CN108961161B - 一种图像数据处理方法、装置和计算机存储介质 - Google Patents
一种图像数据处理方法、装置和计算机存储介质 Download PDFInfo
- Publication number
- CN108961161B CN108961161B CN201810510757.3A CN201810510757A CN108961161B CN 108961161 B CN108961161 B CN 108961161B CN 201810510757 A CN201810510757 A CN 201810510757A CN 108961161 B CN108961161 B CN 108961161B
- Authority
- CN
- China
- Prior art keywords
- image data
- feature extraction
- network model
- loss function
- data
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims description 117
- 230000006870 function Effects 0.000 claims description 75
- 230000015654 memory Effects 0.000 claims description 37
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 239000004973 liquid crystal related substance Substances 0.000 claims description 6
- 230000006798 recombination Effects 0.000 claims description 5
- 238000005215 recombination Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 description 9
- 238000010606 normalization Methods 0.000 description 8
- 230000005291 magnetic effect Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004195 computer-aided diagnosis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008521 reorganization Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种图像数据处理方法、装置和计算机存储介质。所述方法包括：获得第一图像数据和对应于所述第一图像数据的至少一种第二图像数据；将所述至少一种第二图像数据输入网络模型，获得与所述第一图像数据的分辨率相同的第三图像数据；基于所述第三图像数据和所述第一图像数据获得损失函数，基于所述损失函数调整所述网络模型的参数。
Description
技术领域
本发明涉及图像处理技术，具体涉及一种图像数据处理方法、装置和计算机存储介质。
背景技术
医学影像预处理是计算机辅助诊断前的一个重要步骤。由于扫描设备、扫描协议、医生水平的差异，目前的很多医学影像的分辨率差异很大，对于后续的计算机辅助诊断系统的使用带来了差异和问题。所以一般需要将医学影像的每个维度的参数(如分辨率)统一至标准值。
目前大多采用传统的插值算法对图像进行处理，但这种基于插值的处理方式会造成拟合不准确、细节模糊的问题，会对图像数据造成较大的改变，影像后续的分析处理。
随着深度学习算法的应用，现有技术中，并未出现将深度学习算法应用于三维医学影像数据的重建。如果能够将深度学习算法应用于三维医学影像领域，从而重建高分辨率的医学影像，则会对后续的分析处理提供有力支持。
发明内容
为解决现有存在的技术问题，本发明实施例提供一种图像数据处理方法、装置和计算机存储介质。
为达到上述目的，本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种图像数据处理方法，所述方法包括：
获得第一图像数据和对应于所述第一图像数据的至少一种第二图像数据；所述第一图像数据和所述至少一种第二图像数据中每种第二图像数据的分辨率不同；
将所述至少一种第二图像数据输入网络模型，获得与所述第一图像数据的分辨率相同的第三图像数据；
基于所述第三图像数据和所述第一图像数据获得损失函数，基于所述损失函数调整所述网络模型的参数。
上述方案中，所述获得第一图像数据和对应于所述第一图像数据的至少一种第二图像数据，包括：
获得第一图像数据，对所述第一图像数据分别按照至少一种下采样参数进行下采样处理，获得至少一种第二图像数据；
其中，所述至少一种第二图像数据中的每种第二图像数据的分辨率均小于所述第一图像数据的分辨率。
上述方案中，所述将所述至少一种第二图像数据输入网络模型，获得与所述第一图像数据的分辨率相同的第三图像数据，包括：
将所述至少一种第二图像数据中的一种第二图像数据输入网络模型，基于所述网络模型中的上采样层对所述第二图像数据进行上采样处理，获得与所述第一图像数据的分辨率相同的第三图像数据。
上述方案中，所述基于所述网络模型中的上采样层对所述第二图像数据进行上采样处理之前，所述方法还包括：
基于所述网络模型中的特征提取网络对所述第二图像数据进行特征提取；
所述基于所述网络模型中的上采样层对所述第二图像数据进行上采样处理，包括：
基于所述网络模型中的上采样层对特征提取后的所述第二图像数据进行上采样处理。
上述方案中，所述基于所述网络模型中的特征提取网络对所述第二图像数据进行特征提取，包括：
基于所述网络模型中的第一特征提取网络对所述第二图像数据进行特征提取，获得第一组特征；其中，所述第一特征提取网络包括至少一个卷积层；
基于所述网络模型中的第二特征提取网络对所述第二组特征进行特征提取，获得第二组特征；其中，所述第二特征提取网络包括至少两个卷积层。
