CN109036522B - 图像处理方法、装置、设备及可读存储介质 - Google Patents
图像处理方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN109036522B CN109036522B CN201810695269.4A CN201810695269A CN109036522B CN 109036522 B CN109036522 B CN 109036522B CN 201810695269 A CN201810695269 A CN 201810695269A CN 109036522 B CN109036522 B CN 109036522B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- full convolution
- interest
- structure model
- 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 34
- 239000012634 fragment Substances 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 19
- 238000012417 linear regression Methods 0.000 claims abstract description 16
- 238000000280 densification Methods 0.000 claims description 69
- 238000006243 chemical reaction Methods 0.000 claims description 35
- 238000001514 detection method Methods 0.000 claims description 29
- 230000009466 transformation Effects 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 12
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 20
- 230000001575 pathological effect Effects 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 12
- 230000008520 organization Effects 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20101—Interactive definition of point of interest, landmark or seed
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像处理方法、装置、设备及可读存储介质。所述图像处理方法包括:接收待处理图像,对所述待处理图像进行区域划分处理,得到各个感兴趣区域;调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段,其中,所述预存的全卷积网络结构模型包括以相等价的卷积层取代线性回归层的全卷积结构,且所述预存的全卷积网络结构模型移除了全卷积结构中的空白填充操作层以及上采样层;对所述各个概率图像片段进行合成处理,得到目标概率图像。本发明解决现有病理图像进行高密度预测过程计算冗余度高,造成病理图像的处理效率低的技术问题。
Description
技术领域
本发明涉及图像技术领域,尤其涉及一种图像处理方法、装置、设备及可读存储介质。
背景技术
目前,病理图像处理的具体过程大都是通过一个滑动窗框不断地滑动以截取图片块,并将截取的图片块输入至特定的卷积神经网络(Convolutional Neural Networks,简称CNN)中,得到各个图片块的预测值,最后拼接形成整个概率图,然而,由于滑动窗框不断地滑动截取图片块过程中,不可避免的存在重叠冗余区域,因而导致预测过程计算冗余度高,造成病理图像的处理效率较低。
发明内容
本发明的主要目的在于提供一种图像处理方法、装置、设备及可读存储介质,旨在解决现有病理图像概率预测过程计算冗余度高,造成病理图像的处理效率低的技术问题。
为实现上述目的,本发明提供一种图像处理方法,所述图像处理方法包括:
接收待处理图像,对所述待处理图像进行区域划分处理,得到各个感兴趣区域;
调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段,其中,所述预存的全卷积网络结构模型包括以相等价的卷积层取代线性回归层的全卷积结构,且所述预存的全卷积网络结构模型移除了全卷积结构中的空白填充操作层以及上采样层;
对所述各个概率图像片段进行合成处理,得到目标概率图像。
可选地,所述调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段步骤包括:
获取设置的增密参数,基于所述增密参数,得到感兴趣区域的拓展规则以及所述预存的全卷积网络结构模型对应的模型转化规则;
基于所述拓展规则对所述各个感兴趣区域进行拓展截取处理,得到各个拓展图像;
基于所述模型转化规则,对所述预存的全卷积网络结构模型进行模型转化处理,得到全卷积网络转化结构模型;
通过所述全卷积网络转化结构模型对所述各个拓展图像进行增密检测,得到各个概率图像片段。
可选地,所述模型转化规则包括回溯卷积规则;
所述基于所述增密参数,得到感兴趣区域的拓展规则以及所述预存的全卷积网络结构模型对应的模型转化规则步骤还包括:
基于所述增密参数,获取得到增密倍数以及等价扫描步长,以计算得到感兴趣区域的拓展规则;
基于所述增密参数,获取预存的全卷积网络结构模型各层转化所需的锚点步长、卷积核移动距离以及卷积膨胀率参数,以得到回溯卷积规则。
可选地,所述调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段步骤包括:
获取设置的偏移增密系数以及偏移增密维度信息,以计算所述各个感兴趣区域对应的偏移次数以及单次偏移单位长度;
