CN110490262A - 图像处理模型生成方法、图像处理方法、装置及电子设备 - Google Patents
图像处理模型生成方法、图像处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110490262A CN110490262A CN201910778807.0A CN201910778807A CN110490262A CN 110490262 A CN110490262 A CN 110490262A CN 201910778807 A CN201910778807 A CN 201910778807A CN 110490262 A CN110490262 A CN 110490262A
- Authority
- CN
- China
- Prior art keywords
- value
- image
- coordinate
- lesion
- processed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 230000003902 lesion Effects 0.000 claims abstract description 306
- 201000010099 disease Diseases 0.000 claims description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 2
- 230000001575 pathological effect Effects 0.000 abstract description 11
- 230000004913 activation Effects 0.000 description 22
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 11
- 238000005070 sampling Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 206010035664 Pneumonia Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- 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
- 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
- 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
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种图像处理模型生成方法、图像处理方法、装置及电子设备。所述方法包括:将特定病症的多个训练样本病灶图像输入初始图像处理模型;训练样本病灶图像包括病灶区域对应的初始中心点坐标、初始长度和初始宽度;调用分类层,对每个训练样本病灶图像进行分类处理,得到每个训练样本病灶图像对应的分类概率;调用标注层,对每个训练样本病灶图像进行处理,得到每个训练样本病灶图像中所包含病灶区域的预测中心点坐标、预测长度和预测宽度;获取初始图像处理模型的损失值;在损失值处于预设范围内的情况下,将初始图像处理模型作为训练后的目标图像处理模型。本发明能够体现出病灶在病变组织上的具体位置。
Description
技术领域
本发明涉及医学技术领域,特别是涉及一种图像处理模型生成方法、一种图像处理方法、一种图像处理模型生成装置、一种图像处理装置及一种电子设备。
背景技术
近年来,随着医学成像采集设备的不断完善,以及图像处理、模式识别、机器学习等学科的不断发展,多学科交叉的医学图像处理和分析领域取得了丰硕的成果。这些成果对于辅助医生进行快速精确的诊断具有重大的意义。
目前,基于深度学习的分类算法可以很好的对疾病种类进行诊断。但是,在研究中发现,这些分类算法在医疗影像处理过程中,将图片判为某类疾病时的关注区域,和医学上的判别区域存在一定的差异。目前的医疗图像的病灶标注均是由医生利用矩形框的形式大致标出病灶位置,但此种标注方式太过粗糙,不能体现病灶在病变组织上的具体位置。
发明内容
本发明提供一种图像处理模型生成方法、图像处理方法、装置及电子设备,以解决现有技术中的病灶标注方式过于粗糙,不能体现病灶在病变组织上的具体位置的问题。
为了解决上述问题,本发明公开了一种图像处理模型生成方法,包括:
将特定病症的多个训练样本病灶图像输入初始图像处理模型;其中,所述初始图像处理模型包括分类层和标注层,每个所述训练样本病灶图像包括病灶区域对应的初始中心点坐标、初始长度和初始宽度;
调用所述分类层,对每个所述训练样本病灶图像进行分类处理,得到每个所述训练样本病灶图像对应的分类概率;
调用所述标注层,对每个所述训练样本病灶图像进行处理,得到每个所述训练样本病灶图像中所包含病灶区域的预测中心点坐标、预测长度和预测宽度;
基于各所述分类概率、各所述初始中心点坐标、各所述初始长度、各所述初始宽度、各所述预测中心点坐标、各所述预测长度和各所述预测宽度,获取所述初始图像处理模型的损失值;
在所述损失值处于预设范围内的情况下,将所述初始图像处理模型作为训练后的目标图像处理模型。
可选地,所述调用所述分类层,对每个所述训练样本病灶图像进行分类处理,得到每个所述训练样本病灶图像对应的分类概率,包括:
针对每个所述训练样本病灶图像,获取所述训练样本病灶图像对应的一组不同维度的图像特征;
将所述不同维度的图像特征输入所述分类层;
调用所述分类层,对所述不同维度的图像特征进行处理,输出所述训练样本病灶图像对应的分类概率。
可选地,所述调用所述标注层,对每个所述训练样本病灶图像对应的二维特征图进行处理,得到每个所述训练样本病灶图像中所包含的病灶区域对应的预测中心点坐标、预测长度和预测宽度,包括:
获得每个所述训练样本病灶图像对应的二维特征图;
将每个所述二维特征图输入所述标注层;
调用所述标注层,确定每个所述二维特征图中的最大特征点,及每个所述最大特征点对应的最大像素值和二维坐标;
根据各所述最大特征点、各所述最大像素值、各所述二维坐标和预设像素阈值,确定每个所述病灶区域对应的预测中心点坐标、预测长度和预测宽度。
可选地,所述二维坐标包括横轴方向上的第一坐标值和纵轴方向上的第二坐标值,所述根据各所述最大特征点、各所述最大像素值、各所述二维坐标和预设像素阈值,确定每个所述病灶区域对应的预测中心点坐标,包括:
将所述二维坐标确定为所述预测中心点坐标;
计算得到所述最大像素值和所述预设像素阈值之间的像素差值绝对值;
根据所述像素差值绝对值和所述最大特征点,获取所述二维特征图中在所述横轴方向上的第一特征点和第二特征点,及在所述纵轴方向上的第三特征点和第四特征点;
获取所述第一特征点在所述横轴方向上的第一值,及所述第二特征点在所述横轴方向上的第二值;
获取所述第三特征点在所述纵轴方向上的第三值,及所述第四特征点在所述纵轴方向上的第四值;
基于所述第一值和所述第二值,计算得到所述预测宽度;
基于所述第三值和所述第四值,计算得到所述预测长度。
可选地,所述基于各所述分类概率、各所述初始中心点坐标、各所述初始长度、各所述初始宽度、各所述预测中心点坐标、各所述预测长度和各所述预测宽度,获取所述初始图像处理模型的损失值,包括:
根据各所述分类概率,计算得到分类损失值;
根据各所述初始中心点坐标、各所述初始长度、各所述初始宽度、各所述预测中心点坐标、各所述预测长度和各所述预测宽度,计算得到位置损失值;
基于所述分类损失值和所述位置损失值,确定所述损失值。
为了解决上述问题,本发明公开了一种图像处理方法,包括:
将待处理病灶图像输入预先训练好的目标图像处理模型;其中,所述目标图像处理模型包括分类层和标注层;
调用所述分类层,对所述待处理病灶图像进行分类处理,得到所述待处理病灶图像对应的分类概率;
调用所述标注层,对所述待处理病灶图像进行处理,得到所述待处理病灶图像对应的区域中心点坐标、区域长度和区域宽度;
根据所述分类概率,确定所述待处理病灶图像对应的病症;
根据所述区域中心点坐标、所述区域长度和所述区域宽度,确定所述待处理病灶图像中的病灶标注区域。
可选地,所述调用所述分类层,对所述待处理病灶图像进行分类处理,得到所述待处理病灶图像对应的分类概率,包括:
获取所述待处理病灶图像对应的一组不同维度的图像特征;
将所述不同维度的图像特征输入所述分类层;
调用所述分类层,对所述不同维度的图像特征进行处理,输出所述待处理病灶图像对应的分类概率。
可选地,所述调用所述标注层,对所述待处理病灶图像进行处理,得到所述待处理病灶图像对应的区域中心点坐标、区域长度和区域宽度,包括:
获得所述待处理病灶图像对应的二维特征图;
将所述二维特征图输入所述标注层;
调用所述标注层,确定所述二维特征图中的最大特征点,及所述最大特征点对应的最大像素值和二维坐标;
根据所述最大特征点、所述最大像素值、所述二维坐标和预设像素阈值,确定所述待处理病灶图像中的区域中心点坐标、区域长度和区域宽度。
可选地,所述二维坐标包括横轴方向上的第一坐标值和纵轴方向上的第二坐标值,所述根据所述最大特征点、所述最大像素值、所述二维坐标和预设像素阈值,确定所述待处理病灶图像中的区域中心点坐标、区域长度和区域宽度,包括:
将所述二维坐标确定为所述区域中心点坐标;
计算得到所述最大像素值和所述预设像素阈值之间的像素差值绝对值;
根据所述像素差值绝对值和所述最大特征点,获取所述二维特征图中在所述横轴方向上的第一特征点和第二特征点,及在所述纵轴方向上的第三特征点和第四特征点;
获取所述第一特征点在所述横轴方向上的第一值,及所述第二特征点在所述横轴方向上的第二值;
获取所述第三特征点在所述纵轴方向上的第三值,及所述第四特征点在所述纵轴方向上的第四值;
基于所述第一值和所述第二值,计算得到所述区域宽度;
基于所述第三值和所述第四值,计算得到所述区域长度。
为了解决上述问题,本发明公开了一种图像处理模型生成装置,包括:
