CN110473226A - 图像处理网络的训练方法、计算机设备及可读存储介质 - Google Patents
图像处理网络的训练方法、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN110473226A CN110473226A CN201910650441.9A CN201910650441A CN110473226A CN 110473226 A CN110473226 A CN 110473226A CN 201910650441 A CN201910650441 A CN 201910650441A CN 110473226 A CN110473226 A CN 110473226A
- Authority
- CN
- China
- Prior art keywords
- image
- training sample
- result
- difference value
- sample image
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种图像处理网络的训练方法、计算机设备及可读存储介质。该方法包括:获取多个训练样本图像,该多个训练样本图像为多组断层图像;将多个训练样本图像输入初始图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果;计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,以及计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,并根据上述损失和差异值对初始图像处理网络进行训练。由于该方法在计算训练样本图像的图像处理结果的损失时,考虑了相邻层训练样本图像的图像处理结果之间的差异值,同时也没有减少训练样本图像的数量,大大提高了训练得到的网络精度。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图像处理网络的训练方法、计算机设备及可读存储介质。
背景技术
在医疗领域中,通常需要采集病人的医学影像来供医生做进一步的检测与确诊,目前比较常用的成像技术包括电子计算机断层扫描成像(Computed Tomography,CT)、核磁共振成像(Nuclear Magnetic Resonance Imaging,MRI)、正电子发射型计算机断层成像(Positron Emission Computed Tomography,PET)等,这些成像技术得到的医学影像通常为多层二维图像。以检测脑部影像中的出血灶为例,医生的检测结果直接影响病人的后续治疗,那么检测结果的精确性尤为重要。
因此,已有深度学习网络应用于医学影像检测过程来辅助医生对脑部出血灶的检测,传统技术中使用的深度学习网络包括2D网络和3D网络,而在将深度学习网络应用于临床出血灶检测之前,需先对深度学习网络进行训练以达到收敛。在训练2D网络时,通常将多层二维数据分别输入该网络进行训练,但是其忽略了层与层之间的连续结构信息,这样训练得到的网络精度较低;在训练3D网络时,是将多层二维图像组合为三维图像输入该网络进行训练,虽然考虑了层与层之间的连续结构信息,但会使得训练数据量大大减少,这样训练得到的网络精度同样较低。
发明内容
基于此,有必要针对传统技术对深度学习网络训练时得到的网络精度较低的问题,提供一种图像处理网络的训练方法、计算机设备及可读存储介质。
第一方面,本申请实施例提供一种图像处理网络的训练方法,包括:
获取多个训练样本图像,该多个训练样本图像为多组断层图像;
将多个训练样本图像输入初始图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果;
计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,以及计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,并根据上述损失和差异值对初始图像处理网络进行训练。
在其中一个实施例中,图像处理结果包括根据第一处理目标得到的第一结果和根据第二处理目标得到的第二结果,上述计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,包括:
计算当前层训练样本图像的第一结果与当前层相邻的训练样本图像的第一结果之间的第一差异值,以及当前层训练样本图像的第二结果与当前层相邻的训练样本图像的第二结果之间的第二差异值;
将第一差异值与第二差异值进行求和操作,得到当前层训练样本图像的图像处理结果的差异值。
在其中一个实施例中,上述图像处理结果包括:分类结果、分割结果、目标检测结果,差异值包括分类结果差异值、分割结果差异值。
在其中一个实施例中,上述计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,包括:
根据L1=α×||cj-cj+1||计算分类结果差异值,其中α为分类结果差异值的权重,cj为相邻层训练样本图像中一个训练样本图像的分类结果,cj+1为相邻层训练样本图像中另外一个训练样本图像的分类结果;
以及,根据L2=β×||sj-sj+1||计算分割结果差异值,其中β为分割结果差异值的权重,sj为相邻层训练样本图像中一个训练样本图像的分割结果,sj+1为相邻层训练样本图像中另外一个训练样本图像的分割结果。
在其中一个实施例中,上述训练样本图像为脑部断层图像,分类结果为脑部出血类别,分割结果为背景区域与脑出血区域的分割结果,目标检测结果为出血点的位置。
在其中一个实施例中,上述初始图像处理网络为新搭建的图像处理网络或者经过预训练的图像处理网络;当初始图像处理网络为经过预训练的图像处理网络时,在将多个训练样本图像输入初始图像处理网络进行图像处理之前,上述方法还包括:
将多个训练样本图像输入第一图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果;
计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,并根据该损失对第一图像处理网络进行训练,得到初始图像处理网络。
在其中一个实施例中,上述相邻层训练样本图像为相邻的n层训练样本图像,n≥2。
第二方面,本申请实施例提供一种图像处理方法,包括:
获取待处理图像;
将待处理图像输入图像处理网络进行图像处理,得到待处理图像的图像处理结果;其中,图像处理网络的训练方法包括:
获取多个训练样本图像,多个训练样本图像为多组断层图像;