基于所述偏移次数以及单次偏移单位长度对所述各个感兴趣区域进行偏移处理,得到各个偏移后的感兴趣区域;
调用预存的全卷积网络结构模型对所述偏移后的感兴趣区域进行检测,得到各个偏移概率图像片段;
所述对所述各个概率图像片段进行合成处理,得到目标概率图像步骤包括:
对所述各个概率图像片段进行交错拼接处理,以重构得到增密概率图像;
将所述增密概率图像作为目标概率图像。
可选地,所述接收待处理图像,对所述待处理图像进行区域划分处理,得到各个感兴趣区域步骤包括:
接收待处理图像,基于自适应阈值最大类间方差法检索得到所述待处理图像的组织区域;
获取当前显存容量,基于当前显存容量的大小,对所述组织区域进行分治处理,得到各个感兴趣区域。
可选地,所述对所述各个概率图像片段进行合成处理,得到目标概率图像步骤之后还包括:
通过形态学开运算规则,对所述目标概率图像进行奇异点移除处理;
输出进行奇异点移除处理后的所述目标概率图像。
可选地,所述调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段步骤还包括:
调用预存的全卷积网络结构模型对所述各个感兴趣区域进行并行化检测处理,得到各个概率图像片段。
本发明还提供一种图像处理装置,所述图像处理装置包括:
接收模块,用于接收待处理图像,对所述待处理图像进行区域划分处理,得到各个感兴趣区域;
检测模块,用于调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段,其中,所述预存的全卷积网络结构模型包括以相等价的卷积层取代线性回归层的全卷积结构,且所述预存的全卷积网络结构模型移除了全卷积结构中的空白填充操作层以及上采样层;
合成模块,用于对所述各个概率图像片段进行合成处理,得到目标概率图像。
可选地,所述检测模块包括:
第一获取单元,用于获取设置的增密参数,基于所述增密参数,得到感兴趣区域的拓展规则以及所述预存的全卷积网络结构模型对应的模型转化规则;
拓展单元,用于基于所述拓展规则对所述各个感兴趣区域进行拓展截取处理,得到各个拓展图像;
第二获取单元,用于基于所述模型转化规则,对所述预存的全卷积网络结构模型进行模型转化处理,得到全卷积网络转化结构模型;
增密单元,用于通过所述全卷积网络转化结构模型对所述各个拓展图像进行增密检测,得到各个概率图像片段。
可选地,述模型转化规则包括回溯卷积规则;
所述第一获取单元包括:
第一获取子单元,用于基于所述增密参数,获取得到增密倍数以及等价扫描步长,以计算得到感兴趣区域的拓展规则;
第二获取子单元,用于基于所述增密参数,获取预存的全卷积网络结构模型各层转化所需的锚点步长、卷积核移动距离以及卷积膨胀率参数,以得到回溯卷积规则。
可选地,所述检测模块还包括:
第三获取单元,用于获取设置的偏移增密系数以及偏移增密维度信息,以计算所述各个感兴趣区域对应的偏移次数以及单次偏移单位长度;
偏移单元,用于基于所述偏移次数以及单次偏移单位长度对所述各个感兴趣区域进行偏移处理,得到各个偏移后的感兴趣区域;
第四获取单元,用于调用预存的全卷积网络结构模型对所述偏移后的感兴趣区域进行检测,得到各个偏移概率图像片段;
所述合成模块还包括:
拼接处理单元,用于对所述各个概率图像片段进行交错拼接处理,以重构得到增密概率图像;
第五获取单元,用于将所述增密概率图像作为目标概率图像。
可选地,所述接收模块包括:
接收单元,用于接收待处理图像,基于自适应阈值最大类间方差法检索得到所述待处理图像的组织区域;
第六获取单元,用于获取当前显存容量,基于当前显存容量的大小,对所述组织区域进行分治处理,得到各个感兴趣区域。
可选地,所述图像处理装置还包括:
奇异点移除模块,用于通过形态学开运算规则,对所述目标概率图像进行奇异点移除处理;
输出模块,用于输出进行奇异点移除处理后的所述目标概率图像。
可选地,所述检测模块还包括:
并行化检测单元,用于调用预存的全卷积网络结构模型对所述各个感兴趣区域进行并行化检测处理,得到各个概率图像片段。
此外,为实现上述目的,本发明还提供一种图像处理设备,所述图像处理设备包括:存储器、处理器,通信总线以及存储在所述存储器上的图像处理程序,
所述通信总线用于实现处理器与存储器间的通信连接;
所述处理器用于执行所述图像处理程序,以实现以下步骤:
接收待处理图像,对所述待处理图像进行区域划分处理,得到各个感兴趣区域;
调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段,其中,所述预存的全卷积网络结构模型包括以相等价的卷积层取代线性回归层的全卷积结构,且所述预存的全卷积网络结构模型移除了全卷积结构中的空白填充操作层以及上采样层;
对所述各个概率图像片段进行合成处理,得到目标概率图像。
可选地,所述调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段步骤包括:
获取设置的增密参数,基于所述增密参数,得到感兴趣区域的拓展规则以及所述预存的全卷积网络结构模型对应的模型转化规则;
基于所述拓展规则对所述各个感兴趣区域进行拓展截取处理,得到各个拓展图像;
基于所述模型转化规则,对所述预存的全卷积网络结构模型进行模型转化处理,得到全卷积网络转化结构模型;
通过所述全卷积网络转化结构模型对所述各个拓展图像进行增密检测,得到各个概率图像片段。
可选地,所述模型转化规则包括回溯卷积规则;
所述基于所述增密参数,得到感兴趣区域的拓展规则以及所述预存的全卷积网络结构模型对应的模型转化规则步骤还包括:
基于所述增密参数,获取得到增密倍数以及等价扫描步长,以计算得到感兴趣区域的拓展规则;
基于所述增密参数,获取预存的全卷积网络结构模型各层转化所需的锚点步长、卷积核移动距离以及卷积膨胀率参数,以得到回溯卷积规则。
可选地,所述调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段步骤包括:
获取设置的偏移增密系数以及偏移增密维度信息,以计算所述各个感兴趣区域对应的偏移次数以及单次偏移单位长度;
基于所述偏移次数以及单次偏移单位长度对所述各个感兴趣区域进行偏移处理,得到各个偏移后的感兴趣区域;
调用预存的全卷积网络结构模型对所述偏移后的感兴趣区域进行检测,得到各个偏移概率图像片段;
所述对所述各个概率图像片段进行合成处理,得到目标概率图像步骤包括:
对所述各个概率图像片段进行交错拼接处理,以重构得到增密概率图像;