上述方案中，所述基于所述网络模型中的上采样层对所述第二图像数据进行上采样处理，包括：
基于所述网络模型中的立体像素重组层或反卷积层对所述第二图像数据进行上采样处理。
上述方案中，所述基于所述第三图像数据和所述第一图像数据获得损失函数，包括：
分别计算所述第三图像数据和所述第一图像数据的均方误差，基于所述均方误差确定损失函数。
上述方案中，所述基于所述第三图像数据和所述第一图像数据获得损失函数，包括：
分别计算所述第三图像数据和所述第一图像数据的均方误差，基于所述均方误差确定第一损失函数；
分别提取所述第三图像数据中的对应于目标特征的第一特征数据，以及对应的所述第一图像数据中所述目标特征的第二特征数据；
比较所述第一特征数据和所述第二特征数据获得第二损失函数；
基于所述第二损失函数和所述第一损失函数确定损失函数。
上述方案中，所述获得第一图像数据，包括：
获得原始图像数据，对所述原始图像数据进行目标区域的截取处理，获得第一图像数据。
上述方案中，所述第一图像数据包括多个第一图像数据分块；所述第二图像数据包括多个第二图像数据分块；所述多个第一图像数据分块和所述多个第二图像数据分块基于相同图像分块处理方式获得。
本发明实施例还提供了一种图像数据处理装置，所述装置包括：预处理单元、数据重建单元和调整单元；其中，
所述预处理单元，用于获得第一图像数据和对应于所述第一图像数据的至少一种第二图像数据；所述第一图像数据和所述至少一种第二图像数据中每种第二图像数据的分辨率不同；
所述数据重建单元，用于将所述预处理单元处理后的所述至少一种第二图像数据输入网络模型，获得与所述第一图像数据的分辨率相同的第三图像数据；
所述调整单元，用于基于所述第三图像数据和所述第一图像数据获得损失函数，基于所述损失函数调整所述网络模型的参数。
上述方案中，所述预处理单元，用于获得第一图像数据，对所述第一图像数据分别按照至少一种下采样参数进行下采样处理，获得至少一种第二图像数据；其中，所述至少一种第二图像数据中的每种第二图像数据的分辨率均小于所述第一图像数据的分辨率。
上述方案中，所述数据重建单元，用于将所述至少一种第二图像数据中的一种第二图像数据输入网络模型，基于所述网络模型中的上采样层对所述第二图像数据进行上采样处理，获得与所述第一图像数据的分辨率相同的第三图像数据。
上述方案中，所述数据重建单元，还用于基于所述网络模型中的上采样层对所述第二图像数据进行上采样处理之前，基于所述网络模型中的特征提取网络对所述第二图像数据进行特征提取，基于所述网络模型中的上采样层对特征提取后的所述第二图像数据进行上采样处理。
上述方案中，所述数据重建单元，用于基于所述网络模型中的第一特征提取网络对所述第二图像数据进行特征提取，获得第一组特征；其中，所述第一特征提取网络包括至少一个卷积层；基于所述网络模型中的第二特征提取网络对所述第二组特征进行特征提取，获得第二组特征；其中，所述第二特征提取网络包括至少两个卷积层。
上述方案中，所述数据重建单元，用于基于所述网络模型中的立体像素重组层或反卷积层对所述第二图像数据进行上采样处理。
上述方案中，所述调整单元，用于分别计算所述第三图像数据和所述第一图像数据的均方误差，基于所述均方误差确定损失函数。
上述方案中，所述装置还包括特征提取单元，用于分别提取所述第三图像数据中的对应于目标特征的第一特征数据，以及对应的所述第一图像数据中所述目标特征的第二特征数据；
所述调整单元，用于分别计算所述第三图像数据和所述第一图像数据的均方误差，基于所述均方误差确定第一损失函数；比较所述第一特征数据和所述第二特征数据获得第二损失函数；基于所述第二损失函数和所述第一损失函数确定损失函数。
上述方案中，所述预处理单元，用于获得原始图像数据，对所述原始图像数据进行目标区域的截取处理，获得第一图像数据。
上述方案中，所述第一图像数据包括多个第一图像数据分块；所述第二图像数据包括多个第二图像数据分块；所述多个第一图像数据分块和所述多个第二图像数据分块由所述预处理单元基于相同图像分块处理方式获得。
本发明实施例还提供了一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现本发明实施例所述图像数据处理方法的步骤。
本发明实施例还提供了一种图像数据处理装置，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本发明实施例所述图像数据处理方法的步骤。
本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，该计算机可执行指令被执行后，能够实现本发明实施例所述图像处理方法的步骤。
本发明实施例提供的图像数据处理方法、装置和计算机存储介质，所述方法包括：获得第一图像数据和对应于所述第一图像数据的至少一种第二图像数据；所述第一图像数据和所述至少一种第二图像数据中每种第二图像数据的分辨率不同；将所述至少一种第二图像数据输入网络模型，获得与所述第一图像数据的分辨率相同的第三图像数据；基于所述第三图像数据和所述第一图像数据获得损失函数，基于所述损失函数调整所述网络模型的参数。采用本发明实施例的深度学习的技术方案对网络模型进行训练及优化，实现了对各种低分辨率的医学图像数据向高分辨率的转换重建，为后续的计算机辅助诊断系统的分析处理提供了有力支持。
附图说明
图1为本发明实施例的图像数据处理方法的流程示意图；
图2为本发明实施例的图像数据处理方法中的特征提取过程的处理示意图；
图3为本发明实施例的图像数据处理装置的组成结构示意图；
图4为本发明实施例的图像数据处理装置的硬件组成结构示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
实施例一
本发明实施例提供了一种图像数据处理方法。图1为本发明实施例的图像数据处理方法的流程示意图；如图1所示，所述方法包括：
步骤101：获得第一图像数据和对应于所述第一图像数据的至少一种第二图像数据；所述第一图像数据和所述至少一种第二图像数据中每种第二图像数据的分辨率不同。
步骤102：将所述至少一种第二图像数据输入网络模型，获得与所述第一图像数据的分辨率相同的第三图像数据。