样本图像输入模块,用于将特定病症的多个训练样本病灶图像输入初始图像处理模型;其中,所述初始图像处理模型包括分类层和标注层,每个所述训练样本病灶图像包括病灶区域对应的初始中心点坐标、初始长度和初始宽度;
分类概率获取模块,用于调用所述分类层,对每个所述训练样本病灶图像进行分类处理,得到每个所述训练样本病灶图像对应的分类概率;
预测中心点坐标获取模块,用于调用所述标注层,对每个所述训练样本病灶图像进行处理,得到每个所述训练样本病灶图像中所包含病灶区域的预测中心点坐标、预测长度和预测宽度;
损失值获取模块,用于基于各所述分类概率、各所述初始中心点坐标、各所述初始长度、各所述初始宽度、各所述预测中心点坐标、各所述预测长度和各所述预测宽度,获取所述初始图像处理模型的损失值;
目标模型生成模块,用于在所述损失值处于预设范围内的情况下,将所述初始图像处理模型作为训练后的目标图像处理模型。
可选地,所述分类概率获取模块包括:
图像特征获取子模块,用于针对每个所述训练样本病灶图像,获取所述训练样本病灶图像对应的一组不同维度的图像特征;
图像特征输入子模块,用于将所述不同维度的图像特征输入所述分类层;
分类概率输出子模块,用于调用所述分类层,对所述不同维度的图像特征进行处理,输出所述训练样本病灶图像对应的分类概率。
可选地,所述预测中心点坐标获取模块包括:
二维特征图获取子模块,用于获得每个所述训练样本病灶图像对应的二维特征图;
二维特征图输入取子模块,用于将每个所述二维特征图输入所述标注层;
特征点值确定子模块,用于调用所述标注层,确定每个所述二维特征图中的最大特征点,及每个所述最大特征点对应的最大像素值和二维坐标;
预测中心点坐标确定子模块,用于根据各所述最大特征点、各所述最大像素值、各所述二维坐标和预设像素阈值,确定每个所述病灶区域对应的预测中心点坐标、预测长度和预测宽度。
可选地,所述二维坐标包括横轴方向上的第一坐标值和纵轴方向上的第二坐标值,所述预测中心点坐标确定子模块包括:
预测坐标确定子模块,用于将所述二维坐标确定为所述预测中心点坐标;
像素差值绝对值计算子模块,用于计算得到所述最大像素值和所述预设像素阈值之间的像素差值绝对值;
第一特征点获取子模块,用于根据所述像素差值绝对值和所述最大特征点,获取所述二维特征图中在所述横轴方向上的第一特征点和第二特征点,及在所述纵轴方向上的第三特征点和第四特征点;
第一二值获取子模块,用于获取所述第一特征点在所述横轴方向上的第一值,及所述第二特征点在所述横轴方向上的第二值;
第三四值获取子模块,用于获取所述第三特征点在所述纵轴方向上的第三值,及所述第四特征点在所述纵轴方向上的第四值;
预测宽度计算子模块,用于基于所述第一值和所述第二值,计算得到所述预测宽度;
预测长度计算子模块,用于基于所述第三值和所述第四值,计算得到所述预测长度。
可选地,所述损失值获取模块包括:
分类损失值计算子模块,用于根据各所述分类概率,计算得到分类损失值;
位置损失值计算子模块,用于根据各所述初始中心点坐标、各所述初始长度、各所述初始宽度、各所述预测中心点坐标、各所述预测长度和各所述预测宽度,计算得到位置损失值;
损失值确定子模块,用于基于所述分类损失值和所述位置损失值,确定所述损失值。
为了解决上述问题,本发明公开了一种图像处理装置,包括:
待处理图像输入模块,用于将待处理病灶图像输入预先训练好的目标图像处理模型;其中,所述目标图像处理模型包括分类层和标注层;
图像分类概率获取模块,用于调用所述分类层,对所述待处理病灶图像进行分类处理,得到所述待处理病灶图像对应的分类概率;
区域中心坐标获取模块,用于调用所述标注层,对所述待处理病灶图像进行处理,得到所述待处理病灶图像对应的区域中心点坐标、区域长度和区域宽度;
病症确定模块,用于根据所述分类概率,确定所述待处理病灶图像对应的病症;
标注区域确定模块,用于根据所述区域中心点坐标、所述区域长度和所述区域宽度,确定所述待处理病灶图像中的病灶标注区域。
可选地,所述图像分类概率获取模块包括:
待处理特征获取子模块,用于获取所述待处理病灶图像对应的一组不同维度的图像特征;
待处理特征输入子模块,用于将所述不同维度的图像特征输入所述分类层;
图像分类概率获取子模块,用于调用所述分类层,对所述不同维度的图像特征进行处理,输出所述待处理病灶图像对应的分类概率。
可选地,所述区域中心坐标获取模块包括:
二维特征获取子模块,用于获得所述待处理病灶图像对应的二维特征图;
二维特征输入子模块,用于将所述二维特征图输入所述标注层;
二维坐标确定子模块,用于调用所述标注层,确定所述二维特征图中的最大特征点,及所述最大特征点对应的最大像素值和二维坐标;
区域坐标确定子模块,用于根据所述最大特征点、所述最大像素值、所述二维坐标和预设像素阈值,确定所述待处理病灶图像中的区域中心点坐标、区域长度和区域宽度。
可选地,所述二维坐标包括横轴方向上的第一坐标值和纵轴方向上的第二坐标值,所述区域坐标确定子模块包括:
区域中心坐标确定子模块,用于将所述二维坐标确定为所述区域中心点坐标;
绝对值计算子模块,用于计算得到所述最大像素值和所述预设像素阈值之间的像素差值绝对值;
第二特征点获取子模块,用于根据所述像素差值绝对值和所述最大特征点,获取所述二维特征图中在所述横轴方向上的第一特征点和第二特征点,及在所述纵轴方向上的第三特征点和第四特征点;
一二值获取子模块,用于获取所述第一特征点在所述横轴方向上的第一值,及所述第二特征点在所述横轴方向上的第二值;
三四值获取子模块,用于获取所述第三特征点在所述纵轴方向上的第三值,及所述第四特征点在所述纵轴方向上的第四值;
区域宽度获取子模块,用于基于所述第一值和所述第二值,计算得到所述区域宽度;
区域长度获取子模块,用于基于所述第三值和所述第四值,计算得到所述区域长度。
为了解决上述问题,本发明还公开了一种电子设备,包括:
处理器、存储器以及存储在所述存储器上并可在所述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上述任一项所述的图像处理模型生成方法,和上述任一项所述的图像处理方法。
与现有技术相比,本发明包括以下优点:
本发明实施例提供了一种图像处理模型生成方法、图像处理方法、装置及电子设备,将特定病症的多个训练样本病灶图像输入初始图像处理模型,其中,初始图像处理模型包括分类层和标注层,每个训练样本病灶图像包括病灶区域对应的初始中心点坐标、初始长度和初始宽度,调用分类层,对每个训练样本病灶图像进行分类处理,得到每个训练样本病灶图像对应的分类概率,调用标注层,对每个训练样本病灶图像进行处理,得到每个训练样本病灶图像中所包含病灶区域的预测中心点坐标、预测长度和预测宽度,基于各分类概率、各初始中心点坐标、各初始长度、各初始宽度、各预测中心点坐标、各预测长度和各预测宽度,获取初始图像处理模型的损失值,在损失值处于预设范围内的情况下,将初始图像处理模型作为训练后的目标图像处理模型。本发明实施例提供的图像处理模型能够准确的识别出病灶图像中的病灶区域,并添加相应的标注坐标,能够体现出病灶在病变组织上的具体位置。
附图说明
图1示出了本发明实施例提供的一种图像处理模型生成方法的步骤流程图;
图1a示出了本发明实施例提供的一种图像处理模型的示意图;
图1b示出了本发明实施例提供的一种采样结果的示意图;
图1c示出了本发明实施例提供的一种标注区域的示意图;
图2示出了本发明实施例提供的一种图像处理方法的步骤流程图;
图3示出了本发明实施例提供的一种图像处理模型生成装置的结构示意图;
图4示出了本发明实施例提供的一种图像处理装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
参照图1,示出了本发明实施例提供的一种图像处理模型生成方法的步骤流程图,该图像处理模型生成方法具体可以包括如下步骤:
步骤101:将特定病症的多个训练样本病灶图像输入初始图像处理模型;其中,所述初始图像处理模型包括分类层和标注层,每个所述训练样本病灶图像包括病灶区域对应的初始中心点坐标、初始长度和初始宽度。
在本发明实施例中,初始图像处理模型是指还未进行训练的图像处理模型。
在初始图像处理模型中包含有分类层和标注层。
分类层可以用于对病灶图像进行分类的网络层,通过分类层可以获取病灶图像所对应的病症种类,如肺炎、心脏病等等。
标注层为本发明在原图像处理模型中新增加的网络层,标注层可以用于对病灶在病变组织上的具体位置进行标注,具体地,标注层可以在病灶图像上的病灶添加位置坐标,通过添加的位置坐标形成一个矩形框,以标注病灶所处的位置。
特定病症是指在训练样本病灶图像对应的病症,特定病症可以为肺炎、心脏病、肝硬化等病症,具体地,可以根据业务需求而定。
在采用训练样本病灶图像对初始图像处理模型进行训练时,可以获取特定病症的多个训练样本病灶图像,并将每种病症对应的多个训练样本病灶图像输入初始图像处理模型中,以对初始图像处理模型进行训练。
当然,对于特定病症对应的训练样本病灶图像的数量可以为800、1000等等,具体地,可以根据实际情况而定,本发明实施例对此不加以限制。
病灶区域是指病灶在训练样本病灶图像中所处的区域。
在每个训练样本病灶图像中包含有病灶区域对应的初始中心点坐标、初始长度和初始宽度,可以理解地,此处,病灶区域可以为一个矩形区域,该病灶区域可以是由医生等人员预先在训练样本病灶图像中标注的区域,则初始中心点坐标即为病灶区域对应的中心点在训练样本病灶图像对应的图像坐标系中的坐标;初始长度和初始宽度即分别为病灶区域对应的长和宽。
可以理解地,上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例,不作为对本发明实施例的唯一限制。
在得到特定病症的多个训练样本病灶图像之后,可以将多个训练样本病灶图像依次输入至初始图像处理模型,以对初始图像处理模型进行训练。
在将特定病症的多个训练样本病灶图像输入初始图像处理模型之后,执行步骤102。
步骤102:调用所述分类层,对每个所述训练样本病灶图像进行分类处理,得到每个所述训练样本病灶图像对应的分类概率。