将所述增密概率图像作为目标概率图像。
可选地,所述接收待处理图像,对所述待处理图像进行区域划分处理,得到各个感兴趣区域步骤包括:
接收待处理图像,基于自适应阈值最大类间方差法检索得到所述待处理图像的组织区域;
获取当前显存容量,基于当前显存容量的大小,对所述组织区域进行分治处理,得到各个感兴趣区域。
可选地,所述对所述各个概率图像片段进行合成处理,得到目标概率图像步骤之后还包括:
通过形态学开运算规则,对所述目标概率图像进行奇异点移除处理;
输出进行奇异点移除处理后的所述目标概率图像。
可选地,所述调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段步骤还包括:
调用预存的全卷积网络结构模型对所述各个感兴趣区域进行并行化检测处理,得到各个概率图像片段。
此外,为实现上述目的,本发明还提供一种可读存储介质,所述可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序可被一个或者一个以上的处理器执行以用于:
接收待处理图像,对所述待处理图像进行区域划分处理,得到各个感兴趣区域;
调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段,其中,所述预存的全卷积网络结构模型包括以相等价的卷积层取代线性回归层的全卷积结构,且所述预存的全卷积网络结构模型移除了全卷积结构中的空白填充操作层以及上采样层;
对所述各个概率图像片段进行合成处理,得到目标概率图像。
本发明通过接收待处理图像,对所述待处理图像进行区域划分处理,得到各个感兴趣区域;调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段,其中,所述预存的全卷积网络结构模型包括以相等价的卷积层取代线性回归层的全卷积结构,且所述预存的全卷积网络结构模型移除了全卷积结构中的空白填充操作层以及上采样层;对所述各个概率图像片段进行合成处理,得到目标概率图像。在本申请中,预存的全卷积网络结构模型与传统的卷积网络结构模型不同,该预存的全卷积网络结构模型包括以相等价的卷积层取代线性回归层的全卷积结构,且所述预存的全卷积网络结构模型移除了全卷积结构中的空白填充操作层以及上采样层,因而本申请对所述各个感兴趣区域进行全卷积处理,且在全卷积处理过程中不对所述各个感兴趣区域进行空白填充操作,因而能够实现大尺寸图像的处理,由于能够处理大尺寸图像,因而图片冗余截取次数少,降低预测过程计算冗余度,提升病理图像的处理效率。因而解决了现有导致预测过程计算冗余度高,造成病理图像的处理效率降低。
附图说明
图1为本发明图像处理方法第一实施例的流程示意图;
图2为本发明图像处理方法调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段的细化流程示意图;
图3是本发明实施例方法涉及的硬件运行环境的设备结构示意图;
图4是本发明图像处理方法中得到组织区域的第一场景示意图;
图5是本发明图像处理方法对组织区域进行分治处理,最后得到概率图像的第二场景示意图;
图6是本发明图像处理方法转化后的全卷积网络结构模型处理感兴趣区域的第三场景示意图;
图7是本发明图像处理方法中锚点回溯卷积的第四场景示意图;
图8是本发明图像处理方法中基于转化后的全卷积网络结构模型,增密检测感兴趣区域的第五场景示意图;
图9是本发明图像处理方法中基于转化后的全卷积网络结构模型,拼接增密检测感兴趣区域的第六场景示意图。
本发明目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种图像处理方法,在本发明图像处理方法的第一实施例中,参照图1,所述图像处理方法包括:
接收待处理图像,对所述待处理图像进行区域划分处理,得到各个感兴趣区域;调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段,其中,所述预存的全卷积网络结构模型包括以相等价的卷积层取代线性回归层的全卷积结构,且所述预存的全卷积网络结构模型移除了全卷积结构中的空白填充操作层以及上采样层;对所述各个概率图像片段进行合成处理,得到目标概率图像。具体步骤如下:
步骤S10,接收待处理图像,对所述待处理图像进行区域划分处理,得到各个感兴趣区域;
需要说明的是,本发明图像处理方法应用于病理图像的处理。
具体地,步骤S10包括:
步骤S11,接收待处理图像,基于自适应阈值最大类间方差法检索得到所述待处理图像的组织区域;
步骤S12,获取当前显存容量,基于当前显存容量的大小,对所述组织区域进行分治处理,得到各个感兴趣区域。
在本实施例中,在接收到待处理图像后,对所述待处理图像进行区域划分处理,得到各个感兴趣区域,在得到各个感兴趣区域过程中,是基于“分-治”的图像处理流程得到的,该“分-治”的图像处理流程具体如图4所示,首先,接收待处理图像,并基于自适应阈值最大类间方差法,在低分辨率的区-5(Level-5)上检索得到组织区域,其中,自适应阈值最大类间方差法,即是将所述待处理图像按照灰度特征分成图像和背景两类,以提取特征信息,以得到组织区域,在得到组织区域后,将组织区域定位到高分辨率的区-0(Level-0)上,在定位组织区域后,将整个组织区域进行分治处理,分治处理即是将组织区域分成特定形状的感兴趣区域,其中,需要说明的是,在得到各个感兴趣区域之前,获取当前对应图像处理设备对应的显存容量,基于当前显存容量的大小,对所述组织区域进行分治处理,得到各个感兴趣区域,即在实际图像处理过程中,感兴趣区域根据显存容量而放大或者缩小到对应尺寸,削减计算过程中的冗余部分,以实现快速对感兴趣区域进行预测,得到预测的概率图像。
步骤S20,调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段,其中,所述预存的全卷积网络结构模型包括以相等价的卷积层取代线性回归层的全卷积结构,且所述预存的全卷积网络结构模型移除了全卷积结构中的空白填充操作层以及上采样层;
所述调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段步骤包括:
调用预存的全卷积网络结构模型对所述各个感兴趣区域进行并行化检测处理,得到各个概率图像片段。
