所述图像分割网络。
11.一种图像处理装置，其特征在于，包括：
第二预处理模块，用于对待处理图像进行第二预处理，获得第三图像；
分割模块，用于将第三图像输入图像分割网络进行图像分割处理，获得第一区域，其中，所述图像分割网络通过如权利要求1-5任一项所述的图像分割网络的训练方法训练得到；
目标区域模块，用于根据所述第一区域，获得所述待处理图像中目标对象所在的目标区域。
12.一种电子设备，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调用所述存储器存储的指令，以执行权利要求1至9中任意一项所述的方法。
13.一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9中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110068613.9A CN112802032A (zh) | 2021-01-19 | 2021-01-19 | 图像分割网络的训练和图像处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110068613.9A CN112802032A (zh) | 2021-01-19 | 2021-01-19 | 图像分割网络的训练和图像处理方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112802032A true CN112802032A (zh) | 2021-05-14 |
Family
ID=75810429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110068613.9A Withdrawn CN112802032A (zh) | 2021-01-19 | 2021-01-19 | 图像分割网络的训练和图像处理方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112802032A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114663714A (zh) * | 2022-05-23 | 2022-06-24 | 阿里巴巴（中国）有限公司 | 图像分类、地物分类方法和装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537794A (zh) * | 2018-04-19 | 2018-09-14 | 上海联影医疗科技有限公司 | 医学图像数据处理方法、装置和计算机可读存储介质 |
| CN109242865A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 基于多图谱的医学图像自动分区***、方法、装置及存储介质 |
| CN109360210A (zh) * | 2018-10-16 | 2019-02-19 | 腾讯科技（深圳）有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
| CN109754394A (zh) * | 2018-12-28 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 三维医学图像处理装置及方法 |
| CN109784255A (zh) * | 2019-01-07 | 2019-05-21 | 深圳市商汤科技有限公司 | 神经网络训练方法及装置以及识别方法及装置 |
| CN109949309A (zh) * | 2019-03-18 | 2019-06-28 | 安徽紫薇帝星数字科技有限公司 | 一种基于深度学习的肝脏ct图像分割方法 |
| CN110599505A (zh) * | 2019-09-17 | 2019-12-20 | 上海微创医疗器械（集团）有限公司 | 一种器官图像分割方法、装置、电子设备和存储介质 |
| CN111898324A (zh) * | 2020-08-13 | 2020-11-06 | 四川大学华西医院 | 基于分割任务辅助的鼻咽癌三维剂量分布预测方法 |
| CN112150569A (zh) * | 2020-09-24 | 2020-12-29 | 北京羽医甘蓝信息技术有限公司 | 将cbct图像生成为ct图像的方法、装置及终端设备 |
| US20210004984A1 (en) * | 2018-09-25 | 2021-01-07 | Tsinghua University | Method and apparatus for training 6d pose estimation network based on deep learning iterative matching |
-
2021
- 2021-01-19 CN CN202110068613.9A patent/CN112802032A/zh not_active Withdrawn
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537794A (zh) * | 2018-04-19 | 2018-09-14 | 上海联影医疗科技有限公司 | 医学图像数据处理方法、装置和计算机可读存储介质 |
| US20210004984A1 (en) * | 2018-09-25 | 2021-01-07 | Tsinghua University | Method and apparatus for training 6d pose estimation network based on deep learning iterative matching |
| CN109242865A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 基于多图谱的医学图像自动分区***、方法、装置及存储介质 |
| CN109360210A (zh) * | 2018-10-16 | 2019-02-19 | 腾讯科技（深圳）有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
| CN109754394A (zh) * | 2018-12-28 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 三维医学图像处理装置及方法 |
| CN109784255A (zh) * | 2019-01-07 | 2019-05-21 | 深圳市商汤科技有限公司 | 神经网络训练方法及装置以及识别方法及装置 |
| CN109949309A (zh) * | 2019-03-18 | 2019-06-28 | 安徽紫薇帝星数字科技有限公司 | 一种基于深度学习的肝脏ct图像分割方法 |
| CN110599505A (zh) * | 2019-09-17 | 2019-12-20 | 上海微创医疗器械（集团）有限公司 | 一种器官图像分割方法、装置、电子设备和存储介质 |
| CN111898324A (zh) * | 2020-08-13 | 2020-11-06 | 四川大学华西医院 | 基于分割任务辅助的鼻咽癌三维剂量分布预测方法 |
| CN112150569A (zh) * | 2020-09-24 | 2020-12-29 | 北京羽医甘蓝信息技术有限公司 | 将cbct图像生成为ct图像的方法、装置及终端设备 |
Non-Patent Citations (2)
| Title |
|---|
| Y. TAKAYAMA ET AL.: "Evaluation of the performance of deformable image registration between planning CT and CBCT images for the pelvic region: comparison between hybrid and intensity-based DIR", JOURNAL OF RADIATION RESEARCH, vol. 58, no. 4, pages 567 - 571 * |
| 吴志坚;王博亮;黄晓阳;鞠颖;胡丽玲;: "一种基于BP网络的CT图像肝实质分割算法", 中国数字医学, no. 08, pages 18 - 20 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114663714A (zh) * | 2022-05-23 | 2022-06-24 | 阿里巴巴（中国）有限公司 | 图像分类、地物分类方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111310764B (zh) | 网络训练、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 | |
| CN109816764B (zh) | 图像生成方法及装置、电子设备和存储介质 | |
| CN111899268B (zh) | 图像分割方法及装置、电子设备和存储介质 | |
| CN107692997B (zh) | 心率检测方法及装置 | |
| CN109584362B (zh) | 三维模型构建方法及装置、电子设备和存储介质 | |
| TWI718631B (zh) | 人臉圖像的處理方法及裝置、電子設備和儲存介質 | |
| CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
| CN113012166A (zh) | 颅内动脉瘤分割方法及装置、电子设备和存储介质 | |
| CN111640114B (zh) | 图像处理方法及装置 | |
| CN111860388A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN111815750A (zh) | 对图像打光的方法及装置、电子设备和存储介质 | |
| CN114067085A (zh) | 一种虚拟对象的显示方法及装置、电子设备和存储介质 | |
| CN111882558A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN111583142A (zh) | 图像降噪方法及装置、电子设备和存储介质 | |
| CN113506229B (zh) | 神经网络训练和图像生成方法及装置 | |
| CN112308867B (zh) | 牙齿图像的处理方法及装置、电子设备和存储介质 | |
| CN113660531A (zh) | 视频处理方法及装置、电子设备和存储介质 | |
| CN112802032A (zh) | 图像分割网络的训练和图像处理方法、装置、设备及介质 | |
| CN112613447A (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
| CN112102300A (zh) | 计数方法及装置、电子设备和存储介质 | |
| CN109978759B (zh) | 图像处理方法及装置和图像生成网络的训练方法及装置 | |
| CN115457024A (zh) | 冷冻电镜图像处理方法、装置、电子设备及存储介质 | |
| CN112651880B (zh) | 视频数据处理方法及装置、电子设备和存储介质 | |
| CN111784772B (zh) | 基于域随机化的姿态估计模型训练方法及装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210514 |