初始图像处理模型中除了包含上述步骤中提及的分类层和标注层,还可以包括多个卷积层、多个激活函数层、多个池化层、GAP层、FWS层、全连接层,例如,参照图1a,示出了本发明实施例提供的一种图像处理模型的示意图,如图1a所示,神经网络(即图像处理模型)包含卷积层、激活函数、池化层、GAP、FWS、全连接层、Classification(分类层)、Attention location(标注层)、Loss function(损失值计算层)。
在将训练样本病灶图像输入至初始图像处理模型之后,可以调用分类层对训练样本病灶图像进行分类处理,得到训练样本病灶图像对应的分类概率,即通过分类概率可以得知训练样本病灶图像属于某种病症对应的图像的概率。
对于上述过程可以结合下述具体实现方式进行详细描述。
在本发明的一种具体实现中,上述步骤102可以包括:
子步骤A1:针对每个所述训练样本病灶图像,获取所述训练样本病灶图像对应的一组不同维度的图像特征。
在本发明实施例中,在将特定病症的多个训练样本病灶图像输入至初始图像处理模型之后,可以依次经过卷积层、激活函数层和池化层的反复叠加处理,其中,卷积层用于提取特征;激活函数用于对提取到的特征进行激活操作;池化层用于对激活后的特征进行下采样;通过三个基本单元的反复叠加,可以构成多层的卷积神经网络。
针对每个训练样本病灶图像,在反复经过卷积层、激活函数层和池化层,可以得到最后一层输出的特征图(feature map),然后将最后一层输出的feature map进行全局平均池化(GAP),获得feature map中各个channel(通道)的特征,然后经过全连接层可以从提取到的特征分配不同的权重,并将所有加权的特征,从而可以得到训练样本病灶图像对应的不同维度的图像特征。
不同维度可以为1维、64维、128维等等,具体地,可以根据实际情况而定,本发明实施例对此不加以限制。
在得到训练样本病灶图像对应的不同维度的图像特征之后,执行子步骤A2。
子步骤A2:将所述不同维度的图像特征输入所述分类层。
在得到训练样本病灶图像对应的不同维度的图像特征之后,可以将不同维度的图像特征输入至Classification(分类层)。
在将不同维度的图像特征输入至分类层之后,执行子步骤A3。
子步骤A3:调用所述分类层,对所述不同维度的图像特征进行处理,输出所述训练样本病灶图像对应的分类概率。
在将不同维度的图像特征输入至Classification之后,可以调用Classification对不同维度的图像特征进行处理,从而可以得到训练样本病灶图像对应的分类概率。
可以理解地,Classification(分类层)为一种常见的分类层,对于具体地分类过程可以参见现有技术中的描述,本发明实施例在此不再加以详细描述。
步骤103:调用所述标注层,对每个所述训练样本病灶图像进行处理,得到每个所述训练样本病灶图像中所包含病灶区域的预测中心点坐标、预测长度和预测宽度。
预测中心点坐标是指由标注层对训练样本病灶图像进行处理之后,所得到的病灶区域对应的中心点在训练样本病灶图像对应的图像坐标系中的坐标。预测长度和预测宽度是指由标注层对训练样本病灶图像进行处理之后,所得到的病灶区域所对应的长和宽。
在将特定病症的多个训练样本病灶图像输入至初始图像处理模型之后,可以调用标注层对每个训练样本病灶图像进行处理,从而得到每个训练样本病灶图像中所包含病灶区域的预测中心点坐标、预测长度和预测宽度。
对于上述过程可以结合下述具体实现方式进行详细描述。
在本发明的一种具体实现方式中,上述步骤103可以包括:
子步骤B1:获得每个所述训练样本病灶图像对应的二维特征图。
在本发明实施例中,在将特定病症的多个训练样本病灶图像输入至初始图像处理模型之后,可以依次经过卷积层、激活函数层和池化层的反复叠加处理,其中,卷积层用于提取特征;激活函数用于对提取到的特征进行激活操作;池化层用于对激活后的特征进行下采样;通过三个基本单元的反复叠加,可以构成多层的卷积神经网络。
针对每个训练样本病灶图像,在反复经过卷积层、激活函数层和池化层,可以得到最后一层输出的特征图(feature map),然后将最后一层输出的feature map进行全局平均池化(GAP),获得feature map中各个channel(通道)的特征。
然后将feature map中的各个channel以相应channel的全局大小进行特征加权求和(FWS),最后经过上采样后,可以得到训练样本病灶图像对应的二维特征图。
可以理解地,上述实现过程可以参见现有技术方案中神经网络模型对图像进行处理的描述过程,本发明实施例在此不再加以赘述。
在得到每个训练样本病灶图像对应的二维特征图之后,执行子步骤B2。
子步骤B2:将每个所述二维特征图输入所述标注层。
在得到每个训练样本病灶图像对应的二维特征图之后,可以将每个二维特征图输入至标注层(Attention location),进而执行子步骤B3。
子步骤B3:调用所述标注层,确定每个所述二维特征图中的最大特征点,及每个所述最大特征点对应的最大像素值和二维坐标。
最大特征点是指二维特征图中最大像素值对应的特征点,最大像素值即为最大特征点所对应的像素值。
在将每个训练样本病灶图像对应的二维特征图输入至标注层之后,可以调用标注层确定每个二维特征图中的最大特征点,记为A,及每个最大特征点对应的最大像素值,记为V,以及每个最大特征点对应的二维坐标,记为(Px,Py)。
在确定每个二维特征图中的最大特征点,及每个最大特征点对应的最大像素值和二维坐标之后,执行子步骤B4。
子步骤B4:根据各所述最大特征点、各所述最大像素值、各所述二维坐标和预设像素阈值,确定每个所述病灶区域对应的预测中心点坐标、预测长度和预测宽度。
预设像素阈值是指由业务人员预先设置的阈值,对于预设像素阈值的具体数值可以根据业务需求而定,本发明实施例对此不加以限定。
在得到每个二维特征图对应的最大特征点、最大像素值和二维坐标之后,可以将这三个值结合预设像素阈值,计算得到每个病灶区域对应的预测中心点坐标、预测长度和预测宽度。
对于计算预测中心点坐标、预测长度和预测宽度的详细过程,可以结合下述具体实现方式进行详细描述。
在本发明的一种具体实现中,所述二维坐标包括横轴方向上的第一坐标值和纵轴方向上的第二坐标值,上述子步骤B4可以包括:
子步骤C1:将所述二维坐标确定为所述预测中心点坐标。
在本发明实施例中,横轴方向和纵轴方向是指以二维特征图对应的图像坐标系中,横轴和纵轴所处的方向。
第一坐标值是指最大特征点所对应的二维坐标中,位于横轴方向上的坐标,即Px。
第二坐标值是指最大特征点所对应的二维坐标中,位于纵轴方向上的坐标,即Py。
在得到最大特征点对应的二维坐标之后,即将该二维坐标确定为病灶区域的预测中心点坐标,即(Px,Py)
子步骤C2:计算得到所述最大像素值和所述预设像素阈值之间的像素差值绝对值。
像素差值绝对值是指最大像素值和预设像素阈值之间的差值的绝对值,可以理解地,预设像素阈值可以即为t,最大像素值和预设像素阈值之间的像素差值绝对值即为:V-t。
在计算得到最大像素值和预设像素阈值之间的像素差值绝对值之后,执行子步骤C3。
子步骤C3:根据所述像素差值绝对值和所述最大特征点,获取所述二维特征图中在所述横轴方向上的第一特征点和第二特征点,及在所述纵轴方向上的第三特征点和第四特征点。
第一特征点和第二特征点是指位于横轴方向上的,与最大特征点之间的距离为像素差值绝对值的两个特征点。
在计算得到最大像素值和预设像素阈值之间的像素差值绝对值V-t之后,可以在横轴方向上查找到两个特征点,即第一特征点和第二特征点,即根据预设像素阈值t,在(:,Py)方向上,找到值等于V-t的点A1(a1,Py)、A2(a2,Py)。
第三特征点和第四特征点是指位于纵轴方向上的,与最大特征点之间的距离为像素差值绝对值的两个特征点。
在计算得到最大像素值和预设像素阈值之间的像素差值绝对值V-t之后,可以在纵轴方向上查找到两个特征点,即第三特征点和第三特征点,即根据预设像素阈值t,在(Px,:)方向上,找到值等于V-t的点A3(Px,a3)、A4(Px,a4)。
在获取第一特征点、第二特征点、第三特征点和第四特征点之后,执行子步骤C4和子步骤C5。
子步骤C4:获取所述第一特征点在所述横轴方向上的第一值,及所述第二特征点在所述横轴方向上的第二值。
第一值是指第一特征点在横轴方向上的坐标值,第二值即为第二特征点在横轴方向上的坐标值。
上述子步骤C3中,在得到第一特征点和第二特征点之后,可以获取到第一特征点和第二特征点分别对应的第一值和第二值,即第一特征点的坐标值为A1(a1,Py),第二特征点的坐标值为A2(a2,Py),则第一值即为a1,第二值即为a2。
子步骤C5:获取所述第三特征点在所述纵轴方向上的第三值,及所述第四特征点在所述纵轴方向上的第四值。
第三值是指第三特征点在纵轴方向上的坐标值,第四值即为第四特征点在纵轴方向上的坐标值。
上述子步骤C3中,在得到第三特征点和第四特征点之后,可以获取到第三特征点和第四特征点分别对应的第三值和第四值,即第三特征点的坐标值为A3(Px,a3),第四特征点的坐标值为A4(Px,a4),则第三值即为a3,第四值即为a4。
子步骤C6:基于所述第一值和所述第二值,计算得到所述预测宽度。
预测宽度是指病灶区域的边宽。
在得到第一值和第二值之后,可以按照下述公式(1)计算得到预测宽度:
Pw=(a2-a1)/2 (1)
上述公式(1)中,Pw即为预测宽度。
子步骤C7:基于所述第三值和所述第四值,计算得到所述预测长度。
预测长度是指病灶区域的边长。
在得到第三值和第四值之后,可以按照下述公式(2)计算得到预测长度:
Ph=(a4-a3)/2 (2)
上述公式(2)中,Ph即为预测长度。
步骤104:基于各所述分类概率、各所述初始中心点坐标、各所述初始长度、各所述初始宽度、各所述预测中心点坐标、各所述预测长度和各所述预测宽度,获取所述初始图像处理模型的损失值。
在得到特定病症对应的多个训练样本病灶图像的分类概率、初始中心点坐标、初始长度、初始宽度、预测中心点坐标、预测长度和预测宽度之后,可以结合各分类概率、各初始中心点坐标、各初始长度、各初始宽度、各预测中心点坐标、各预测长度和各预测宽度,获取初始图像处理模型的损失值。