在本实施例中,不再是通过现有的VGG-16等模型进行图像的检测,其中,VGG-16模型是牛津大学计算机视觉组(Visual Geometry Group)研发的深度卷积神经网络模型,而是通过预存的全卷积网络结构模型对所述各个感兴趣区域进行并行检测处理,与现有的VGG-16等模型相比较,预存的全卷积网络结构模型是一种新型模型,其中,该预存的全卷积网络结构模型对应全卷积结构中不包括空白填充操作层以及所有上采样层,即该预存的全卷积网络结构模型不再对各个感兴趣区域进行空白填充操作,以及上采样操作,另外,预存的全卷积网络结构模型包括以相等价的卷积层取代线性回归层的全卷积结构,用以具体实施例进行说明,与VGG-16等卷积模型相比,VGG-16等卷积模型中的线性回归层替换成1x1xn形状的卷积层,以完成对感兴趣区域进行全卷积处理,具体场景如图6所示,在该图中,layer指的是卷积层,imput输入的图像可以为感兴趣区域,kernel size指的是卷积核的大小,Stride为步长,每个conv表示一层卷积层如第一层存在两层卷积层conv1_1、conv1_2、第三层存在两层卷积层conv3_1、conv3_2、conv3_3,pool指的是池化,pool1、pool2分别指的是第一次池化,第二次池化,在该场景示意图中,首先对感兴趣区域以3*3的卷积核的大小进行2次卷积处理,在卷积处理后,再进行激活池化,通过多次的卷积、激活池化后,最后得到概率图像片段。由于不对所述各个感兴趣区域进行空白填充(padding)操作,且对所述各个感兴趣区域进行全卷积处理,因而能够实现处理大尺寸图像,实现图片冗余截取次数少,降低预测过程计算冗余度,提升病理图像的处理效率。
需要说明的是,为避免在提升病理图像的处理效率后所带来的扫描精度或者是扫描密度降低,进而减弱预存的全卷积网络结果模型的敏感度的问题,在本实施例中,通过对预存的全卷积网络结果模型进行模型转化的方式,实现对待处理图像的增密检测,其中,具体的增密倍数或者增密程度取决于待处理图像的检测需求。
具体地,如图2所示,所述调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段步骤包括:
步骤S21,获取设置的增密参数,基于所述增密参数,得到感兴趣区域的拓展规则以及所述预存的全卷积网络结构模型对应的模型转化规则;
待处理图像不同,增密参数不同,具体地,该增密参数可以是检测人员在阅读待处理图像后,根据检测需求确定并输入的,而根据增密参数可以得到拓展规则以及所述预存的全卷积网络结构模型对应的模型转化规则。
具体地,所述模型转化规则包括回溯卷积规则,所述步骤S21包括:
步骤S211,基于所述增密参数,获取得到增密倍数以及等价扫描步长,以计算得到感兴趣区域的拓展规则;
步骤S212,基于所述增密参数,获取预存的全卷积网络结构模型各层转化所需的锚点步长、卷积核移动距离以及卷积膨胀率参数,以得到回溯卷积规则。
步骤S22,基于所述拓展规则对所述各个感兴趣区域进行拓展截取处理,得到各个拓展图像;
步骤S23,基于所述模型转化规则,对所述预存的全卷积网络结构模型进行模型转化处理,得到全卷积网络转化结构模型;
步骤S24,通过所述全卷积网络转化结构模型对所述各个拓展图像进行增密检测,得到各个概率图像片段。
在本实施例中,以通过回溯卷积规则进行模型转化,得到回溯全卷积网络结构模型为例进行具体说明,但是本申请模型转化规则并不限于回溯卷积规则,整体地,回溯全卷积网络结构模型包括锚点回溯层(Anchor Layer或者AnchLayer),其中,锚点回溯层具体包括锚点回溯卷积层AnchConv以及锚点回溯降采样层AnchPool,不同于现有的卷积/降采样层,锚点回溯层增加了各层转化对应锚点步长Sa、卷积核移动距离da以及卷积膨胀率(dilation rate)的参数设置,以回溯卷积层为例,在每次回溯迭代过程中,如图7所示,卷积核以距离da来完成对应迭代过程的卷积操作,然后该卷积核将回溯到相应锚点位置进行下一次迭代的卷积操作,需要说明的是,在该回溯迭代过程中,锚点每次在向前行进Sa步长长度,而卷积膨胀率通过卷积核的间隔采样计算,以最终实现对所述各个感兴趣区域进行检测处理。
具体地,通过回溯全卷积网络结构模型进行感兴趣区域的增密检测过程之前,首先需要通过拓展规则先对各个感兴趣区域进行拓展截取,其中,各个感兴趣区域的拓展规则是基于所述增密参数,获取得到增密倍数以及等价扫描步长后,通过增密倍数以及等价扫描步长计算得到的,拓展规则主要包括需要拓展截取的拓展长度,拓展截取的拓展长度是相对于VGG-16等传统模型对应待处理图像的截取长度而言的,其中,对各个感兴趣区域进行拓展截取的扩展长度可以为Le=(α-1)×Sf/α,α是增密倍数,Sf是预存的全卷积网络结构模型与VGG-16等传统滑窗模型相比较,对应等价的扫描步长即等价扫描步长,也就是说,该预存的全卷积网络结构模型扫描步长1/α倍小于传统滑窗模型的扫描步长,具体地,当传统滑窗模型对应等价扫描步长为Sf=32,欲增密扫描步长为S’f=16,即α=2,则其扩展长度应定义为Le=(α-1)×Sf/α=24。需要说明的是,由于具体的扩展规则是在模型转化前即确定的,因而,在接收到感兴趣区域后,获取并基于该扩展规则,并对所述各个感兴趣区域进行拓展截取处理,即可得到各个拓展图像。
在得到各个拓展图像后,获取设置的所述各个拓展图像对应的增密参数,基于所述增密参数,得到所述预存的全卷积网络结构模型对应的模型转化规则,该模型转化规则可以是回溯卷积规则,具体地,通过获取设置的锚点步长、卷积核移动距离以及卷积膨胀率参数,即可得到回溯卷积规则,在本实施例中,回溯卷积规则对应的参数设置应当满足条件:
其中,α是增密系数,Sa为模型转化后得到的回溯全卷积网络结构模型对应的锚点步长,Ss为模型转化前预存的全卷积网络模型对应的卷积核步长,da为模型转化后得到的回溯全卷积网络结构模型对应的卷积核移动距离,通过回溯卷积规则模型转化处理后得到回溯全卷积网络结构模型,通过回溯全卷积网络结构模型对所述各个拓展图像进行增密检测,得到各个概率图像片段。其中,在通过模型转化处理后得到的回溯全卷积网络结构模型,对所述各个拓展图像进行增密检测后,可以得到αN倍的增密概率图(N为维度数),具体场景过程如图8所示,其中,每个conv表示一层卷积层。