步骤103：基于所述第三图像数据和所述第一图像数据获得损失函数，基于所述损失函数调整所述网络模型的参数。
本发明实施例中，所述第一图像数据和所述第二图像数据均为二维图像数据或三维图像数据；所谓三维图像数据，也即立体图像数据，可以是三维医学影像数据，例如三维超声数据、三维计算机断层扫描(CT)数据等等。其中，第一图像数据可为具有高分辨率的图像数据，所谓高分辨率是相对于第二图像数据的分辨率而言，即第一图像数据的分辨率高于第二图像数据的分辨率。
本实施例中，所述获得第一图像数据和对应于所述第一图像数据的至少一种第二图像数据，包括：获得第一图像数据，对所述第一图像数据分别按照至少一种下采样参数进行下采样处理，获得至少一种第二图像数据；其中，所述至少一种第二图像数据中的每种第二图像数据的分辨率均小于所述第一图像数据的分辨率。
其中，在对所述第一图像数据进行下采样处理之前，所述方法还包括：获得原始图像数据，对所述原始图像数据进行目标区域的图像截取处理，获得第一图像数据。
具体的，对于用于网络训练的原始图像数据，可首先进行目标区域的图像截取处理，将原始图像数据归一化到0-255之间，除去背景部分，即保留原始图像数据的目标区域，获得第一图像数据。进一步地，将第一图像数据进行下采样处理，作为一种实施方式，可采用等间距抽取的方式，即等间距的从第一图像数据中抽取数据，再将抽取后的数据通过高斯模糊插值的方式进行平滑处理，从而生成第二图像数据，第二图像数据为比第一图像数据分辨率低的图像数据。其中，至少一种第二图像数据的中每种第二图像数据的分辨率不同。本实施例中，可采用不同的下采样参数对第一图像数据进行下采样进行处理，例如采用不同的等间距从第一图像数据中抽取数据，从而获得不同分辨率的第二图像数据，将获得的不同分辨率的第二图像数据作为训练数据(training data)，每次采用一种分辨率的第二图像数据进行训练。
本发明实施例中，所述将所述至少一种第二图像数据输入网络模型，获得与所述第一图像数据的分辨率相同的第三图像数据，包括：将所述至少一种第二图像数据中的一种第二图像数据输入网络模型，基于所述网络模型中的上采样层对所述第二图像数据进行上采样处理，获得与所述第一图像数据的分辨率相同的第三图像数据。
其中，所述基于所述网络模型中的上采样层对所述第二图像数据进行上采样处理，包括：基于所述网络模型中的立体像素重组层或反卷积层对所述第二图像数据进行上采样处理。
本实施例中可通过至少两种上采样方式对第二图像数据进行上采样处理。第一种处理方式是借鉴ESPCNN算法中使用的像素重组(pixel shuffle)方式，应用于本实施例中的针对三维图像数据的处理，即立体像素重组(voxel shuffle)层对提取后的特征进行处理，生成与所述第一图像数据的分辨率相同的第三图像数据。第二种处理方式是采用反卷积层对第二图像数据进行处理，生成与所述第一图像数据的分辨率相同的第三图像数据。
本实施例中，基于第三图像数据和第一图像数据获得损失函数，具体的损失函数的确定方式至少可包括以下两种：
作为一种实施方式，所述基于所述第三图像数据和所述第一图像数据获得损失函数，包括：分别计算所述第三图像数据和所述第一图像数据的均方误差，基于所述均方误差确定损失函数；
作为另一种实施方式，所述基于所述第三图像数据和所述第一图像数据获得损失函数，包括：分别计算所述第三图像数据和所述第一图像数据的均方误差，基于所述均方误差确定第一损失函数；分别提取所述第三图像数据中的对应于目标特征的第一特征数据，以及对应的所述第一图像数据中所述目标特征的第二特征数据；比较所述第一特征数据和所述第二特征数据获得第二损失函数；基于所述第二损失函数和所述第一损失函数确定损失函数。
具体的，上述第一种实施方式，对于第三图像数据，与对应的第一图像数据进行比较，具体是计算均方误差(MSE，Mean Square Error)，将计算出的MSE作为损失函数(Loss)，进一步采用反向传播算法(backpropagation)调整网络模型的参数，从而优化网络模型。
上述第二种实施方式，对于第三图像数据，与对应的第一图像数据进行比较，具体是计算MSE，将计算出的MSE作为第一损失函数(Loss)；另外，本实施例中，加入感知损失(perceptual loss)，在上采样层后增加特征提取网络，通过该特征提取网络分别提取第一图像数据中的对应于目标特征的第二特征数据，以及提取第三图像数据中对应于所述目标特征的第一特征数据，比较所述第一特征数据和所述第二特征数据的差异获得第二损失函数，将该第二损失函数作为正则项按照特定权重添加至所述第一损失函数后作为损失函数。其中，所述第一损失函数的权重大于该差异参数的权重；例如，MSE和第二损失函数的权重比例可以是8:2，这样可以在一定长度上增加网络训练的稳定性，减少微量无关像素点的移动对网络训练的影响。进一步地，基于损失函数采用反向传播算法(backpropagation)调整网络模型的参数，从而优化网络模型。
在一实施例中，所述第一图像数据包括多个第一图像数据分块；所述第二图像数据包括多个第二图像数据分块；所述多个第一图像数据分块和所述多个第二图像数据分块基于相同图像分块处理方式获得。可以理解为，作为训练数据的第二图像数据为多个第二图像数据分块，将多个第二图像数据分块输入网络模型进行处理；以图像数据分块作为数据处理单位，相应的，获得的第三图像数据也包括多个第三图像数据分块。
可以理解，本实施例分别对第一图像数据和第二图像数据进行图像分块处理，获得作为所述第一图像数据的多个第一图像数据分块，以及作为所述第二图像数据的多个第二图像数据分块，其具体包括：将所述第一图像数据和所述第二图像数据按照下采样比例进行图像分块处理，获得多个第一图像数据分块，以及多个第二图像数据分块。
具体的，本实施例中，将所述第一图像数据和所述第二图像数据按照下采样比例进行图像分块处理，分别将第一图像数据和第二图像数据分割成较小但比例一致的图像数据块，对应于第一图像数据，分割为第一图像数据分块，对应于第二图像数据，分割为第二图像数据分块。例如，以厚度维度为例，厚度上升一倍，作为训练数据的图像分块，即第二图像数据分块的尺寸可以为32*64*64，作为原始数据的图像分块，即第一图像数据分块的尺寸可以为64*64*64，在厚度维度上满足下采样比例。