对于获取损失值的具体过程,可以结合下述具体实现方式进行详细描述。
在本发明的一种具体实现中,上述步骤104可以包括:
子步骤D1:根据各所述分类概率,计算得到分类损失值。
在本发明实施例中,分类损失值是指初始图像处理模型对训练样本病灶图像进行分类,而得到的损失值。
在得到各分类概率之后,可以根据各分类概率,得到分类损失值,记为Lcls。
在本发明中,可以采用softmax或sigmoid的方式计算得到分类损失值,此种方式已经是本领域较为成熟的实现方式,本发明实施例在此不再加以赘述。
子步骤D2:根据各所述初始中心点坐标、各所述初始长度、各所述初始宽度、各所述预测中心点坐标、各所述预测长度和各所述预测宽度,计算得到位置损失值。
位置损失值是指初始图像处理模型对训练样本病灶图像进行处理,确定病灶区域对应的预测中心点坐标、预测长度和预测宽度,而得到的损失值。
而在得到各训练样本病灶图像中的病灶区域的初始中心点坐标、初始长度、初始宽度、预测中心点坐标、预测长度和预测宽度之后,可以根据各初始中心点坐标、各初始长度、各初始宽度、各预测中心点坐标、各预测长度和各预测宽度,计算得到位置损失值。
参照图1b,示出了本发明实施例提供的一种采样结果的示意图,位置损失值可以按照下述公式(3)计算得到(下述过程结合图1b进行说明):
其中,Lal为位置损失值,Px、Py为Pred box中心点A的坐标(Px,Py),Pw、Ph为步骤a得到的Pred box的宽和长;Gx、Gy为Truth box中心点B的坐标(Gx,Gy),Gw、Gh为Truth box的宽和长,x、y、w、h分别表示Pi和Gi下角标,其中,Pred box为初始图像处理模型所预测的病灶区域,Truth box即为预先标注的病灶区域。
子步骤D3:基于所述分类损失值和所述位置损失值,确定所述损失值。
在通过上述步骤计算得到分类损失值和位置损失值之后,可以基于分类损失值和位置损失值计算得到损失值,分类损失值和位置损失值的和值即为损失值,即L=Lcls+Lal。
在计算得到损失值之后,执行步骤105。
步骤105:在所述损失值处于预设范围内的情况下,将所述初始图像处理模型作为训练后的目标图像处理模型。
预设范围是指与损失值进行比较的范围值。
在损失值位于预设范围之外时,表示初始图像处理模型训练的结果未达到预期,需要再获取特定病症的训练样本图像对初始图像处理模型进行反复训练。
而在损失值处于预设范围之内时,表示初始图像处理模型的训练结果已经达到了预期结果,进而,可以将经过训练样本训练后的初始图像处理模型作为最终结果的目标图像处理模型。
本发明实施例提供的图像处理模型能够准确的识别出病灶图像中的病灶区域,并添加相应的标注坐标,能够体现出病灶在病变组织上的具体位置。
本发明实施例提供的图像处理模型生成方法,将特定病症的多个训练样本病灶图像输入初始图像处理模型,其中,初始图像处理模型包括分类层和标注层,每个训练样本病灶图像包括病灶区域对应的初始中心点坐标、初始长度和初始宽度,调用分类层,对每个训练样本病灶图像进行分类处理,得到每个训练样本病灶图像对应的分类概率,调用标注层,对每个训练样本病灶图像进行处理,得到每个训练样本病灶图像中所包含病灶区域的预测中心点坐标、预测长度和预测宽度,基于各分类概率、各初始中心点坐标、各初始长度、各初始宽度、各预测中心点坐标、各预测长度和各预测宽度,获取初始图像处理模型的损失值,在损失值处于预设范围内的情况下,将初始图像处理模型作为训练后的目标图像处理模型。本发明实施例提供的图像处理模型能够准确的识别出病灶图像中的病灶区域,并添加相应的标注坐标,能够体现出病灶在病变组织上的具体位置。
实施例二
参照图2,示出了本发明实施例提供的一种图像处理方法的步骤流程图,该图像处理方法可以包括如下步骤:
步骤201:将待处理病灶图像输入预先训练好的目标图像处理模型;其中,所述目标图像处理模型包括分类层和标注层。
在本发明实施例中,目标图像处理模型是指用于对医疗领域的病灶图像进行处理,确定病灶图像对应的病症及确定病灶在病灶图像中所处的区域的模型。
待处理病灶图像是指医疗领域的图像,如采用医疗仪器拍摄的图像等等。
在目标图像处理模型中包含有分类层和标注层,其中,分类层可以用于对待处理病灶图像进行分类处理,得到待处理病灶图像对应的分类概率,以确定待处理病灶图像对应的病症;标注层可以用于确定出待处理病灶图像中的病灶在病灶图像中所处的区域。对于此过程将在下述步骤中进行详细描述。
在得到待处理病灶图像之后,可以将待处理病灶图像输入至目标图像处理模型中,并执行步骤202。
步骤202:调用所述分类层,对所述待处理病灶图像进行分类处理,得到所述待处理病灶图像对应的分类概率。
目标图像处理模型中除了包含上述步骤中提及的分类层和标注层,还可以包括多个卷积层、多个激活函数层、多个池化层、GAP层、FWS层、全连接层,例如,参照图1a,示出了本发明实施例提供的一种图像处理模型的示意图,如图1a所示,神经网络(即图像处理模型)包含卷积层、激活函数、池化层、GAP、FWS、全连接层、Classification(分类层)、Attention location(标注层)、Loss function(损失值计算层)。
在将待处理病灶图像输入至目标图像处理模型之后,可以调用分类层对待处理病灶图像进行分类处理,得到待处理病灶图像对应的分类概率,即通过分类概率可以得知待处理病灶图像属于某种病症对应的图像的概率。
对于上述过程可以结合下述具体实现方式进行详细描述。
在本发明的一种具体实现中,上述步骤202可以包括:
子步骤E1:获取所述待处理病灶图像对应的一组不同维度的图像特征。
在本发明实施例中,在将待处理病灶图像输入至目标图像处理模型之后,可以依次经过卷积层、激活函数层和池化层的反复叠加处理,其中,卷积层用于提取特征;激活函数用于对提取到的特征进行激活操作;池化层用于对激活后的特征进行下采样;通过三个基本单元的反复叠加,可以构成多层的卷积神经网络。
针对待处理病灶图像,在反复经过卷积层、激活函数层和池化层,可以得到最后一层输出的特征图(feature map),然后将最后一层输出的feature map进行全局平均池化(GAP),获得feature map中各个channel(通道)的特征,然后经过全连接层可以从提取到的特征分配不同的权重,并将所有加权的特征,从而可以得到一组与待处理病灶图像对应的不同维度的图像特征。
不同维度可以为1维、64维、128维等等,具体地,可以根据实际情况而定,本发明实施例对此不加以限制。
在得到一组不同维度的图像特征之后,执行子步骤E2。
子步骤E2:将所述不同维度的图像特征输入所述分类层。
在得到待处理病灶图像对应的一组不同维度的图像特征之后,可以将该组不同维度的图像特征输入至Classification(分类层)。
在将一组不同维度的图像特征输入至分类层之后,执行子步骤E3。
子步骤E3:调用所述分类层,对所述不同维度的图像特征进行处理,输出所述待处理病灶图像对应的分类概率。
在将一组不同维度的图像特征输入至Classification之后,可以调用Classification对不同维度的图像特征进行处理,从而可以得到待处理病灶图像对应的分类概率。
可以理解地,Classification(分类层)为一种常见的分类层,对于具体地分类过程可以参见现有技术中的描述,本发明实施例在此不再加以详细描述。
步骤203:调用所述标注层,对所述待处理病灶图像进行处理,得到所述待处理病灶图像对应的区域中心点坐标、区域长度和区域宽度。
区域中心点坐标是指由标注层对待处理病灶图像进行处理之后,所得到的病灶区域对应的中心点在待处理病灶图像对应的图像坐标系中的坐标。
区域长度和区域宽度是指由标注层对待处理病灶图像进行处理之后,所得到的病灶区域所对应的长和宽,即病灶区域对应的边长和边宽。
在将待处理病灶图像输入至目标图像处理模型之后,可以调用标注层对待处理病灶图像进行处理,从而得到待处理病灶图像中所包含病灶区域的区域中心点坐标、区域长度和区域宽度。
对于上述过程可以结合下述具体实现方式进行详细描述。
在本发明的一种具体实现方式中,上述步骤203可以包括:
子步骤F1:获得所述待处理病灶图像对应的二维特征图。
在本发明实施例中,在将待处理病灶图像输入至目标图像处理模型之后,可以依次经过卷积层、激活函数层和池化层的反复叠加处理,其中,卷积层用于提取特征;激活函数用于对提取到的特征进行激活操作;池化层用于对激活后的特征进行下采样;通过三个基本单元的反复叠加,可以构成多层的卷积神经网络。
针对待处理病灶图像,在反复经过卷积层、激活函数层和池化层,可以得到最后一层输出的特征图(feature map),然后将最后一层输出的feature map进行全局平均池化(GAP),获得feature map中各个channel(通道)的特征。
然后将feature map中的各个channel以相应channel的全局大小进行特征加权求和(FWS),最后经过上采样后,可以得到待处理病灶图像对应的二维特征图。
可以理解地,上述实现过程可以参见现有技术方案中神经网络模型对图像进行处理的描述过程,本发明实施例在此不再加以赘述。
在得到待处理病灶图像对应的二维特征图之后,执行子步骤F2。
子步骤F2:将所述二维特征图输入所述标注层。
在得到待处理病灶图像对应的二维特征图之后,可以将二维特征图输入至标注层(Attention location),进而执行子步骤F3。
子步骤F3:调用所述标注层,确定所述二维特征图中的最大特征点,及所述最大特征点对应的最大像素值和二维坐标。
最大特征点是指二维特征图中最大像素值对应的特征点,最大像素值即为最大特征点所对应的像素值。
在将待处理病灶图像对应的二维特征图输入至标注层之后,可以调用标注层确定二维特征图中的最大特征点,记为A,及最大特征点对应的最大像素值,记为V,以及最大特征点对应的二维坐标,记为(Px,Py)。
在确定二维特征图中的最大特征点,及最大特征点对应的最大像素值和二维坐标之后,执行子步骤F4。
子步骤F4:根据所述最大特征点、所述最大像素值、所述二维坐标和预设像素阈值,确定所述待处理病灶图像中的区域中心点坐标、区域长度和区域宽度。