将多个训练样本图像输入初始图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果;
计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,以及计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,并根据上述损失和差异值对初始图像处理网络进行训练。
第三方面,本申请实施例提供一种图像处理网络的训练装置,包括:
第一获取模块,用于获取多个训练样本图像,该多个训练样本图像为多组断层图像;
第一处理模块,用于将多个训练样本图像输入初始图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果;
训练模块,用于计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,以及计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,并根据上述损失和差异值对初始图像处理网络进行训练。
第四方面,本申请实施例提供一种图像处理装置,包括:
第二获取模块,用于获取待处理图像;
第二处理模块,用于将待处理图像输入图像处理网络进行图像处理,得到待处理图像的图像处理结果。
第五方面,本申请实施例提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取多个训练样本图像,该多个训练样本图像为多组断层图像;
将多个训练样本图像输入初始图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果;
计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,以及计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,并根据上述损失和差异值对初始图像处理网络进行训练。
第六方面,本申请实施例还提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取待处理图像;
将待处理图像输入图像处理网络进行图像处理,得到待处理图像的图像处理结果;其中,图像处理网络的训练方法包括:
获取多个训练样本图像,多个训练样本图像为多组断层图像;
将多个训练样本图像输入初始图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果;
计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,以及计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,并根据上述损失和差异值对初始图像处理网络进行训练。
第七方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取多个训练样本图像,该多个训练样本图像为多组断层图像;
将多个训练样本图像输入初始图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果;
计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,以及计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,并根据上述损失和差异值对初始图像处理网络进行训练。
第八方面,本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待处理图像;
将待处理图像输入图像处理网络进行图像处理,得到待处理图像的图像处理结果;其中,图像处理网络的训练方法包括:
获取多个训练样本图像,多个训练样本图像为多组断层图像;
将多个训练样本图像输入初始图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果;
计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,以及计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,并根据上述损失和差异值对初始图像处理网络进行训练。
上述图像处理网络的训练方法、图像处理方法、装置、计算机设备及可读存储介质,首先获取多个训练样本图像,然后将多个训练样本图像输入初始图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果,再计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,以及计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,并根据该损失和差异值对初始图像处理网络进行训练。由于该方法在计算训练样本图像的图像处理结果的损失时,除了考虑图像处理结果和对应的金标准之间的损失之外,还考虑了同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,即是说考虑了层与层之间的连续结构信息;同时该方法使用一组训练样本图像进行训练时,也并没有减少训练样本图像的数量,由此大大提高了训练得到的网络精度。
附图说明
图1为一个实施例提供的图像处理网络的训练方法的流程示意图;
图1a为一个实施例提供的Mask-RCNN网络的网络示意图;
图2为另一个实施例提供的图像处理网络的训练方法的流程示意图;
图3为又一个实施例提供的图像处理网络的训练方法的流程示意图;
图4为一个实施例提供的图像处理方法的流程示意图;
图5为一个实施例提供的图像处理网络的训练装置的结构示意图;
图6为另一个实施例提供的图像处理网络的训练装置的结构示意图;
图7为一个实施例提供的图像处理装置的结构示意图;
图8为一个实施例提供的计算机设备的内部结构示意图。
具体实施方式
本申请实施例提供的图像处理网络的训练方法,可以适用于进行图像处理的深度学习网络模型的训练过程,该深度学习网络模型可以为图像分类网络模型、图像分割网络模型、目标检测网络模型等,也可以为同时具有多任务功能的网络模型。需要进行处理的图像可以为二维断层图像,如CT图像、PET图像、MRI图像等,这些图像可以作为训练数据对深度学习网络模型进行训练。传统技术使用二维断层图像进行训练时,忽略了层与层之间的连续结构信息;使用二维断层图像组合的三维图像进行训练时,会使得训练数据量大大减少,这样都会导致训练得到的网络精度较低。本申请提供的图像处理网络的训练方法、计算机设备及可读存储介质,旨在解决上述技术问题。