在一实施例中，所述基于所述网络模型中的上采样层对所述第二图像数据进行上采样处理之前，所述方法还包括：基于所述网络模型中的特征提取网络对所述第二图像数据进行特征提取；相应的，所述基于所述网络模型中的上采样层对所述第二图像数据进行上采样处理，包括：基于所述网络模型中的上采样层对特征提取后的所述第二图像数据进行上采样处理。
其中，所述基于所述网络模型中的特征提取网络对所述第二图像数据进行特征提取，包括：基于所述网络模型中的第一特征提取网络对所述第二图像数据进行特征提取，获得第一组特征；其中，所述第一特征提取网络包括至少一个卷积层；基于所述网络模型中的第二特征提取网络对所述第二组特征进行特征提取，获得第二组特征；其中，所述第二特征提取网络包括至少两个卷积层。
具体的，本实施例中的网络模型中还包括特征提取网络；特征提取网络包括第一特征提取网络和第二特征提取网络；其中，第一特征提取网络可称为浅层特征提取网络(shallow feature extraction net)，第二特征提取网络可称为中层特征提取块(midfeature extraction block)。则输入数据依次通过第一特征提取网络和第二特征提取网络进行特征提取。其中，输入数据包括作为第二图像数据的第二图像数据分块。
其中，第一特征提取网络包括至少一个卷积层，通过所述至少一个卷积层对输入数据进行至少一次的特征提取；另外，通过第一特征提取网络进行特征提取后还可以提升数据维度(例如提升通道(channel)数量)。
其中，作为一种实施方式，第二特征提取网络可采用传统的特征提取网络的连接方式，例如采用ResNet的连接方式，可以降低训练难度。作为一种实施方式，通过midfeature extraction block表示的第二特征提取网络包括至少一个块(block)，每个block包括至少两个卷积层；例如，若第二特征提取网络采用ResNet的连接方式，则每个block包括两个卷积层。其中，第二特征提取网络中可采用全预激活(full pre-activation)的方式连接的批归一化(batch normalization)层提升训练速度，例如将block中的处理层的顺序进行调整，将批归一化(batch normalization)层或组归一化(group normalization)层调整至卷积层之前，即采用批归一化层或组归一化层-激活层-卷积层的方式进行特征提取。采用空洞卷积(dilation convolution)的方式提升感受野。
作为另一种实施方式，本实施例采用global residual learning和localresidual learning来降低第二特征提取网络的网络训练难度。
具体的，Global residual learning是将第一特征提取网络的输出直接与上采样层的输入进行跨层连接并执行相加操作，如图2所示。这样可以避免一些相似信息的重复学习，减小网络的训练难度。Local residual learning是将每个block的输入和输出直接相连并执行相加操作，可以优化数据流在网络中的流通，减少网络训练难度。
作为又一种实施方式，本实施例可借鉴稠密网络(Densenet)的连接方式，使得每一层的输入都来自前面所有层的输出，即对输入的所有层的特征进行复用，再使用channel*1*1*1的卷积核进行计算复杂度优化(computation complexity optimization)；另外，可以加入local residual learning学习方式，可以优化信息流和梯度流。
本实施例中，采用多层卷积(例如多层立体卷积)的方式对图像数据进行特征提取，可以更充分的利用立体像素(voxel)周围的上下文(context)信息。
本实施例的网络模型的网络结构是全卷积(full convolution)的，可对任意分辨率大小的图像数据在各个方向上进行任意整数倍的上采样处理。
其中，对于上采样倍数较大的图像数据重建，例如上采样倍数大于等于4倍的图像数据重建，可采用多次的上采样处理，也即采用多次的voxel shuffle处理或反卷积处理，例如对于上采样倍数为4倍，则可一次性的将图像上采样处理4倍，也可以将图像上采样处理2倍，再上采样处理2倍，从而提升图像重建效果。
在一实施例中，所述基于所述网络模型中的立体像素重组层或反卷积层对所述第二图像数据进行上采样处理，包括：基于所述网络模型中的立体像素重组层或反卷积层对所述第二图像数据进行上采样处理获得多通道数据；对所述多通道数据进行卷积处理，生成单通道数据的第三图像数据。
具体的，对于上采样处理后的第二图像数据是多通道数据，本实施例中可使用卷积核，所述卷积核例如channel*3*3*3，其中，channel为上采样处理后的通道数量，则通过该卷积核对多通道数据进行卷积处理获得作为单通道数据的第三图像数据。
本发明实施例的网络模型包括特征提取网络(包括第一特征提取网络和第二特征提取网络)和上采样层，则基于前述技术方案确定损失函数后，基于该损失函数采用反向传播算法(backpropagation)调整网络模型的参数，具体是调整特征提取网络(包括第一特征提取网络和第二特征提取网络)和上采样层(该上采样层具体为反卷积层)的参数，从而优化特征提取网络(包括第一特征提取网络和第二特征提取网络)以及上采样层(具体为反卷积层)。
采用本发明实施例的深度学习的技术方案对网络模型进行训练及优化，实现了对各种低分辨率的医学图像数据向高分辨率的转换重建，为后续的计算机辅助诊断系统的分析处理提供了有力支持。
实施例二
本发明实施例还提供了一种图像数据处理装置。图3为本发明实施例的图像数据处理装置的组成结构示意图；如图3所示，所述装置包括：预处理单元31、数据重建单元32和调整单元33；其中，
所述预处理单元31，用于获得第一图像数据和对应于所述第一图像数据的至少一种第二图像数据；所述第一图像数据和所述至少一种第二图像数据中每种第二图像数据的分辨率不同；
所述数据重建单元32，用于将所述预处理单元31处理后的所述至少一种第二图像数据输入网络模型，获得与所述第一图像数据的分辨率相同的第三图像数据；
所述调整单元34，用于基于所述第三图像数据和所述第一图像数据获得损失函数，基于所述损失函数调整所述网络模型的参数。