预设像素阈值是指由业务人员预先设置的阈值,对于预设像素阈值的具体数值可以根据业务需求而定,本发明实施例对此不加以限定。
在得到二维特征图对应的最大特征点、最大像素值和二维坐标之后,可以将这三个值结合预设像素阈值,计算得到待处理病灶图像中的病灶区域对应的区域中心点坐标、区域长度和区域宽度。
对于计算区域中心点坐标、区域长度和区域宽度的详细过程,可以结合下述具体实现方式进行详细描述。
在本发明的另一种具体实现中,所述二维坐标包括横轴方向上的第一坐标值和纵轴方向上的第二坐标值,上述子步骤F4可以包括:
子步骤G1:将所述二维坐标确定为所述区域中心点坐标。
在本发明实施例中,横轴方向和纵轴方向是指以二维特征图对应的图像坐标系中,横轴和纵轴所处的方向。
第一坐标值是指最大特征点所对应的二维坐标中,位于横轴方向上的坐标,即Px。
第二坐标值是指最大特征点所对应的二维坐标中,位于纵轴方向上的坐标,即Py。
在得到最大特征点对应的二维坐标之后,可以将该二维坐标作为病灶区域对应的区域中心点坐标,即区域中心点坐标为:(Px,Py)。
子步骤G2:计算得到所述最大像素值和所述预设像素阈值之间的像素差值绝对值。
像素差值绝对值是指最大像素值和预设像素阈值之间的差值的绝对值,可以理解地,预设像素阈值可以即为t,最大像素值和预设像素阈值之间的像素差值绝对值即为:V-t。
在计算得到最大像素值和预设像素阈值之间的像素差值绝对值之后,执行子步骤G3。
子步骤G3:根据所述像素差值绝对值和所述最大特征点,获取所述二维特征图中在所述横轴方向上的第一特征点和第二特征点,及在所述纵轴方向上的第三特征点和第四特征点。
第一特征点和第二特征点是指位于横轴方向上的,与最大特征点之间的距离为像素差值绝对值的两个特征点。
在计算得到最大像素值和预设像素阈值之间的像素差值绝对值V-t之后,可以在横轴方向上查找到两个特征点,即第一特征点和第二特征点,即根据预设像素阈值t,在(:,Py)方向上,找到值等于V-t的点A1(a1,Py)、A2(a2,Py)。
第三特征点和第四特征点是指位于纵轴方向上的,与最大特征点之间的距离为像素差值绝对值的两个特征点。
在计算得到最大像素值和预设像素阈值之间的像素差值绝对值V-t之后,可以在纵轴方向上查找到两个特征点,即第三特征点和第三特征点,即根据预设像素阈值t,在(Px,:)方向上,找到值等于V-t的点A3(Px,a3)、A4(Px,a4)。
在获取第一特征点、第二特征点、第三特征点和第四特征点之后,执行子步骤G4和子步骤G5。
子步骤G4:获取所述第一特征点在所述横轴方向上的第一值,及所述第二特征点在所述横轴方向上的第二值。
第一值是指第一特征点在横轴方向上的坐标值,第二值即为第二特征点在横轴方向上的坐标值。
上述子步骤C3中,在得到第一特征点和第二特征点之后,可以获取到第一特征点和第二特征点分别对应的第一值和第二值,即第一特征点的坐标值为A1(a1,Py),第二特征点的坐标值为A2(a2,Py),则第一值即为a1,第二值即为a2。
子步骤G5:获取所述第三特征点在所述纵轴方向上的第三值,及所述第四特征点在所述纵轴方向上的第四值。
第三值是指第三特征点在纵轴方向上的坐标值,第四值即为第四特征点在纵轴方向上的坐标值。
上述子步骤C3中,在得到第三特征点和第四特征点之后,可以获取到第三特征点和第四特征点分别对应的第三值和第四值,即第三特征点的坐标值为A3(Px,a3),第四特征点的坐标值为A4(Px,a4),则第三值即为a3,第四值即为a4。
子步骤G6:基于所述第一值和所述第二值,计算得到所述区域宽度。
区域宽度是指病灶标注区域所对应的宽度,也即病灶标注区域的边宽。
在得到第一值和第二值之后,可以按照下述公式(1)计算得到区域宽度:
Pw=(a2-a1)/2 (1)
上述公式(1)中,Pw即为区域宽度。
子步骤G6:基于所述第三值和所述第四值,计算得到所述区域长度。
区域长度是指病灶标注区域所对应的长度,也即病灶标注区域的边长。
在得到第三值和第四值之后,可以按照下述公式(2)计算得到区域长度:
Ph=(a4-a3)/2 (2)
上述公式(2)中,Ph即为区域长度。
步骤204:根据所述分类概率,确定所述待处理病灶图像对应的病症。
在得到待处理病症图像对应的分类概率之后,可以根据分类概率确定待处理病灶图像对应的病症,例如,分类概率为:属于病症A的概率为0.8,属于病症B的概率为0.1,属于病症C的概率为0.1,则可以确定待处理病灶图像对应的病症为病症A。
可以理解地,上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例,不作为对本发明实施例的唯一限制。
步骤205:根据所述区域中心点坐标、所述区域长度和所述区域宽度,确定所述待处理病灶图像中的病灶标注区域。
病灶标注区域是指病灶在待处理病灶图像中进行标注之后得到的区域。
在得到区域中心点坐标、区域长度和区域宽度之后,可以根据区域中心点坐标、区域长度和区域宽度确定待处理病灶图像中的病灶标注区域,例如,参照图1c,示出了本发明实施例提供的一种标注区域的示意图,如图1c所示,在待处理病灶图像经过目标图像处理模型之后,可以得到一个矩形病灶标注区域,通过该病灶标注区域可以确定病灶在病变组织上的具体位置。
并且,在上述步骤通过,确定了待处理病灶图像对应的病症,进一步地,可以根据获取的病症确定病灶标注区域的位置是否准确。
本发明实施例通过图像处理模型能够准确的识别出病灶图像中的病灶区域,及待处理病灶图像对应的病症,并添加相应的标注坐标,能够体现出病灶在病变组织上的具体位置。
本发明实施例提供的图像处理方法,通过将待处理病灶图像输入预先训练好的目标图像处理模型,其中,目标图像处理模型包括分类层和标注层,调用分类层,对待处理病灶图像进行分类处理,得到待处理病灶图像对应的分类概率,调用标注层,对待处理病灶图像进行处理,得到待处理病灶图像对应的区域中心点坐标、区域长度和区域宽度,根据分类概率,确定待处理病灶图像对应的病症,根据区域中心点坐标、区域长度和区域宽度,确定待处理病灶图像中的病灶标注区域。本发明实施例可以通过图像处理模型能够准确的识别出病灶图像中的病灶区域,及待处理病灶图像对应的病症,并添加相应的标注坐标,能够体现出病灶在病变组织上的具体位置。
实施例三
参照图3,示出了本发明实施例提供的一种图像处理模型生成装置的结构示意图,该图像处理模型生成装置具体可以包括如下模块:
样本图像输入模块310,用于将特定病症的多个训练样本病灶图像输入初始图像处理模型;其中,所述初始图像处理模型包括分类层和标注层,每个所述训练样本病灶图像包括病灶区域对应的初始中心点坐标、初始长度和初始宽度;
分类概率获取模块320,用于调用所述分类层,对每个所述训练样本病灶图像进行分类处理,得到每个所述训练样本病灶图像对应的分类概率;
预测中心点坐标获取模块330,用于调用所述标注层,对每个所述训练样本病灶图像进行处理,得到每个所述训练样本病灶图像中所包含病灶区域的预测中心点坐标、预测长度和预测宽度;
损失值获取模块340,用于基于各所述分类概率、各所述初始中心点坐标、各所述初始长度、各所述初始宽度、各所述预测中心点坐标、各所述预测长度和各所述预测宽度,获取所述初始图像处理模型的损失值;
目标模型生成模块350,用于在所述损失值处于预设范围内的情况下,将所述初始图像处理模型作为训练后的目标图像处理模型。
可选地,所述分类概率获取模块320包括:
图像特征获取子模块,用于针对每个所述训练样本病灶图像,获取所述训练样本病灶图像对应的一组不同维度的图像特征;
图像特征输入子模块,用于将所述不同维度的图像特征输入所述分类层;
分类概率输出子模块,用于调用所述分类层,对所述不同维度的图像特征进行处理,输出所述训练样本病灶图像对应的分类概率。
可选地,所述预测中心点坐标获取模块330包括:
二维特征图获取子模块,用于获得每个所述训练样本病灶图像对应的二维特征图;
二维特征图输入取子模块,用于将每个所述二维特征图输入所述标注层;
特征点值确定子模块,用于调用所述标注层,确定每个所述二维特征图中的最大特征点,及每个所述最大特征点对应的最大像素值和二维坐标;
预测中心点坐标确定子模块,用于根据各所述最大特征点、各所述最大像素值、各所述二维坐标和预设像素阈值,确定每个所述病灶区域对应的预测中心点坐标、预测长度和预测宽度。
可选地,所述二维坐标包括横轴方向上的第一坐标值和纵轴方向上的第二坐标值,所述预测中心点坐标确定子模包括:
预测坐标确定子模块,用于将所述二维坐标确定为所述预测中心点坐标;
像素差值绝对值计算子模块,用于计算得到所述最大像素值和所述预设像素阈值之间的像素差值绝对值;
第一特征点获取子模块,用于根据所述像素差值绝对值和所述最大特征点,获取所述二维特征图中在所述横轴方向上的第一特征点和第二特征点,及在所述纵轴方向上的第三特征点和第四特征点;
第一二值获取子模块,用于获取所述第一特征点在所述横轴方向上的第一值,及所述第二特征点在所述横轴方向上的第二值;
第三四值获取子模块,用于获取所述第三特征点在所述纵轴方向上的第三值,及所述第四特征点在所述纵轴方向上的第四值;
预测宽度计算子模块,用于基于所述第一值和所述第二值,计算得到所述预测宽度;
预测长度计算子模块,用于基于所述第三值和所述第四值,计算得到所述预测长度。
可选地,所述损失值获取模块340包括:
分类损失值计算子模块,用于根据各所述分类概率,计算得到分类损失值;
位置损失值计算子模块,用于根据各所述初始中心点坐标、各所述初始长度、各所述初始宽度、各所述预测中心点坐标、各所述预测长度和各所述预测宽度,计算得到位置损失值;
损失值确定子模块,用于基于所述分类损失值和所述位置损失值,确定所述损失值。