其中,需要说明的是,在进行模型转化前,还可以包括原卷积层保留阶段,即是若预存的全卷积网络结构模型对拓展图像的卷积和降采样计算可以正常进行,则预存的全卷积网络结构模型对应的原卷积层和降采样层无需作任何结构改变,其结构得以保留。在对拓展图像的卷积和降采样计算不能正常进行时,如无法对拓展图像再继续卷积和降采样时,再进行模型转化处理即进行卷积层转化处理。
在本实施例中,通过基于模型转化后的增密检测,能够在提高病理图像的处理效率的同时,确保扫描精度或者是扫描密度,避免模型的敏感度降低。
步骤S30,对所述各个概率图像片段进行合成处理,得到目标概率图像。
在本实施例中,对所述各个概率图像片段进行合成处理,得到目标概率图像,其中,目标概率图像为最终的全局概率图,另外,所述对所述各个概率图像进行合成处理,得到目标概率图像步骤之后还包括:
通过形态学开运算规则,对所述目标概率图像进行奇异点移除处理;
输出进行奇异点移除处理后的所述目标概率图像。
其中,具体如图5所示,通过形态学开运算规则,得到目标概率图像中的奇异点,并对奇异点移除处理,在移除奇异点后,输出进行奇异点移除处理后的所述目标概率图像。其中,进行奇异点移除处理属于现有技术,在此不做具体说明。
本发明通过接收待处理图像,对所述待处理图像进行区域划分处理,得到各个感兴趣区域;调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段,其中,所述预存的全卷积网络结构模型包括以相等价的卷积层取代线性回归层的全卷积结构,且所述预存的全卷积网络结构模型移除了全卷积结构中的空白填充操作层以及上采样层;对所述各个概率图像片段进行合成处理,得到目标概率图像。在本申请中,预存的全卷积网络结构模型与传统的卷积网络结构模型不同,该预存的全卷积网络结构模型包括以相等价的卷积层取代线性回归层的全卷积结构,且所述预存的全卷积网络结构模型移除了全卷积结构中的空白填充操作层以及上采样层,因而本申请对所述各个感兴趣区域进行全卷积处理,且在全卷积处理过程中不对所述各个感兴趣区域进行空白填充操作,因而能够实现大尺寸图像的处理,由于能够处理大尺寸图像,因而图片冗余截取次数少,降低预测过程计算冗余度,提升病理图像的处理效率。因而解决了现有导致预测过程计算冗余度高,造成病理图像的处理效率降低。
进一步地,本发明提供图像处理方法的另一实施例,在该实施例中,所述调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段步骤包括:
步骤S25,获取设置的偏移增密系数以及偏移增密维度信息,以计算所述各个感兴趣区域对应的偏移次数以及单次偏移单位长度;
步骤S26,基于所述偏移次数以及单次偏移单位长度对所述各个感兴趣区域进行偏移处理,得到各个偏移后的感兴趣区域;
步骤S27,调用预存的全卷积网络结构模型对所述偏移后的感兴趣区域进行检测,得到各个偏移概率图像片段;
其中,所述对所述各个概率图像片段进行合成处理,得到目标概率图像步骤包括:
步骤S31,对所述各个概率图像片段进行交错拼接处理,以重构得到增密概率图像;
步骤S32,将所述增密概率图像作为目标概率图像。
在本实施例中,如图9所示,提出了另一种增密处理图像策略,具体地,获取设置的偏移增密系数以及偏移增密维度信息,计算得到所述各个感兴趣区域对应的偏移次数以及单次偏移单位长度;基于所述偏移次数以及单次偏移单位长度对所述各个感兴趣区域进行偏移处理,得到各个偏移后的感兴趣区域;其中,需要说明的是,单次偏移单位长度是相对于模型转化前预存的全卷积网络结构模型而言的,若模型转化前预存的全卷积网络结构模型对应滑动步长为Sf=32,维度N=2、增密系数α=2,该维度、增密系数,滑动步长是预先设置或者获取的,则偏移次数=(α-1)=1,单次偏移单位长度=Sf/α=32/2=16,共取得αN=22=4个不同偏移量下的偏移感兴趣区域,要说明的是,在处理感兴趣区域时,具体的偏移次数以及单次偏移单位长度是已经设置好的,因而,在接收到感兴趣区域后,直接根据偏移次数以及单次偏移单位长度对所述各个感兴趣区域进行偏移处理处理即可,在偏移处理后,各个偏移感兴趣区域,将偏移感兴趣区域输入至预存的全卷积网络结构模型中以进行检测,得到各个偏移概率图像片段,具体对所述各个偏移感兴趣区域进行检测的过程与上述第一实施例基本相同,在此不再赘述。
需要说明的是,在各个偏移概率图像片段后,所述对所述各个概率图像片段进行合成处理,得到目标概率图像步骤包括:
对所述各个概率图像片段进行交错拼接处理,以重构得到增密概率图像;
将所述增密概率图像作为目标概率图像。
在本实施例中,如图9所示,为维度N=2,增密系数α=2的增密示意图,在得到各个第二类概率图像后,将αN个第二类概率图像进行交错拼接,从而重构出增密的概率图像,通过交错拼接不会增加图像处理设备的显存,在本实施例中,能够在提高病理图像的处理效率的同时,确保扫描精度或者是扫描密度,避免模型的敏感度降低。
需要说明的是,在本申请中,可以在对待处理图像的各个感兴趣区域进行偏移处理,得到各个偏移后的感兴趣区域后,再输入至模型转化后得到的全卷积网络转化结构模型中,以通过全卷积网络转化结构模型对各个偏移后的感兴趣区域进行增密检测。
参照图3,图3是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明实施例图像处理设备可以是PC,便携计算机,也可以是移动终端等终端设备。
如图3所示,该图像处理设备可以包括:处理器1001,例如CPU,存储器1005,通信总线1002。其中,通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地,该图像处理设备还可以包括用户接口、网络接口、摄像头、RF(RadioFrequency,射频)电路,传感器、音频电路、WiFi模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图3中示出的图像处理设备结构并不构成对图像处理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图3所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及图像处理程序。操作系统是管理和控制图像处理设备硬件和软件资源的程序,支持图像处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与图像处理设备中其它硬件和软件之间通信。