为了使本申请的目的、技术方案及优点更加清楚明白,通过下述实施例并结合附图,对本申请实施例中的技术方案进行进一步的详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,下述方法实施例的执行主体可以是图像处理网络的训练装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明,该计算机设备可以是终端,也可以是服务器,可以为单独的计算设备,也可以集成于医学成像设备上,只要能完成深度学习网络模型的训练即可,本实施例对此不做限定。
图1为一个实施例提供的图像处理网络的训练方法的流程示意图。本实施例涉及的是计算机设备利用获取的训练样本图像对初始图像处理网络进行训练的具体过程。如图1所示,该方法包括:
S101,获取多个训练样本图像,该多个训练样本图像为多组断层图像。
具体的,计算机设备首先获取多个训练样本图像,该多个训练样本图像可以为多组二维断层图像。可选的,该断层图像可以为CT图像、PET图像、MRI图像等,可以是脑部断层图像、胸部断层图像、腹部断层图像等。可选的,多组断层图像还可以为具有不同层距和层厚的断层图像。可选的,计算机设备获取训练样本图像的方式可以为从计算机设备的存储器中直接调取。
S102,将多个训练样本图像输入初始图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果。
具体的,计算机设备将上述训练样本图像输入初始图像处理网络进行图像处理,可选的,该初始图像处理网络可以为新搭建的网络,也可以为经过预训练的网络,其可以是图像分类网络、图像分割网络、目标检测网络,也可以是同时具有图像分类和图像分割功能、图像分类和目标检测功能、图像分割和目标检测功能的网络,还可以是同时具有这三种功能的网络;例如,可以是VGG(Visual Geometry Group)网络、ResNet(Residual NeuralNetwork)网络、UNet(U-Net:Convolutional Networks for Biomedical ImageSegmentation)网络等。相应的,根据初始图像处理网络的不同,可以得到对应的图像处理结果。
示例性的,假设本实施例中初始图像处理网络为Mask-RCNN网络,其中,Mask-RCNN网络为具有多任务功能的循环卷积神经网络,可以实现图像分类、图像分割和目标检测的功能,其网络示意图可以参见图1a所示。当训练样本图像输入Mask-RCNN网络后,首先经过一个特征金字塔网络(Feature Pyramid Network,FPN),该网络会通过卷积模块将训练样本图像处理成不同尺度的图像,每个尺度的图像可以提取出相同尺度的特征图,然后将顶层最小尺度的特征图放大两倍与下一层特征图进行融合,以此类推,可以得到与训练样本图像相同尺度的特征图。FPN生成的特征图之后经过区域候选网络(Region ProposalNetwork,RPN),该网络会将不同尺寸的滑窗应用在上述特征图上,计算出包含目标对象的感兴趣区域(Region of Interest,ROI),RPN生成的每一个ROI都会通过区域整合模块进行尺寸调整,得到固定尺寸的区域特征图。最后区域特征图经过卷积层、反卷积层及全连接层,可以得到对应区域的分类结果、分割结果以及目标检测结果。
可选的,上述训练样本图像输入初始图像处理网络进行图像处理之前,计算机设备还可以对训练样本图像进行预处理。以该训练样本图像为脑部断层图像为例,由于脑部图像中头骨通常为高亮信号,造成脑组织内的对比度相对较低,影响检测精度,因此计算机设备可以首先对训练样本图像进行去头骨处理;可选的,计算机设备可以将每组二维脑部断层图像进行组合,得到三维脑部图像,然后使用VNet网络对三维脑部图像进行分割,以去除头骨结构。可选的,计算机设备还可以利用阈值提取、连通域提取等方法去除头骨。然后计算机设备可以对去头骨后的三维脑部图像进行图像标准化,是由于在成像过程中病人的头部移动或设备因素,导致图像中头部的位置有偏移;可选的,计算机设备可以采用主成分分析方法对头部的偏转角度进行计算,并对整个图像数据进行旋转矫正;还可以利用刚性配准、柔性配准等方法进行图像标准化。最后,计算机设备对标准化后的三维脑部图像进行拆分,得到多个预处理后的二维脑部断层图像,然后便可以将预处理后的二维脑部断层图像输入初始图像处理网络进行图像处理。可选的,根据使用的不同初始图像处理网络对输入的图像尺寸的不同要求,还可以将二维脑部断层图像进行背景填充,得到符合要求的图像尺寸。
S103,计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,以及计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,并根据上述损失和差异值对初始图像处理网络进行训练。
具体的,在深度学习网络模型训练过程中,训练样本图像对应的金标准即该图像对应的已标注好的图像处理结果,计算机设备可以将每个训练样本图像的图像处理结果和其对应的金标准进行对比,计算两者之间的损失,若图像处理结果包括多种结果,则可以将多种结果对应的损失相加,得到该训练样本图像的图像处理结果的总损失。除此之外,由于上述多个训练样本图像为多组断层图像,那么每组断层图像为具有一定连续信息的多层图像,因此本实施例中计算机设备还计算每组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值。最后计算机设备根据得到的全部损失值和差异值利用反向传播梯度方法对初始图像处理网络中的网络参数进行调整,以此循环训练,直至图像处理网络达到收敛状态。
可选的,假设初始图像处理网络为图像分类网络,计算得到的图像处理结果为分类结果,那么该结果的总损失为L分类+L分类差异;假设初始图像处理网络为上述的Mask-RCNN网络,计算得到的图像处理结果为分类结果、分割结果、目标检测结果,那么该结果的总损失为L分类+L分割+L检测+L分类差异+L分割差异,其中,L分类为分类结果的损失,L分割为分割结果的损失,L检测为目标检测结果的损失,L分类差异为相邻层训练样本图像的分类结果差异值,L分割差异为相邻层训练样本图像的分割结果差异值。
可选的,上述相邻层训练样本图像可以为相邻的n层(n≥2)训练样本图像,即可以是相邻的两层训练样本图像,三层训练样本图像,还可以是相邻的更多层训练样本图像。当为相邻的三层训练样本图像时,上述差异值为相邻层差异值和间隔层差异值的和,相邻层差异值为第j层图像处理结果与第j+1层图像处理结果之间的差异值,间隔层差异值为第j层图像处理结果与第j+2层图像处理结果之间的差异值,其中,第j层为上述三层训练样本图像中的第一层训练样本图像。