本发明实施例提供的图像处理模型生成装置,将特定病症的多个训练样本病灶图像输入初始图像处理模型,其中,初始图像处理模型包括分类层和标注层,每个训练样本病灶图像包括病灶区域对应的初始中心点坐标、初始长度和初始宽度,调用分类层,对每个训练样本病灶图像进行分类处理,得到每个训练样本病灶图像对应的分类概率,调用标注层,对每个训练样本病灶图像进行处理,得到每个训练样本病灶图像中所包含病灶区域的预测中心点坐标、预测长度和预测宽度,基于各分类概率、各初始中心点坐标、各初始长度、各初始宽度、各预测中心点坐标、各预测长度和各预测宽度,获取初始图像处理模型的损失值,在损失值处于预设范围内的情况下,将初始图像处理模型作为训练后的目标图像处理模型。本发明实施例提供的图像处理模型能够准确的识别出病灶图像中的病灶区域,并添加相应的标注坐标,能够体现出病灶在病变组织上的具体位置。
实施例四
参照图4,示出了本发明实施例提供的一种图像处理装置的结构示意图,该图像处理装置可以包括如下模块:
待处理图像输入模块410,用于将待处理病灶图像输入预先训练好的目标图像处理模型;其中,所述目标图像处理模型包括分类层和标注层;
图像分类概率获取模块420,用于调用所述分类层,对所述待处理病灶图像进行分类处理,得到所述待处理病灶图像对应的分类概率;
区域中心坐标获取模块430,用于调用所述标注层,对所述待处理病灶图像进行处理,得到所述待处理病灶图像对应的区域中心点坐标、区域长度和区域宽度;
病症确定模块440,用于根据所述分类概率,确定所述待处理病灶图像对应的病症;
标注区域确定模块450,用于根据所述区域中心点坐标、所述区域长度和所述区域宽度,确定所述待处理病灶图像中的病灶标注区域。
可选地,所述图像分类概率获取模块420包括:
待处理特征获取子模块,用于获取所述待处理病灶图像对应的一组不同维度的图像特征;
待处理特征输入子模块,用于将所述不同维度的图像特征输入所述分类层;
图像分类概率获取子模块,用于调用所述分类层,对所述不同维度的图像特征进行处理,输出所述待处理病灶图像对应的分类概率。
可选地,所述区域中心坐标获取模块430包括:
二维特征获取子模块,用于获得所述待处理病灶图像对应的二维特征图;
二维特征输入子模块,用于将所述二维特征图输入所述标注层;
二维坐标确定子模块,用于调用所述标注层,确定所述二维特征图中的最大特征点,及所述最大特征点对应的最大像素值和二维坐标;
区域坐标确定子模块,用于根据所述最大特征点、所述最大像素值、所述二维坐标和预设像素阈值,确定所述待处理病灶图像中的区域中心点坐标、区域长度和区域宽度。
可选地,所述二维坐标包括横轴方向上的第一坐标值和纵轴方向上的第二坐标值,所述区域坐标确定子模块包括:
区域中心坐标确定子模块,用于将所述二维坐标确定为所述区域中心点坐标;
绝对值计算子模块,用于计算得到所述最大像素值和所述预设像素阈值之间的像素差值绝对值;
第二特征点获取子模块,用于根据所述像素差值绝对值和所述最大特征点,获取所述二维特征图中在所述横轴方向上的第一特征点和第二特征点,及在所述纵轴方向上的第三特征点和第四特征点;
一二值获取子模块,用于获取所述第一特征点在所述横轴方向上的第一值,及所述第二特征点在所述横轴方向上的第二值;
三四值获取子模块,用于获取所述第三特征点在所述纵轴方向上的第三值,及所述第四特征点在所述纵轴方向上的第四值;
区域宽度获取子模块,用于基于所述第一值和所述第二值,计算得到所述区域宽度;
区域长度获取子模块,用于基于所述第三值和所述第四值,计算得到所述区域长度。
本发明实施例提供的图像处理装置,通过将待处理病灶图像输入预先训练好的目标图像处理模型,其中,目标图像处理模型包括分类层和标注层,调用分类层,对待处理病灶图像进行分类处理,得到待处理病灶图像对应的分类概率,调用标注层,对待处理病灶图像进行处理,得到待处理病灶图像对应的区域中心点坐标、区域长度和区域宽度,根据分类概率,确定待处理病灶图像对应的病症,根据区域中心点坐标、区域长度和区域宽度,确定待处理病灶图像中的病灶标注区域。本发明实施例可以通过图像处理模型能够准确的识别出病灶图像中的病灶区域,及待处理病灶图像对应的病症,并添加相应的标注坐标,能够体现出病灶在病变组织上的具体位置。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
另外地,本发明实施例还提供了一种电子设备,包括:处理器、存储器以及存储在所述存储器上并可在所述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上述实施例一中任一项所述的图像处理模型生成方法,和上述实施例二中任一项所述的图像处理方法。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种图像处理模型生成方法、一种图像处理方法、一种图像处理模型生成装置、一种图像处理装置和一种电子设备,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (19)
1.一种图像处理模型生成方法,其特征在于,包括:
将特定病症的多个训练样本病灶图像输入初始图像处理模型;其中,所述初始图像处理模型包括分类层和标注层,每个所述训练样本病灶图像包括病灶区域对应的初始中心点坐标、初始长度和初始宽度;
调用所述分类层,对每个所述训练样本病灶图像进行分类处理,得到每个所述训练样本病灶图像对应的分类概率;
调用所述标注层,对每个所述训练样本病灶图像进行处理,得到每个所述训练样本病灶图像中所包含病灶区域的预测中心点坐标、预测长度和预测宽度;
基于各所述分类概率、各所述初始中心点坐标、各所述初始长度、各所述初始宽度、各所述预测中心点坐标、各所述预测长度和各所述预测宽度,获取所述初始图像处理模型的损失值;
在所述损失值处于预设范围内的情况下,将所述初始图像处理模型作为训练后的目标图像处理模型。
2.根据权利要求1所述的方法,其特征在于,所述调用所述分类层,对每个所述训练样本病灶图像进行分类处理,得到每个所述训练样本病灶图像对应的分类概率,包括:
针对每个所述训练样本病灶图像,获取所述训练样本病灶图像对应的一组不同维度的图像特征;
将所述不同维度的图像特征输入所述分类层;
调用所述分类层,对所述不同维度的图像特征进行处理,输出所述训练样本病灶图像对应的分类概率。
3.根据权利要求1所述的方法,其特征在于,所述调用所述标注层,对每个所述训练样本病灶图像对应的二维特征图进行处理,得到每个所述训练样本病灶图像中所包含的病灶区域对应的预测中心点坐标、预测长度和预测宽度,包括:
获得每个所述训练样本病灶图像对应的二维特征图;
将每个所述二维特征图输入所述标注层;
调用所述标注层,确定每个所述二维特征图中的最大特征点,及每个所述最大特征点对应的最大像素值和二维坐标;
根据各所述最大特征点、各所述最大像素值、各所述二维坐标和预设像素阈值,确定每个所述病灶区域对应的预测中心点坐标、预测长度和预测宽度。
4.根据权利要求3所述的方法,其特征在于,所述二维坐标包括横轴方向上的第一坐标值和纵轴方向上的第二坐标值,所述根据各所述最大特征点、各所述最大像素值、各所述二维坐标和预设像素阈值,确定每个所述病灶区域对应的预测中心点坐标,包括:
将所述二维坐标确定为所述预测中心点坐标;
计算得到所述最大像素值和所述预设像素阈值之间的像素差值绝对值;
根据所述像素差值绝对值和所述最大特征点,获取所述二维特征图中在所述横轴方向上的第一特征点和第二特征点,及在所述纵轴方向上的第三特征点和第四特征点;
获取所述第一特征点在所述横轴方向上的第一值,及所述第二特征点在所述横轴方向上的第二值;
获取所述第三特征点在所述纵轴方向上的第三值,及所述第四特征点在所述纵轴方向上的第四值;
基于所述第一值和所述第二值,计算得到所述预测宽度;
基于所述第三值和所述第四值,计算得到所述预测长度。
5.根据权利要求1所述的方法,其特征在于,所述基于各所述分类概率、各所述初始中心点坐标、各所述初始长度、各所述初始宽度、各所述预测中心点坐标、各所述预测长度和各所述预测宽度,获取所述初始图像处理模型的损失值,包括:
根据各所述分类概率,计算得到分类损失值;
根据各所述初始中心点坐标、各所述初始长度、各所述初始宽度、各所述预测中心点坐标、各所述预测长度和各所述预测宽度,计算得到位置损失值;
基于所述分类损失值和所述位置损失值,确定所述损失值。
6.一种图像处理方法,其特征在于,包括:
将待处理病灶图像输入预先训练好的目标图像处理模型;其中,所述目标图像处理模型包括分类层和标注层;
调用所述分类层,对所述待处理病灶图像进行分类处理,得到所述待处理病灶图像对应的分类概率;
调用所述标注层,对所述待处理病灶图像进行处理,得到所述待处理病灶图像对应的区域中心点坐标、区域长度和区域宽度;
根据所述分类概率,确定所述待处理病灶图像对应的病症;
根据所述区域中心点坐标、所述区域长度和所述区域宽度,确定所述待处理病灶图像中的病灶标注区域。
7.根据权利要求6所述的方法,其特征在于,所述调用所述分类层,对所述待处理病灶图像进行分类处理,得到所述待处理病灶图像对应的分类概率,包括:
获取所述待处理病灶图像对应的一组不同维度的图像特征;
将所述不同维度的图像特征输入所述分类层;
调用所述分类层,对所述不同维度的图像特征进行处理,输出所述待处理病灶图像对应的分类概率。
8.根据权利要求6所述的方法,其特征在于,所述调用所述标注层,对所述待处理病灶图像进行处理,得到所述待处理病灶图像对应的区域中心点坐标、区域长度和区域宽度,包括:
获得所述待处理病灶图像对应的二维特征图;
将所述二维特征图输入所述标注层;
调用所述标注层,确定所述二维特征图中的最大特征点,及所述最大特征点对应的最大像素值和二维坐标;
根据所述最大特征点、所述最大像素值、所述二维坐标和预设像素阈值,确定所述待处理病灶图像中的区域中心点坐标、区域长度和区域宽度。
9.根据权利要求8所述的方法,其特征在于,所述二维坐标包括横轴方向上的第一坐标值和纵轴方向上的第二坐标值,所述根据所述最大特征点、所述最大像素值、所述二维坐标和预设像素阈值,确定所述待处理病灶图像中的区域中心点坐标、区域长度和区域宽度,包括:
将所述二维坐标确定为所述区域中心点坐标;
计算得到所述最大像素值和所述预设像素阈值之间的像素差值绝对值;
根据所述像素差值绝对值和所述最大特征点,获取所述二维特征图中在所述横轴方向上的第一特征点和第二特征点,及在所述纵轴方向上的第三特征点和第四特征点;