在图3所示的图像处理设备中,处理器1001用于执行存储器1005中存储的图像处理程序,实现上述任一项所述的图像处理方法的步骤。
本发明图像处理设备具体实施方式与上述图像处理方法各实施例基本相同,在此不再赘述。
本发明还提供一种图像处理装置,所述图像处理装置包括:
接收模块,用于接收待处理图像,对所述待处理图像进行区域划分处理,得到各个感兴趣区域;
检测模块,用于调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段,其中,所述预存的全卷积网络结构模型包括以相等价的卷积层取代线性回归层的全卷积结构,且所述预存的全卷积网络结构模型移除了全卷积结构中的空白填充操作层以及上采样层;
合成模块,用于对所述各个概率图像片段进行合成处理,得到目标概率图像。
本发明图像处理装置具体实施方式与上述图像处理方法各实施例基本相同,在此不再赘述。
本发明提供了一种可读存储介质,所述可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的图像处理方法的步骤。
本发明可读存储介质具体实施方式与上述图像处理方法各实施例基本相同,在此不再赘述。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利处理范围内。
Claims (9)
1.一种图像处理方法,其特征在于,所述图像处理方法包括:
接收待处理图像,对所述待处理图像进行区域划分处理,得到各个感兴趣区域;
调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段,其中,所述预存的全卷积网络结构模型包括以相等价的卷积层取代线性回归层的全卷积结构,且所述预存的全卷积网络结构模型移除了全卷积结构中的空白填充操作层以及上采样层;
对所述各个概率图像片段进行合成处理,得到目标概率图像;
其中,所述调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段的步骤包括:
获取设置的增密参数,基于所述增密参数,得到感兴趣区域的拓展规则以及所述预存的全卷积网络结构模型对应的模型转化规则;
基于所述拓展规则对所述各个感兴趣区域进行拓展截取处理,得到各个拓展图像;
基于所述模型转化规则,对所述预存的全卷积网络结构模型进行模型转化处理,得到全卷积网络转化结构模型;
通过所述全卷积网络转化结构模型对所述各个拓展图像进行增密检测,得到各个概率图像片段。
2.如权利要求1所述的图像处理方法,其特征在于,所述模型转化规则包括回溯卷积规则;
所述基于所述增密参数,得到感兴趣区域的拓展规则以及所述预存的全卷积网络结构模型对应的模型转化规则步骤还包括:
基于所述增密参数,获取得到增密倍数以及等价扫描步长,以计算得到感兴趣区域的拓展规则;
基于所述增密参数,获取预存的全卷积网络结构模型各层转化所需的锚点步长、卷积核移动距离以及卷积膨胀率参数,以得到回溯卷积规则。
3.如权利要求1所述的图像处理方法,其特征在于,所述调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段步骤包括:
获取设置的偏移增密系数以及偏移增密维度信息,以计算所述各个感兴趣区域对应的偏移次数以及单次偏移单位长度;
基于所述偏移次数以及单次偏移单位长度对所述各个感兴趣区域进行偏移处理,得到各个偏移后的感兴趣区域;
调用预存的全卷积网络结构模型对所述偏移后的感兴趣区域进行检测,得到各个偏移概率图像片段;
所述对所述各个概率图像片段进行合成处理,得到目标概率图像步骤包括:
对所述各个概率图像片段进行交错拼接处理,以重构得到增密概率图像;
将所述增密概率图像作为目标概率图像。
4.如权利要求1所述的图像处理方法,其特征在于,所述接收待处理图像,对所述待处理图像进行区域划分处理,得到各个感兴趣区域步骤包括:
接收待处理图像,基于自适应阈值最大类间方差法检索得到所述待处理图像的组织区域;
获取当前显存容量,基于当前显存容量的大小,对所述组织区域进行分治处理,得到各个感兴趣区域。
5.如权利要求1所述的图像处理方法,其特征在于,所述对所述各个概率图像片段进行合成处理,得到目标概率图像步骤之后还包括:
通过形态学开运算规则,对所述目标概率图像进行奇异点移除处理;
输出进行奇异点移除处理后的所述目标概率图像。
6.如权利要求1-5任一项所述的图像处理方法,其特征在于,所述调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段步骤还包括:
调用预存的全卷积网络结构模型对所述各个感兴趣区域进行并行化检测处理,得到各个概率图像片段。
7.一种图像处理装置,其特征在于,所述图像处理装置包括:
接收模块,用于接收待处理图像,对所述待处理图像进行区域划分处理,得到各个感兴趣区域;
检测模块,用于调用预存的全卷积网络结构模型对所述各个感兴趣区域进行检测,得到各个概率图像片段,其中,所述预存的全卷积网络结构模型包括以相等价的卷积层取代线性回归层的全卷积结构,且所述预存的全卷积网络结构模型移除了全卷积结构中的空白填充操作层以及上采样层;
合成模块,用于对所述各个概率图像片段进行合成处理,得到目标概率图像;
其中,所述检测模块包括:
第一获取单元,用于获取设置的增密参数,基于所述增密参数,得到感兴趣区域的拓展规则以及所述预存的全卷积网络结构模型对应的模型转化规则;
拓展单元,用于基于所述拓展规则对所述各个感兴趣区域进行拓展截取处理,得到各个拓展图像;
第二获取单元,用于基于所述模型转化规则,对所述预存的全卷积网络结构模型进行模型转化处理,得到全卷积网络转化结构模型;
增密单元,用于通过所述全卷积网络转化结构模型对所述各个拓展图像进行增密检测,得到各个概率图像片段。
8.一种图像处理设备,其特征在于,所述图像处理设备包括:存储器、处理器,通信总线以及存储在所述存储器上的图像处理程序,
所述通信总线用于实现处理器与存储器间的通信连接;
所述处理器用于执行所述图像处理程序,以实现如权利要求1至6中任一项所述的图像处理方法的步骤。
9.一种可读存储介质,其特征在于,所述可读存储介质上存储有图像处理程序,所述图像处理程序被处理器执行时实现如权利要求1-76中任一项所述的图像处理方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810695269.4A CN109036522B (zh) | 2018-06-28 | 2018-06-28 | 图像处理方法、装置、设备及可读存储介质 |