本实施例提供的图像处理网络的训练方法,计算机设备首先获取多个训练样本图像,然后将多个训练样本图像输入初始图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果,再计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,以及计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,并根据该损失和差异值对初始图像处理网络进行训练。由于该方法在计算训练样本图像的图像处理结果的损失时,除了考虑图像处理结果和对应的金标准之间的损失之外,还考虑了同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,即是说考虑了层与层之间的连续结构信息;同时该方法使用一组训练样本图像进行训练时,也并没有减少训练样本图像的数量,由此大大提高了训练得到的网络精度。
可选的,在其中一些实施例中,上述图像处理结果包括根据第一处理目标得到的第一结果和根据第二处理目标得到的第二结果,以图像的分类结果和分割结果为例,图像分类为第一处理目标,图像分割为第二处理目标,则第一结果为分类结果,第二结果为分割结果,那么上述计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,包括:
计算当前层训练样本图像的第一结果与当前层相邻的训练样本图像的第一结果之间的第一差异值,以及当前层训练样本图像的第二结果与当前层相邻的训练样本图像的第二结果之间的第二差异值;将第一差异值与第二差异值进行求和操作,得到当前层训练样本图像的图像处理结果之间的差异值。
具体的,上述图像处理结果包括第一结果和第二结果,那么计算机设备需要计算当前层训练样本图像与相邻的训练样本图像的第一结果之间的差异值以及当前层训练样本图像与相邻的训练样本图像的第二结果之间的差异值,然后将两个差异值求和即为当前层训练样本图像的图像处理结果之间的差异值。例如上述例子中计算机设备可以计算当前层训练样本图像的分类结果之间的差异值和分割结果之间的差异值。
可选的,在其中一些实施例中,上述计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,包括:
根据L1=α×||cj-cj+1||计算分类结果差异值,其中α为分类结果差异值的权重,cj为相邻层训练样本图像中一个训练样本图像的分类结果,cj+1为相邻层训练样本图像中另外一个训练样本图像的分类结果;以及,根据L2=β×||sj-sj+1||计算分割结果差异值,其中β为分割结果差异值的权重,sj为相邻层训练样本图像中一个训练样本图像的分割结果,sj+1为相邻层训练样本图像中另外一个训练样本图像的分割结果。
可选的,上述训练样本图像为脑部断层图像时,分类结果可以为脑部出血类别,如脑实质出血、脑室内出血、硬膜下出血、硬膜外出血及蛛网膜下腔出血等;分割结果可以为训练样本图像中背景区域与脑出血区域的分割结果,其中,可以为像素级分割结果,即每个像素属于背景区域或脑部区域;目标检测结果可以为脑部出血点的位置。
图2为另一个实施例提供的图像处理网络的训练方法的流程示意图。本实施例涉及的是当上述初始图像处理网络为经过预训练的图像处理网络时,计算机设备得到预训练的图像处理网络的具体过程。可选的,在上述实施例的基础上,如图2所示,上述方法还包括:
S201,将多个训练样本图像输入第一图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果;
S202,计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,并根据损失对第一图像处理网络进行训练,得到初始图像处理网络。
具体的,本实施例中第一图像处理网络为新搭建的网络,计算机设备可以先将多个训练样本图像输入到该网络中,根据得到的图像处理结果和对应的金标准,对第一图像处理网络进行训练,将训练收敛的网络作为初始图像处理网络。本实施例中,第一图像处理网络的网络类型与上述实施例中初始图像处理网络的网络类型相对应,即若初始图像处理网络为多任务功能的网络,则第一图像处理网络也为多任务功能的网络。在计算训练样本图像的图像处理结果和对应的金标准之间的损失时,计算机设备可以将多个结果的损失相加得到总损失。这样,可以先使得初始图像处理网络学习了断层图像中的层内信息,然后再进行层间信息的学习,进一步提高了训练得到的网络精度。
图3为又一个实施例提供的图像处理网络的训练方法的流程示意图。本实施例涉及的是计算机设备对训练收敛的图像处理网络进行测试的具体过程。可选的,在上述实施例的基础上,如图3所示,上述方法还包括:
S301,获取多个测试图像,多个测试图像为多组断层图像。
S302,将多个测试图像输入图像处理网络进行图像处理,得到多个测试图像的图像处理结果。
S303,根据多个测试图像的图像处理结果和对应的金标准,得到测试结果。
为了使训练的图像处理网络有更好的图像处理性能,可以对上述训练得到的图像处理网络进行测试,具体的,在准备训练样本图像数据时,可以将一定比例的数据集作为测试图像,计算机设备将测试图像输入训练后的图像处理网络中,得到多个测试图像的图像处理结果,该过程计算机设备的处理方式可以参见上述实施例的描述。然后计算机设备根据测试图像的图像处理结果和对应的金标准,得到测试结果。其中,该测试结果可以用来验证图像处理网络是否达到预定的标准,若达到标准,则可以将该图像处理网络作为测试通过的图像处理网络;若未达到标准,则可以继续进行训练过程。
本实施例提供的图像处理网络的训练方法,在得到训练后的图像处理网络后,再对该网络进行测试,可使得训练的图像处理网络具有更好的图像处理性能。
在将上述图像处理网络训练完成之后,我们便可以利用该图像处理网络进行图像的图像处理,图4所示为本申请一个实施例提供的图像处理方法的流程示意图,该方法包括:
S401,获取待处理图像。
S402,将待处理图像输入图像处理网络进行图像处理,得到待处理图像的图像处理结果;其中,图像处理网络的训练方法包括:获取多个训练样本图像,多个训练样本图像为多组断层图像;将多个训练样本图像输入初始图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果;计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,以及计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,并根据上述损失和差异值对初始图像处理网络进行训练。