获取所述第一特征点在所述横轴方向上的第一值,及所述第二特征点在所述横轴方向上的第二值;
获取所述第三特征点在所述纵轴方向上的第三值,及所述第四特征点在所述纵轴方向上的第四值;
基于所述第一值和所述第二值,计算得到所述区域宽度;
基于所述第三值和所述第四值,计算得到所述区域长度。
10.一种图像处理模型生成装置,其特征在于,包括:
样本图像输入模块,用于将特定病症的多个训练样本病灶图像输入初始图像处理模型;其中,所述初始图像处理模型包括分类层和标注层,每个所述训练样本病灶图像包括病灶区域对应的初始中心点坐标、初始长度和初始宽度;
分类概率获取模块,用于调用所述分类层,对每个所述训练样本病灶图像进行分类处理,得到每个所述训练样本病灶图像对应的分类概率;
预测中心点坐标获取模块,用于调用所述标注层,对每个所述训练样本病灶图像进行处理,得到每个所述训练样本病灶图像中所包含病灶区域的预测中心点坐标、预测长度和预测宽度;
损失值获取模块,用于基于各所述分类概率、各所述初始中心点坐标、各所述初始长度、各所述初始宽度、各所述预测中心点坐标、各所述预测长度和各所述预测宽度,获取所述初始图像处理模型的损失值;
目标模型生成模块,用于在所述损失值处于预设范围内的情况下,将所述初始图像处理模型作为训练后的目标图像处理模型。
11.根据权利要求10所述的装置,其特征在于,所述分类概率获取模块包括:
图像特征获取子模块,用于针对每个所述训练样本病灶图像,获取所述训练样本病灶图像对应的一组不同维度的图像特征;
图像特征输入子模块,用于将所述不同维度的图像特征输入所述分类层;
分类概率输出子模块,用于调用所述分类层,对所述不同维度的图像特征进行处理,输出所述训练样本病灶图像对应的分类概率。
12.根据权利要求10所述的装置,其特征在于,所述预测中心点坐标获取模块包括:
二维特征图获取子模块,用于获得每个所述训练样本病灶图像对应的二维特征图;
二维特征图输入取子模块,用于将每个所述二维特征图输入所述标注层;
特征点值确定子模块,用于调用所述标注层,确定每个所述二维特征图中的最大特征点,及每个所述最大特征点对应的最大像素值和二维坐标;
预测中心点坐标确定子模块,用于根据各所述最大特征点、各所述最大像素值、各所述二维坐标和预设像素阈值,确定每个所述病灶区域对应的预测中心点坐标、预测长度和预测宽度。
13.根据权利要求12所述的装置,其特征在于,所述二维坐标包括横轴方向上的第一坐标值和纵轴方向上的第二坐标值,所述预测中心点坐标确定子模块包括:
预测坐标确定子模块,用于将所述二维坐标确定为所述预测中心点坐标;
像素差值绝对值计算子模块,用于计算得到所述最大像素值和所述预设像素阈值之间的像素差值绝对值;
第一特征点获取子模块,用于根据所述像素差值绝对值和所述最大特征点,获取所述二维特征图中在所述横轴方向上的第一特征点和第二特征点,及在所述纵轴方向上的第三特征点和第四特征点;
第一二值获取子模块,用于获取所述第一特征点在所述横轴方向上的第一值,及所述第二特征点在所述横轴方向上的第二值;
第三四值获取子模块,用于获取所述第三特征点在所述纵轴方向上的第三值,及所述第四特征点在所述纵轴方向上的第四值;
预测宽度计算子模块,用于基于所述第一值和所述第二值,计算得到所述预测宽度;
预测长度计算子模块,用于基于所述第三值和所述第四值,计算得到所述预测长度。
14.根据权利要求10所述的装置,其特征在于,所述损失值获取模块包括:
分类损失值计算子模块,用于根据各所述分类概率,计算得到分类损失值;
位置损失值计算子模块,用于根据各所述初始中心点坐标、各所述初始长度、各所述初始宽度、各所述预测中心点坐标、各所述预测长度和各所述预测宽度,计算得到位置损失值;
损失值确定子模块,用于基于所述分类损失值和所述位置损失值,确定所述损失值。
15.一种图像处理装置,其特征在于,包括:
待处理图像输入模块,用于将待处理病灶图像输入预先训练好的目标图像处理模型;其中,所述目标图像处理模型包括分类层和标注层;
图像分类概率获取模块,用于调用所述分类层,对所述待处理病灶图像进行分类处理,得到所述待处理病灶图像对应的分类概率;
区域中心坐标获取模块,用于调用所述标注层,对所述待处理病灶图像进行处理,得到所述待处理病灶图像对应的区域中心点坐标、区域长度和区域宽度;
病症确定模块,用于根据所述分类概率,确定所述待处理病灶图像对应的病症;
标注区域确定模块,用于根据所述区域中心点坐标、所述区域长度和所述区域宽度,确定所述待处理病灶图像中的病灶标注区域。
16.根据权利要求15所述的装置,其特征在于,所述图像分类概率获取模块包括:
待处理特征获取子模块,用于获取所述待处理病灶图像对应的一组不同维度的图像特征;
待处理特征输入子模块,用于将所述不同维度的图像特征输入所述分类层;
图像分类概率获取子模块,用于调用所述分类层,对所述不同维度的图像特征进行处理,输出所述待处理病灶图像对应的分类概率。
17.根据权利要求15所述的装置,其特征在于,所述区域中心坐标获取模块包括:
二维特征获取子模块,用于获得所述待处理病灶图像对应的二维特征图;
二维特征输入子模块,用于将所述二维特征图输入所述标注层;
二维坐标确定子模块,用于调用所述标注层,确定所述二维特征图中的最大特征点,及所述最大特征点对应的最大像素值和二维坐标;
区域坐标确定子模块,用于根据所述最大特征点、所述最大像素值、所述二维坐标和预设像素阈值,确定所述待处理病灶图像中的区域中心点坐标、区域长度和区域宽度。
18.根据权利要求17所述的装置,其特征在于,所述二维坐标包括横轴方向上的第一坐标值和纵轴方向上的第二坐标值,所述区域坐标确定子模块包括:
区域中心坐标确定子模块,用于将所述二维坐标确定为所述区域中心点坐标;
绝对值计算子模块,用于计算得到所述最大像素值和所述预设像素阈值之间的像素差值绝对值;
第二特征点获取子模块,用于根据所述像素差值绝对值和所述最大特征点,获取所述二维特征图中在所述横轴方向上的第一特征点和第二特征点,及在所述纵轴方向上的第三特征点和第四特征点;
一二值获取子模块,用于获取所述第一特征点在所述横轴方向上的第一值,及所述第二特征点在所述横轴方向上的第二值;
三四值获取子模块,用于获取所述第三特征点在所述纵轴方向上的第三值,及所述第四特征点在所述纵轴方向上的第四值;
区域宽度获取子模块,用于基于所述第一值和所述第二值,计算得到所述区域宽度;
区域长度获取子模块,用于基于所述第三值和所述第四值,计算得到所述区域长度。
19.一种电子设备,其特征在于,包括:
处理器、存储器以及存储在所述存储器上并可在所述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权利要求1至5任一项所述的图像处理模型生成方法,和权利要求6至9任一项所述的图像处理方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910778807.0A CN110490262B (zh) | 2019-08-22 | 2019-08-22 | 图像处理模型生成方法、图像处理方法、装置及电子设备 |
PCT/CN2020/109611 WO2021032062A1 (zh) | 2019-08-22 | 2020-08-17 | 图像处理模型生成方法、图像处理方法、装置及电子设备 |
US17/423,439 US11887303B2 (en) | 2019-08-22 | 2020-08-17 | Image processing model generation method, image processing method and device, and electronic device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910778807.0A CN110490262B (zh) | 2019-08-22 | 2019-08-22 | 图像处理模型生成方法、图像处理方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490262A true CN110490262A (zh) | 2019-11-22 |
CN110490262B CN110490262B (zh) | 2022-06-03 |
Family
ID=68552908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910778807.0A Active CN110490262B (zh) | 2019-08-22 | 2019-08-22 | 图像处理模型生成方法、图像处理方法、装置及电子设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11887303B2 (zh) |
CN (1) | CN110490262B (zh) |
WO (1) | WO2021032062A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112331314A (zh) * | 2020-11-25 | 2021-02-05 | 中山大学附属第六医院 | 一种图像标注方法、装置、存储介质和电子设备 |
WO2021032062A1 (zh) * | 2019-08-22 | 2021-02-25 | 京东方科技集团股份有限公司 | 图像处理模型生成方法、图像处理方法、装置及电子设备 |
CN112926612A (zh) * | 2019-12-06 | 2021-06-08 | 中移(成都)信息通信科技有限公司 | 病理图像分类模型训练方法、病理图像分类方法及装置 |