PCT/CN2018/105235 WO2020000665A1 (zh) | 2018-06-28 | 2018-09-12 | 图像处理方法、装置、设备及可读存储介质 |
US16/405,928 US10943347B2 (en) | 2018-06-28 | 2019-05-07 | Image processing method, apparatus, and non-transitory readable storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810695269.4A CN109036522B (zh) | 2018-06-28 | 2018-06-28 | 图像处理方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109036522A CN109036522A (zh) | 2018-12-18 |
CN109036522B true CN109036522B (zh) | 2021-08-17 |
Family
ID=65520969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810695269.4A Active CN109036522B (zh) | 2018-06-28 | 2018-06-28 | 图像处理方法、装置、设备及可读存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10943347B2 (zh) |
CN (1) | CN109036522B (zh) |
WO (1) | WO2020000665A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419292B (zh) * | 2020-11-30 | 2024-03-26 | 深圳云天励飞技术股份有限公司 | 病理图像的处理方法、装置、电子设备及存储介质 |
CN112613519B (zh) * | 2020-12-18 | 2023-11-24 | 浙江大华技术股份有限公司 | 图像分割方法、网络的训练方法、电子设备及存储介质 |
TW202336577A (zh) | 2022-01-05 | 2023-09-16 | 以色列商紐羅布萊德有限公司 | 處理系統 |
WO2023161725A1 (en) | 2022-02-28 | 2023-08-31 | Neuroblade Ltd. | Processing systems |
TW202406056A (zh) | 2022-05-25 | 2024-02-01 | 以色列商紐羅布萊德有限公司 | 處理系統及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578054A (zh) * | 2017-09-27 | 2018-01-12 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN107748867A (zh) * | 2017-10-20 | 2018-03-02 | 北京小米移动软件有限公司 | 目标对象的检测方法及装置 |
CN108022242A (zh) * | 2016-11-02 | 2018-05-11 | 通用电气公司 | 使用深度学习的先验的自动化分割 |
CN108171711A (zh) * | 2018-01-17 | 2018-06-15 | 深圳市唯特视科技有限公司 | 一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法 |
CN108198179A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种生成对抗网络改进的ct医学图像肺结节检测方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574859B (zh) * | 2015-12-14 | 2018-08-21 | 中国科学院深圳先进技术研究院 | 一种基于ct图像的肝脏肿瘤分割方法及装置 |
US9760807B2 (en) * | 2016-01-08 | 2017-09-12 | Siemens Healthcare Gmbh | Deep image-to-image network learning for medical image analysis |
US10528848B2 (en) * | 2016-11-04 | 2020-01-07 | Case Western Reserve University | Histomorphometric classifier to predict cardiac failure from whole-slide hematoxylin and eosin stained images |
US10380741B2 (en) * | 2016-12-07 | 2019-08-13 | Samsung Electronics Co., Ltd | System and method for a deep learning machine for object detection |
US10262237B2 (en) * | 2016-12-08 | 2019-04-16 | Intel Corporation | Technologies for improved object detection accuracy with multi-scale representation and training |
CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持系统和方法 |
CN107545571A (zh) * | 2017-09-22 | 2018-01-05 | 深圳天琴医疗科技有限公司 | 一种图像检测方法及装置 |