在一实施例中，所述预处理单元31，用于获得第一图像数据，对所述第一图像数据分别按照至少一种下采样参数进行下采样处理，获得至少一种第二图像数据；其中，所述至少一种第二图像数据中的每种第二图像数据的分辨率均小于所述第一图像数据的分辨率。
在一实施例中，所述数据重建单元32，用于将所述至少一种第二图像数据中的一种第二图像数据输入网络模型，基于所述网络模型中的上采样层对所述第二图像数据进行上采样处理，获得与所述第一图像数据的分辨率相同的第三图像数据。
在一实施例中，所述数据重建单元32，还用于基于所述网络模型中的上采样层对所述第二图像数据进行上采样处理之前，基于所述网络模型中的特征提取网络对所述第二图像数据进行特征提取，基于所述网络模型中的上采样层对特征提取后的所述第二图像数据进行上采样处理。
在一实施例中，所述数据重建单元32，用于基于所述网络模型中的第一特征提取网络对所述第二图像数据进行特征提取，获得第一组特征；其中，所述第一特征提取网络包括至少一个卷积层；基于所述网络模型中的第二特征提取网络对所述第二组特征进行特征提取，获得第二组特征；其中，所述第二特征提取网络包括至少两个卷积层。
在一实施例中，所述数据重建单元32，用于基于所述网络模型中的立体像素重组层或反卷积层对所述第二图像数据进行上采样处理。
在一实施例中，所述调整单元33，用于分别计算所述第三图像数据和所述第一图像数据的均方误差，基于所述均方误差确定损失函数。
在一实施例中，所述装置还包括特征提取单元，用于分别提取所述第三图像数据中的对应于目标特征的第一特征数据，以及对应的所述第一图像数据中所述目标特征的第二特征数据；
所述调整单元33，用于分别计算所述第三图像数据和所述第一图像数据的均方误差，基于所述均方误差确定第一损失函数；比较所述第一特征数据和所述第二特征数据获得第二损失函数；基于所述第二损失函数和所述第一损失函数确定损失函数。
在一实施例中，所述预处理单元31，用于获得原始图像数据，对所述原始图像数据进行目标区域的截取处理，获得第一图像数据。
在一实施例中，所述第一图像数据包括多个第一图像数据分块；所述第二图像数据包括多个第二图像数据分块；所述多个第一图像数据分块和所述多个第二图像数据分块由所述预处理单元31基于相同图像分块处理方式获得。
本发明实施例中，所述图像数据处理装置在实际应用中可通过服务器实现；所述图像数据处理装置中的预处理单元31、数据重建单元32、调整单元33和特征提取单元，在实际应用中均可由中央处理器(CPU，Central Processing Unit)、数字信号处理器(DSP，Digital Signal Processor)、微控制单元(MCU，Microcontroller Unit)或可编程门阵列(FPGA，Field－Programmable Gate Array)实现。
需要说明的是：上述实施例提供的图像数据处理装置在进行图像数据处理时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的图像数据处理装置与图像数据处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
实施例三
本发明实施例还提供了一种图像数据处理装置，包括存储器42、处理器41及存储在存储器42上并可在处理器41上运行的计算机程序，所述处理器41执行所述程序时实现：获得第一图像数据和对应于所述第一图像数据的至少一种第二图像数据；所述第一图像数据和所述至少一种第二图像数据中每种第二图像数据的分辨率不同；将所述至少一种第二图像数据输入网络模型，获得与所述第一图像数据的分辨率相同的第三图像数据；基于所述第三图像数据和所述第一图像数据获得损失函数，基于所述损失函数调整所述网络模型的参数。
在一实施例中，所述第一图像数据包括多个第一图像数据分块；所述第二图像数据包括多个第二图像数据分块；所述多个第一图像数据分块和所述多个第二图像数据分块基于相同图像分块处理方式获得。
在一实施例中，所述处理器41执行所述程序时实现：获得第一图像数据，对所述第一图像数据分别按照至少一种下采样参数进行下采样处理，获得至少一种第二图像数据；其中，所述至少一种第二图像数据中的每种第二图像数据的分辨率均小于所述第一图像数据的分辨率。
在一实施例中，所述处理器41执行所述程序时实现：将所述至少一种第二图像数据中的一种第二图像数据输入网络模型，基于所述网络模型中的上采样层对所述第二图像数据进行上采样处理，获得与所述第一图像数据的分辨率相同的第三图像数据。
在一实施例中，所述处理器41执行所述程序时实现：基于所述网络模型中的特征提取网络对所述第二图像数据进行特征提取；基于所述网络模型中的上采样层对特征提取后的所述第二图像数据进行上采样处理。
在一实施例中，所述处理器41执行所述程序时实现：基于所述网络模型中的第一特征提取网络对所述第二图像数据进行特征提取，获得第一组特征；其中，所述第一特征提取网络包括至少一个卷积层；基于所述网络模型中的第二特征提取网络对所述第二组特征进行特征提取，获得第二组特征；其中，所述第二特征提取网络包括至少两个卷积层。
在一实施例中，所述处理器41执行所述程序时实现：基于所述网络模型中的立体像素重组层或反卷积层对所述第二图像数据进行上采样处理。
在一实施例中，所述处理器41执行所述程序时实现：分别计算所述第三图像数据和所述第一图像数据的均方误差，基于所述均方误差确定损失函数。
在一实施例中，所述处理器41执行所述程序时实现：分别计算所述第三图像数据和所述第一图像数据的均方误差，基于所述均方误差确定第一损失函数；分别提取所述第三图像数据中的对应于目标特征的第一特征数据，以及对应的所述第一图像数据中所述目标特征的第二特征数据；比较所述第一特征数据和所述第二特征数据获得第二损失函数；基于所述第二损失函数和所述第一损失函数确定损失函数。
在一实施例中，所述处理器41执行所述程序时实现：获得原始图像数据，对所述原始图像数据进行目标区域的截取处理，获得第一图像数据。
可以理解，装置中还包括总线系统43，装置中的各个组件可通过总线系统43耦合。可理解，总线系统43用于实现这些组件之间的连接通信。总线系统43除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。