具体的,计算机设备获取到待处理图像后,可以将其输入图像处理网络进行图像处理,得到待处理图像的图像处理结果。而关于该图像处理网络的训练过程,可以参见上述实施例所示的方法,在此不再赘述。
应该理解的是,虽然图1-图4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-图4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图5为一个实施例提供的图像处理网络的训练装置的结构示意图。如图5所示,该装置包括:第一获取模块11、第一处理模块12和训练模块13。
具体的,第一获取模块11,用于获取多个训练样本图像,该多个训练样本图像为多组断层图像。
第一处理模块12,用于将多个训练样本图像输入初始图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果。
训练模块13,用于计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,以及计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,并根据上述损失和差异值对初始图像处理网络进行训练。
本实施例提供的图像处理网络的训练装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,上述图像处理结果包括根据第一处理目标得到的第一结果和根据第二处理目标得到的第二结果,上述训练模块13,具体用于计算当前层训练样本图像的第一结果与当前层相邻的训练样本图像的第一结果之间的第一差异值,以及当前层训练样本图像的第二结果与当前层相邻的训练样本图像的第二结果之间的第二差异值;并将第一差异值与第二差异值进行求和操作,得到当前层训练样本图像的图像处理结果的差异值。
在其中一个实施例中,上述图像处理结果包括:分类结果、分割结果、目标检测结果,差异值包括分类结果差异值、分割结果差异值。
在其中一个实施例中,上述训练模块13,具体用于根据L1=α×||cj-cj+1||计算分类结果差异值,其中α为分类结果差异值的权重,cj为相邻层训练样本图像中一个训练样本图像的分类结果,cj+1为相邻层训练样本图像中另外一个训练样本图像的分类结果;以及,根据L2=β×||sj-sj+1||计算分割结果差异值,其中β为分割结果差异值的权重,sj为相邻层训练样本图像中一个训练样本图像的分割结果,sj+1为相邻层训练样本图像中另外一个训练样本图像的分割结果。
在其中一个实施例中,上述训练样本图像为脑部断层图像,分类结果为脑部出血类别,分割结果为背景区域与脑出血区域的分割结果,目标检测结果为出血点的位置。
图6为另一个实施例提供的图像处理网络的训练装置的结构示意图。上述初始图像处理网络为新搭建的图像处理网络或者经过预训练的图像处理网络;当初始图像处理网络为经过预训练的图像处理网络时,在上述图5所示实施例的基础上,如图6所示,该装置还包括:预处理模块14和预训练模块15。
具体的,预处理模块14,用于将多个训练样本图像输入第一图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果。
预训练模块15,用于计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,并根据该损失对第一图像处理网络进行训练,得到初始图像处理网络。
本实施例提供的图像处理网络的训练装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,上述相邻层训练样本图像为相邻的n层训练样本图像,n≥2。
图7为一个实施例提供的图像处理装置的结构示意图。如图7所示,该装置包括:第二获取模块16和第二处理模块17。
第二获取模块16,用于获取待处理图像。
第二处理模块17,用于将待处理图像输入图像处理网络进行图像处理,得到待处理图像的图像处理结果。其中,图像处理网络的训练过程可以参见上述图像处理网络的训练装置实施例的实现过程。
关于图像处理网络的训练装置和图像处理装置的具体限定可以参见上文中对于图像处理网络的训练方法和图像处理方法的限定,在此不再赘述。上述图像处理网络的训练装置和图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像处理网络的训练方法或图像处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取多个训练样本图像,该多个训练样本图像为多组断层图像;
将多个训练样本图像输入初始图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果;
计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,以及计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,并根据上述损失和差异值对初始图像处理网络进行训练。
本实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,图像处理结果包括根据第一处理目标得到的第一结果和根据第二处理目标得到的第二结果,处理器执行计算机程序时还实现以下步骤:
计算当前层训练样本图像的第一结果与当前层相邻的训练样本图像的第一结果之间的第一差异值,以及当前层训练样本图像的第二结果与当前层相邻的训练样本图像的第二结果之间的第二差异值;
将第一差异值与第二差异值进行求和操作,得到当前层训练样本图像的图像处理结果之间的差异值。
在一个实施例中,上述图像处理结果包括:分类结果、分割结果、目标检测结果,差异值包括分类结果差异值、分割结果差异值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据L1=α×||cj-cj+1||计算分类结果差异值,其中α为分类结果差异值的权重,cj为相邻层训练样本图像中一个训练样本图像的分类结果,cj+1为相邻层训练样本图像中另外一个训练样本图像的分类结果;
以及,根据L2=β×||sj-sj+1||计算分割结果差异值,其中β为分割结果差异值的权重,sj为相邻层训练样本图像中一个训练样本图像的分割结果,sj+1为相邻层训练样本图像中另外一个训练样本图像的分割结果。
在一个实施例中,上述训练样本图像为脑部断层图像,分类结果为脑部出血类别,分割结果为背景区域与脑出血区域的分割结果,目标检测结果为出血点的位置。