US10521699B2 (en) * | 2017-10-12 | 2019-12-31 | Lawrence Livermore National Security, Llc | Multi-scale deep learning system |
US10692243B2 (en) * | 2017-12-03 | 2020-06-23 | Facebook, Inc. | Optimizations for dynamic object instance detection, segmentation, and structure mapping |
KR102585216B1 (ko) * | 2017-12-14 | 2023-10-05 | 삼성전자주식회사 | 영상 인식 방법 및 그 장치 |
US10699414B2 (en) * | 2018-04-03 | 2020-06-30 | International Business Machines Corporation | Image segmentation based on a shape-guided deformable model driven by a fully convolutional network prior |
-
2018
- 2018-06-28 CN CN201810695269.4A patent/CN109036522B/zh active Active
- 2018-09-12 WO PCT/CN2018/105235 patent/WO2020000665A1/zh active Application Filing
-
2019
- 2019-05-07 US US16/405,928 patent/US10943347B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108022242A (zh) * | 2016-11-02 | 2018-05-11 | 通用电气公司 | 使用深度学习的先验的自动化分割 |
CN107578054A (zh) * | 2017-09-27 | 2018-01-12 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN107748867A (zh) * | 2017-10-20 | 2018-03-02 | 北京小米移动软件有限公司 | 目标对象的检测方法及装置 |
CN108198179A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种生成对抗网络改进的ct医学图像肺结节检测方法 |
CN108171711A (zh) * | 2018-01-17 | 2018-06-15 | 深圳市唯特视科技有限公司 | 一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2020000665A1 (zh) | 2020-01-02 |
CN109036522A (zh) | 2018-12-18 |
US10943347B2 (en) | 2021-03-09 |
US20200005453A1 (en) | 2020-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109036522B (zh) | 图像处理方法、装置、设备及可读存储介质 | |
US20210158533A1 (en) | Image processing method and apparatus, and storage medium | |
CN110058685B (zh) | 虚拟对象的显示方法、装置、电子设备和计算机可读存储介质 | |
CN106203376B (zh) | 人脸关键点定位方法及装置 | |
CN110189246B (zh) | 图像风格化生成方法、装置及电子设备 | |
Zhan et al. | Achieving on-mobile real-time super-resolution with neural architecture and pruning search | |
CN111047602A (zh) | 图像分割方法、装置及终端设备 | |
CN111028237A (zh) | 图像分割方法、装置及终端设备 | |
CN111062981A (zh) | 图像处理方法、装置及存储介质 | |
CN110298851B (zh) | 人体分割神经网络的训练方法及设备 | |
CN110008997B (zh) | 图像纹理相似度识别方法、装置及计算机可读存储介质 | |
CN107644423B (zh) | 基于场景分割的视频数据实时处理方法、装置及计算设备 | |
CN110211195B (zh) | 生成图像集合的方法、装置、电子设备和计算机可读存储介质 | |
CN103250166A (zh) | 用于提供手部检测的方法和装置 | |
CN111178217A (zh) | 人脸图像的检测方法及设备 | |
CN112598673A (zh) | 全景分割方法、装置、电子设备和计算机可读介质 | |
CN111191553A (zh) | 人脸跟踪方法、装置及电子设备 | |
CN110197459B (zh) | 图像风格化生成方法、装置及电子设备 | |
CN116993812A (zh) | 冠脉血管中心线的提取方法、装置、设备及存储介质 | |
CN110322388B (zh) | 池化方法及装置、池化系统、计算机可读存储介质 | |
CN114584709B (zh) | 变焦特效的生成方法、装置、设备及存储介质 | |
CN110580274B (zh) | 一种gis数据渲染方法 | |
KR102206792B1 (ko) | 병렬 특징 피라미드를 이용한 네트워크 영상 내 잡음 제거 방법, 이를 수행하기 위한 기록 매체 및 장치 | |
CN115761248B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN114419322B (zh) | 一种图像实例分割方法、装置、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 |