可以理解，存储器42可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器42旨在包括但不限于这些和任意其它适合类型的存储器。
上述本发明实施例揭示的方法可以应用于处理器41中，或者由处理器41实现。处理器41可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器41中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器41可以是通用处理器、DSP，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器41可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器42，处理器41读取存储器42中的信息，结合其硬件完成前述方法的步骤。
实施例四
在示例性实施例中，本发明实施例还提供了一种计算机可读存储介质，例如包括计算机程序的存储器32，上述计算机程序可由图像处理装置的处理器31执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备，如移动电话、计算机、平板设备、个人数字助理等。
本发明实施例还提供了一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现本发明前述实施例的图像数据处理方法。
实施例五
本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，该计算机可执行指令被执行后，能够实现本发明实施例前述实施例所述的图像处理方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的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。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，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所述权利要求的保护范围为准。
Claims (19)
1.一种图像数据处理方法，其特征在于，所述方法包括：
获得第一图像数据和对应于所述第一图像数据的至少一种第二图像数据；所述第一图像数据和所述至少一种第二图像数据中每种第二图像数据的分辨率不同；所述第一图像数据包括多个第一图像数据分块；所述第二图像数据包括多个第二图像数据分块；所述第一图像数据分块尺寸和所述多个第二图像数据分块尺寸至少在一个维度上不同；
将所述至少一种第二图像数据输入网络模型，基于所述网络模型中的特征提取网络对第二图像数据进行特征提取，并基于所述特征提取后的第二图像数据获得与所述第一图像数据的分辨率相同的第三图像数据；所述第三图像数据包括多个基于所述第二图像分块经所述网络模型处理得到的第三图像数据分块；
基于所述第三图像数据和所述第一图像数据获得损失函数；所述损失函数与所述特征提取网络提取的所述第三图像数据中目标特征的第一特征数据，以及所述特征提取网络提取的所述第一图像数据中所述目标特征的第二特征数据相关。
2.根据权利要求1所述的方法，其特征在于，所述获得第一图像数据和对应于所述第一图像数据的至少一种第二图像数据，包括：
获得第一图像数据，对所述第一图像数据分别按照至少一种下采样参数进行下采样处理，获得至少一种第二图像数据；
其中，所述至少一种第二图像数据中的每种第二图像数据的分辨率均小于所述第一图像数据的分辨率。
3.根据权利要求1所述的方法，其特征在于，所述将所述至少一种第二图像数据输入网络模型，基于所述网络模型中的特征提取网络对第二图像数据进行特征提取，并基于所述特征提取后的第二图像数据获得与所述第一图像数据的分辨率相同的第三图像数据，包括：
将所述至少一种第二图像数据中的一种第二图像数据输入网络模型，基于所述网络模型中的特征提取层对第二图像数据进行特征提取，基于所述网络模型中的上采样层对所述特征提取后的第二图像数据进行上采样处理，获得与所述第一图像数据的分辨率相同的第三图像数据。
4.根据权利要求1所述的方法，其特征在于，所述基于所述网络模型中的特征提取网络对所述第二图像数据进行特征提取，包括：
基于所述网络模型中的第一特征提取网络对所述第二图像数据进行特征提取，获得第一组特征；其中，所述第一特征提取网络包括至少一个卷积层；
基于所述网络模型中的第二特征提取网络对所述第二组特征进行特征提取，获得第二组特征；其中，所述第二特征提取网络包括至少两个卷积层。
5.根据权利要求3所述的方法，其特征在于，所述基于所述网络模型中的上采样层对所述第二图像数据进行上采样处理，包括：
基于所述网络模型中的立体像素重组层或反卷积层对所述第二图像数据进行上采样处理。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述基于所述第三图像数据和所述第一图像数据获得损失函数，包括：
分别计算所述第三图像数据和所述第一图像数据的均方误差，基于所述均方误差确定第一损失函数；
分别提取所述第三图像数据中的对应于目标特征的第一特征数据，以及对应的所述第一图像数据中所述目标特征的第二特征数据；
比较所述第一特征数据和所述第二特征数据获得第二损失函数；
基于所述第二损失函数和所述第一损失函数确定损失函数。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述获得第一图像数据，包括：
获得原始图像数据，对所述原始图像数据进行目标区域的截取处理，获得第一图像数据。
8.根据权利要求1至7中任一项所述的方法，其特征在于，所述多个第一图像数据分块和所述多个第二图像数据分块基于相同图像分块处理方式获得。
9.一种图像数据处理装置，其特征在于，所述装置包括：预处理单元、数据重建单元和调整单元；其中，