在一个实施例中,上述初始图像处理网络为新搭建的图像处理网络或者经过预训练的图像处理网络;当初始图像处理网络为经过预训练的图像处理网络时,处理器执行计算机程序时还实现以下步骤:
将多个训练样本图像输入第一图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果;
计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,并根据该损失对第一图像处理网络进行训练,得到初始图像处理网络。
在一个实施例中,上述相邻层训练样本图像为相邻的n层训练样本图像,n≥2。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待处理图像;
将待处理图像输入图像处理网络进行图像处理,得到待处理图像的图像处理结果;其中,图像处理网络的训练方法包括:
获取多个训练样本图像,多个训练样本图像为多组断层图像;
将多个训练样本图像输入初始图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果;
计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,以及计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,并根据上述损失和差异值对初始图像处理网络进行训练。
本实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取多个训练样本图像,该多个训练样本图像为多组断层图像;
将多个训练样本图像输入初始图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果;
计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,以及计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,并根据上述损失和差异值对初始图像处理网络进行训练。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,图像处理结果包括根据第一处理目标得到的第一结果和根据第二处理目标得到的第二结果,计算机程序被处理器执行时还实现以下步骤:
计算当前层训练样本图像的第一结果与当前层相邻的训练样本图像的第一结果之间的第一差异值,以及当前层训练样本图像的第二结果与当前层相邻的训练样本图像的第二结果之间的第二差异值;
将第一差异值与第二差异值进行求和操作,得到当前层训练样本图像的图像处理结果之间的差异值。
在一个实施例中,上述图像处理结果包括:分类结果、分割结果、目标检测结果,差异值包括分类结果差异值、分割结果差异值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据L1=α×||cj-cj+1||计算分类结果差异值,其中α为分类结果差异值的权重,cj为相邻层训练样本图像中一个训练样本图像的分类结果,cj+1为相邻层训练样本图像中另外一个训练样本图像的分类结果;
以及,根据L2=β×||sj-sj+1||计算分割结果差异值,其中β为分割结果差异值的权重,sj为相邻层训练样本图像中一个训练样本图像的分割结果,sj+1为相邻层训练样本图像中另外一个训练样本图像的分割结果。
在一个实施例中,上述训练样本图像为脑部断层图像,分类结果为脑部出血类别,分割结果为背景区域与脑出血区域的分割结果,目标检测结果为出血点的位置。
在一个实施例中,上述初始图像处理网络为新搭建的图像处理网络或者经过预训练的图像处理网络;当初始图像处理网络为经过预训练的图像处理网络时,计算机程序被处理器执行时还实现以下步骤:
将多个训练样本图像输入第一图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果;
计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,并根据该损失对第一图像处理网络进行训练,得到初始图像处理网络。
在一个实施例中,上述相邻层训练样本图像为相邻的n层训练样本图像,n≥2。
在一个实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待处理图像;
将待处理图像输入图像处理网络进行图像处理,得到待处理图像的图像处理结果;其中,图像处理网络的训练方法包括:
获取多个训练样本图像,多个训练样本图像为多组断层图像;
将多个训练样本图像输入初始图像处理网络进行图像处理,得到多个训练样本图像的图像处理结果;
计算多个训练样本图像的图像处理结果和对应的金标准之间的损失,以及计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,并根据上述损失和差异值对初始图像处理网络进行训练。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像处理网络的训练方法,其特征在于,包括:
获取多个训练样本图像,所述多个训练样本图像为多组断层图像;
将所述多个训练样本图像输入初始图像处理网络进行图像处理,得到所述多个训练样本图像的图像处理结果;
计算所述多个训练样本图像的图像处理结果和对应的金标准之间的损失,以及计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,并根据所述损失和所述差异值对所述初始图像处理网络进行训练。
2.根据权利要求1所述的方法,其特征在于,所述图像处理结果包括根据第一处理目标得到的第一结果和根据第二处理目标得到的第二结果,所述计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,包括:
计算当前层训练样本图像的第一结果与所述当前层相邻的训练样本图像的第一结果之间的第一差异值,以及当前层训练样本图像的第二结果与所述当前层相邻的训练样本图像的第二结果之间的第二差异值;
将所述第一差异值与所述第二差异值进行求和操作,得到所述当前层训练样本图像的图像处理结果的差异值。
3.根据权利要求1所述的方法,其特征在于,所述图像处理结果包括:分类结果、分割结果、目标检测结果,所述差异值包括分类结果差异值、分割结果差异值。
4.根据权利要求3所述的方法,其特征在于,所述计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,包括:
根据L1=α×||cj-cj+1||计算所述分类结果差异值,其中所述α为所述分类结果差异值的权重,所述cj为所述相邻层训练样本图像中一个训练样本图像的分类结果,所述cj+1为所述相邻层训练样本图像中另外一个训练样本图像的分类结果;
以及,根据L2=β×||sj-sj+1||计算所述分割结果差异值,其中所述β为所述分割结果差异值的权重,所述sj为所述相邻层训练样本图像中一个训练样本图像的分割结果,所述sj+1为所述相邻层训练样本图像中另外一个训练样本图像的分割结果。
5.根据权利要求3或4所述的方法,其特征在于,所述训练样本图像为脑部断层图像,所述分类结果为脑部出血类别,所述分割结果为背景区域与脑出血区域的分割结果,所述目标检测结果为出血点的位置。
6.根据权利要求1所述的方法,其特征在于,所述初始图像处理网络为新搭建的图像处理网络或者经过预训练的图像处理网络;当所述初始图像处理网络为经过预训练的图像处理网络时,在将所述多个训练样本图像输入初始图像处理网络进行图像处理之前,所述方法还包括:
将所述多个训练样本图像输入第一图像处理网络进行图像处理,得到所述多个训练样本图像的图像处理结果;
计算所述多个训练样本图像的图像处理结果和对应的金标准之间的损失,并根据所述损失对所述第一图像处理网络进行训练,得到所述初始图像处理网络。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述相邻层训练样本图像为相邻的n层训练样本图像,所述n≥2。
8.一种图像处理方法,其特征在于,包括:
获取待处理图像;
将所述待处理图像输入图像处理网络进行图像处理,得到所述待处理图像的图像处理结果;其中,所述图像处理网络的训练方法包括:
获取多个训练样本图像,所述多个训练样本图像为多组断层图像;
将所述多个训练样本图像输入初始图像处理网络进行图像处理,得到所述多个训练样本图像的图像处理结果;
计算所述多个训练样本图像的图像处理结果和对应的金标准之间的损失,以及计算同一组训练样本图像中相邻层训练样本图像的图像处理结果之间的差异值,并根据所述损失和所述差异值对所述初始图像处理网络进行训练。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求8所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求8所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910650441.9A CN110473226B (zh) | 2019-07-18 | 2019-07-18 | 图像处理网络的训练方法、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910650441.9A CN110473226B (zh) | 2019-07-18 | 2019-07-18 | 图像处理网络的训练方法、计算机设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110473226A true CN110473226A (zh) | 2019-11-19 |
CN110473226B CN110473226B (zh) | 2022-03-01 |
Family
ID=68508122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910650441.9A Active CN110473226B (zh) | 2019-07-18 | 2019-07-18 | 图像处理网络的训练方法、计算机设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110473226B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080584A (zh) * | 2019-12-03 | 2020-04-28 | 上海联影智能医疗科技有限公司 | 医学图像的质控方法、计算机设备和可读存储介质 |
CN111814833A (zh) * | 2020-06-11 | 2020-10-23 | 浙江大华技术股份有限公司 | 票据处理模型的训练方法及图像处理方法、图像处理设备 |
CN111951272A (zh) * | 2020-07-02 | 2020-11-17 | 上海联影智能医疗科技有限公司 | 脑部影像的分割方法、装置、计算机设备和可读存储介质 |
CN112927172A (zh) * | 2021-05-10 | 2021-06-08 | 北京市商汤科技开发有限公司 | 图像处理网络的训练方法和装置、电子设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1658220A (zh) * | 2003-12-11 | 2005-08-24 | 索尼英国有限公司 | 目标检测 |
CN101539990A (zh) * | 2008-03-20 | 2009-09-23 | 中国科学院自动化研究所 | 一种虹膜图像鲁棒特征选择和快速比对的方法 |
CN104715483A (zh) * | 2015-03-20 | 2015-06-17 | 中国科学院自动化研究所 | 肺部ct影像病变组织的自动分割方法 |
US20170116498A1 (en) * | 2013-12-04 | 2017-04-27 | J Tech Solutions, Inc. | Computer device and method executed by the computer device |
CN107945140A (zh) * | 2017-12-20 | 2018-04-20 | 中国科学院深圳先进技术研究院 | 一种图像修复方法、装置及设备 |
CN108304936A (zh) * | 2017-07-12 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法和装置、表情图像分类方法和装置 |
-
2019
- 2019-07-18 CN CN201910650441.9A patent/CN110473226B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1658220A (zh) * | 2003-12-11 | 2005-08-24 | 索尼英国有限公司 | 目标检测 |
CN101539990A (zh) * | 2008-03-20 | 2009-09-23 | 中国科学院自动化研究所 | 一种虹膜图像鲁棒特征选择和快速比对的方法 |