所述预处理单元，用于获得第一图像数据和对应于所述第一图像数据的至少一种第二图像数据；所述第一图像数据和所述至少一种第二图像数据中每种第二图像数据的分辨率不同；所述第一图像数据包括多个第一图像数据分块；所述第二图像数据包括多个第二图像数据分块；所述第一图像数据分块尺寸和所述多个第二图像数据分块尺寸至少在一个维度上不同；
所述数据重建单元，用于将所述预处理单元处理后的所述至少一种第二图像数据输入网络模型，基于所述网络模型中的特征提取网络对第二图像数据进行特征提取，并基于所述特征提取后的第二图像数据获得与所述第一图像数据的分辨率相同的第三图像数据；所述第三图像数据包括多个基于所述第二图像分块经所述网络模型处理得到的第三图像数据分块；
所述调整单元，用于基于所述第三图像数据和所述第一图像数据获得损失函数；所述损失函数与所述特征提取网络提取的所述第三图像数据中目标特征的第一特征数据，以及所述特征提取网络提取的所述第一图像数据中所述目标特征的第二特征数据相关。
10.根据权利要求9所述的装置，其特征在于，所述预处理单元，用于获得第一图像数据，对所述第一图像数据分别按照至少一种下采样参数进行下采样处理，获得至少一种第二图像数据；其中，所述至少一种第二图像数据中的每种第二图像数据的分辨率均小于所述第一图像数据的分辨率。
11.根据权利要求9所述的装置，其特征在于，所述数据重建单元，用于将所述至少一种第二图像数据中的一种第二图像数据输入网络模型，基于所述网络模型中的上采样层对所述经特征提取后的第二图像数据进行上采样处理，获得与所述第一图像数据的分辨率相同的第三图像数据。
12.根据权利要求9所述的装置，其特征在于，所述数据重建单元，用于基于所述网络模型中的第一特征提取网络对所述第二图像数据进行特征提取，获得第一组特征；其中，所述第一特征提取网络包括至少一个卷积层；基于所述网络模型中的第二特征提取网络对所述第二组特征进行特征提取，获得第二组特征；其中，所述第二特征提取网络包括至少两个卷积层。
13.根据权利要求11所述的装置，其特征在于，所述数据重建单元，用于基于所述网络模型中的立体像素重组层或反卷积层对所述第二图像数据进行上采样处理。
14.根据权利要求9至13中任一项所述的装置，其特征在于，所述装置还包括特征提取单元，用于分别提取所述第三图像数据中的对应于目标特征的第一特征数据，以及对应的所述第一图像数据中所述目标特征的第二特征数据；
所述调整单元，用于分别计算所述第三图像数据和所述第一图像数据的均方误差，基于所述均方误差确定第一损失函数；比较所述第一特征数据和所述第二特征数据获得第二损失函数；基于所述第二损失函数和所述第一损失函数确定损失函数。
15.根据权利要求9至14中任一项所述的装置，其特征在于，所述预处理单元，用于获得原始图像数据，对所述原始图像数据进行目标区域的截取处理，获得第一图像数据。
16.根据权利要求9至15中任一项所述的装置，其特征在于，所述多个第一图像数据分块和所述多个第二图像数据分块由所述预处理单元基于相同图像分块处理方式获得。
17.一种计算机存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1至8任一项所述图像数据处理方法的步骤。
18.一种图像数据处理装置，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权利要求1至8任一项所述图像数据处理方法的步骤。
19.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机可执行指令，该计算机可执行指令被执行后，能够实现权利要求1至8任一项所述图像处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810510757.3A CN108961161B (zh) | 2018-05-24 | 2018-05-24 | 一种图像数据处理方法、装置和计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810510757.3A CN108961161B (zh) | 2018-05-24 | 2018-05-24 | 一种图像数据处理方法、装置和计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108961161A CN108961161A (zh) | 2018-12-07 |
| CN108961161B true CN108961161B (zh) | 2023-09-22 |
Family
ID=64492110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810510757.3A Active CN108961161B (zh) | 2018-05-24 | 2018-05-24 | 一种图像数据处理方法、装置和计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108961161B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109858472B (zh) * | 2019-04-09 | 2023-08-04 | 武汉领普科技有限公司 | 一种嵌入式实时人形检测方法和装置 |
| CN111814679B (zh) * | 2020-07-08 | 2023-10-13 | 上海雪湖科技有限公司 | 一种体素化3D网络voxel-encoder与VFE基于FPGA的实现算法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204449A (zh) * | 2016-07-06 | 2016-12-07 | 安徽工业大学 | 一种基于对称深度网络的单幅图像超分辨率重建方法 |
| CN106683048A (zh) * | 2016-11-30 | 2017-05-17 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