US20170116498A1 (en) * | 2013-12-04 | 2017-04-27 | J Tech Solutions, Inc. | Computer device and method executed by the computer device |
CN104715483A (zh) * | 2015-03-20 | 2015-06-17 | 中国科学院自动化研究所 | 肺部ct影像病变组织的自动分割方法 |
CN108304936A (zh) * | 2017-07-12 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法和装置、表情图像分类方法和装置 |
CN107945140A (zh) * | 2017-12-20 | 2018-04-20 | 中国科学院深圳先进技术研究院 | 一种图像修复方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
SHUO WANG 等: "Predicting EGFR mutation status in lung adenocarcinoma on computed tomography image using deep learning", 《EUROPEAN RESPIRATORY JOURNAL》 * |
田娟秀 等: "医学图像分析深度学习方法研究与挑战", 《自动化学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080584A (zh) * | 2019-12-03 | 2020-04-28 | 上海联影智能医疗科技有限公司 | 医学图像的质控方法、计算机设备和可读存储介质 |
CN111080584B (zh) * | 2019-12-03 | 2023-10-31 | 上海联影智能医疗科技有限公司 | 医学图像的质控方法、计算机设备和可读存储介质 |
CN111814833A (zh) * | 2020-06-11 | 2020-10-23 | 浙江大华技术股份有限公司 | 票据处理模型的训练方法及图像处理方法、图像处理设备 |
CN111814833B (zh) * | 2020-06-11 | 2024-06-07 | 浙江大华技术股份有限公司 | 票据处理模型的训练方法及图像处理方法、图像处理设备 |
CN111951272A (zh) * | 2020-07-02 | 2020-11-17 | 上海联影智能医疗科技有限公司 | 脑部影像的分割方法、装置、计算机设备和可读存储介质 |
CN112927172A (zh) * | 2021-05-10 | 2021-06-08 | 北京市商汤科技开发有限公司 | 图像处理网络的训练方法和装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110473226B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110473226A (zh) | 图像处理网络的训练方法、计算机设备及可读存储介质 | |
Li et al. | Magnetic resonance image (MRI) synthesis from brain computed tomography (CT) images based on deep learning methods for magnetic resonance (MR)-guided radiotherapy | |
CN111724904A (zh) | 用于针对医学扫描的患者建模的多任务渐进式网络 | |
CN109993726A (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
US20180336677A1 (en) | Apparatus and method for medical image processing | |
CN111080584B (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
CN111179372B (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
CN110570483B (zh) | 扫描方法、装置、计算机设备和存储介质 | |
CN109767461A (zh) | 医学影像配准方法、装置、计算机设备和存储介质 | |
CN109697740A (zh) | 图像重建方法、装置和计算机设备 | |
CN109567852B (zh) | 扫描范围的确定方法、医学图像的获取方法、装置和设备 | |
CN109381205B (zh) | 用于执行数字减影血管造影的方法、混合成像装置 | |
CN109199422A (zh) | Ct预览图像重建优化方法、装置、计算机设备和存储介质 | |
CN110415310A (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
CN110111305A (zh) | 处理方案的生成方法、装置、设备和存储介质 | |
CN111028212A (zh) | 关键点检测方法、装置、计算机设备和存储介质 | |
CN111223158B (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
CN110223247B (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
CN110473285B (zh) | 图像重构方法、装置、计算机设备和存储介质 | |
CN111681297B (zh) | 图像重建方法、计算机设备和存储介质 | |
CN111161369B (zh) | 图像重建存储方法、装置、计算机设备和存储介质 | |
CN110852993B (zh) | 一种造影剂作用下的成像方法与设备 | |
CN113705807B (zh) | 神经网络的训练装置及方法,消融布针规划装置及方法 | |
CN109685796A (zh) | 医学图像处理方法、装置、设备和存储介质 | |
US20210150739A1 (en) | Capturing a misalignment |
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 |