| CN107154023A (zh) * | 2017-05-17 | 2017-09-12 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
| CN107480772A (zh) * | 2017-08-08 | 2017-12-15 | 浙江大学 | 一种基于深度学习的车牌超分辨率处理方法及系统 |
| CN107481192A (zh) * | 2017-08-11 | 2017-12-15 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、存储介质、计算机程序和电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9789344B2 (en) * | 2013-11-15 | 2017-10-17 | 2442033 Ontario Inc. | Method, system and use for therapeutic ultrasound |
-
2018
- 2018-05-24 CN CN201810510757.3A patent/CN108961161B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204449A (zh) * | 2016-07-06 | 2016-12-07 | 安徽工业大学 | 一种基于对称深度网络的单幅图像超分辨率重建方法 |
| CN106683048A (zh) * | 2016-11-30 | 2017-05-17 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
| CN107154023A (zh) * | 2017-05-17 | 2017-09-12 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
| CN107480772A (zh) * | 2017-08-08 | 2017-12-15 | 浙江大学 | 一种基于深度学习的车牌超分辨率处理方法及系统 |
| CN107481192A (zh) * | 2017-08-11 | 2017-12-15 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、存储介质、计算机程序和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108961161A (zh) | 2018-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3869387A1 (en) | Method and device for three-dimensional image semantic segmentation, terminal and storage medium | |
| CN111369440B (zh) | 模型训练、图像超分辨处理方法、装置、终端及存储介质 | |
| CN111476719B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
| CN110574077A (zh) | 利用虚拟三维深层神经网络的影像分析装置及方法 | |
| CN111161269B (zh) | 图像分割方法、计算机设备和可读存储介质 | |
| CN112435309A (zh) | 一种基于深度学习的增强ct图像质量和分辨率的方法 | |
| CN111862251B (zh) | 医学图像重建技术的方法、装置、存储介质和电子设备 | |
| US20230386048A1 (en) | Ultrasound image segmentation method and apparatus, terminal device, and storage medium | |
| CN113706388B (zh) | 图像超分辨率重建方法及装置 | |
| CN113256529B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
| CN107862665B (zh) | Ct图像序列的增强方法及装置 | |
| CN110211205B (zh) | 图像处理方法、装置、设备和存储介质 | |
| CN112308866A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN108961161B (zh) | 一种图像数据处理方法、装置和计算机存储介质 | |
| CN113920213A (zh) | 基于长距离注意力模型重建的多层磁共振成像方法及装置 | |
| CN111652921A (zh) | 一种单目深度预测模型的生成方法及单目深度预测方法 | |
| CN111951165A (zh) | 图像处理方法、装置、计算机设备和计算机可读存储介质 | |
| CN113487536A (zh) | 图像分割方法、计算机设备和存储介质 | |
| CN116797590A (zh) | 一种基于机器视觉的Mura缺陷检测方法及系统 | |
| CN111161386A (zh) | 超声图像的渲染方法、装置及超声设备 | |
| US11455755B2 (en) | Methods and apparatus for neural network based image reconstruction | |
| CN113053496B (zh) | 一种用于医学图像低剂量估计的深度学习方法 | |
| CN111369425B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
| CN110545373B (zh) | 空间环境的感知方法及装置 | |
| CN107657610B (zh) | 一种基于计盒方法的ct扫描结果分析方法 |
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 |