CN115082405A (zh) * | 2022-06-22 | 2022-09-20 | 强联智创(北京)科技有限公司 | 颅内病灶的检测模型的训练方法、检测方法、装置及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201227611A (en) * | 2010-12-23 | 2012-07-01 | Nat Univ Chung Hsing | Segment length enhancement unit and method |
CN102525377A (zh) * | 2010-10-25 | 2012-07-04 | 富士胶片株式会社 | 诊断支持装置、诊断支持方法、病变部位检测装置以及病变部位检测方法 |
CN106709929A (zh) * | 2016-12-30 | 2017-05-24 | 上海联影医疗科技有限公司 | 医学图像感兴趣区域显示方法及装置 |
US20170161894A1 (en) * | 2015-12-02 | 2017-06-08 | The Cleveland Clinic Foundation | Automated lesion segmentation from mri images |
CN108961296A (zh) * | 2018-07-25 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 眼底图像分割方法、装置、存储介质和计算机设备 |
CN109671053A (zh) * | 2018-11-15 | 2019-04-23 | 首都医科大学附属北京友谊医院 | 一种胃癌图像识别系统、装置及其应用 |
CN110110808A (zh) * | 2019-05-16 | 2019-08-09 | 京东方科技集团股份有限公司 | 一种对图像进行目标标注的方法、装置及计算机记录介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005339075A (ja) | 2004-05-26 | 2005-12-08 | Nippon Telegr & Teleph Corp <Ntt> | 画像探索装置、画像探索方法、この方法のプログラム及びこのプログラムを記録した記録媒体 |
US20070049915A1 (en) * | 2005-08-26 | 2007-03-01 | Dieter Haemmerich | Method and Devices for Cardiac Radiofrequency Catheter Ablation |
JP5120238B2 (ja) * | 2008-08-15 | 2013-01-16 | 富士ゼロックス株式会社 | オブジェクト領域抽出装置及びオブジェクト領域抽出プログラム |
KR101993716B1 (ko) * | 2012-09-28 | 2019-06-27 | 삼성전자주식회사 | 카테고리별 진단 모델을 이용한 병변 진단 장치 및 방법 |
KR20150002284A (ko) * | 2013-06-28 | 2015-01-07 | 삼성전자주식회사 | 병변 검출 장치 및 방법 |
US10593051B2 (en) * | 2017-12-20 | 2020-03-17 | International Business Machines Corporation | Medical image registration guided by target lesion |
CN108564567A (zh) | 2018-03-15 | 2018-09-21 | 中山大学 | 一种超高分辨率病理图像癌变区域可视化方法 |
US10468142B1 (en) * | 2018-07-27 | 2019-11-05 | University Of Miami | Artificial intelligence-based system and methods for corneal diagnosis |
CN109363698B (zh) | 2018-10-16 | 2022-07-12 | 杭州依图医疗技术有限公司 | 一种乳腺影像征象识别的方法及装置 |
CN110491480B (zh) | 2019-05-22 | 2021-04-30 | 腾讯科技(深圳)有限公司 | 一种医疗图像处理方法、装置、电子医疗设备和存储介质 |
CN110490262B (zh) | 2019-08-22 | 2022-06-03 | 京东方科技集团股份有限公司 | 图像处理模型生成方法、图像处理方法、装置及电子设备 |
-
2019
- 2019-08-22 CN CN201910778807.0A patent/CN110490262B/zh active Active
-
2020
- 2020-08-17 US US17/423,439 patent/US11887303B2/en active Active
- 2020-08-17 WO PCT/CN2020/109611 patent/WO2021032062A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102525377A (zh) * | 2010-10-25 | 2012-07-04 | 富士胶片株式会社 | 诊断支持装置、诊断支持方法、病变部位检测装置以及病变部位检测方法 |
TW201227611A (en) * | 2010-12-23 | 2012-07-01 | Nat Univ Chung Hsing | Segment length enhancement unit and method |
US20170161894A1 (en) * | 2015-12-02 | 2017-06-08 | The Cleveland Clinic Foundation | Automated lesion segmentation from mri images |
CN106709929A (zh) * | 2016-12-30 | 2017-05-24 | 上海联影医疗科技有限公司 | 医学图像感兴趣区域显示方法及装置 |
CN108961296A (zh) * | 2018-07-25 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 眼底图像分割方法、装置、存储介质和计算机设备 |
CN109671053A (zh) * | 2018-11-15 | 2019-04-23 | 首都医科大学附属北京友谊医院 | 一种胃癌图像识别系统、装置及其应用 |
CN110110808A (zh) * | 2019-05-16 | 2019-08-09 | 京东方科技集团股份有限公司 | 一种对图像进行目标标注的方法、装置及计算机记录介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021032062A1 (zh) * | 2019-08-22 | 2021-02-25 | 京东方科技集团股份有限公司 | 图像处理模型生成方法、图像处理方法、装置及电子设备 |
US11887303B2 (en) | 2019-08-22 | 2024-01-30 | Beijing Boe Technology Development Co., Ltd. | Image processing model generation method, image processing method and device, and electronic device |
CN112926612A (zh) * | 2019-12-06 | 2021-06-08 | 中移(成都)信息通信科技有限公司 | 病理图像分类模型训练方法、病理图像分类方法及装置 |
CN112331314A (zh) * | 2020-11-25 | 2021-02-05 | 中山大学附属第六医院 | 一种图像标注方法、装置、存储介质和电子设备 |
CN115082405A (zh) * | 2022-06-22 | 2022-09-20 | 强联智创(北京)科技有限公司 | 颅内病灶的检测模型的训练方法、检测方法、装置及设备 |
CN115082405B (zh) * | 2022-06-22 | 2024-05-14 | 强联智创(北京)科技有限公司 | 颅内病灶的检测模型的训练方法、检测方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2021032062A1 (zh) | 2021-02-25 |
CN110490262B (zh) | 2022-06-03 |
US20220114724A1 (en) | 2022-04-14 |
US11887303B2 (en) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490262A (zh) | 图像处理模型生成方法、图像处理方法、装置及电子设备 | |
CN109800824B (zh) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 | |
CN106682633B (zh) | 基于机器视觉的粪便镜检图像有形成分的分类识别方法 | |
Klibisz et al. | Fast, simple calcium imaging segmentation with fully convolutional networks | |
CN109711401A (zh) | 一种基于Faster Rcnn的自然场景图像中的文本检测方法 | |
CN109964250A (zh) | 用于分析卷积神经网络中的图像的方法和系统 | |
CN109377445A (zh) | 模型训练方法、替换图像背景的方法、装置和电子系统 | |
CN105787506A (zh) | 基于图像识别与二维码识别技术的垃圾分类评价方法 | |
CN109344851B (zh) | 图像分类显示方法和装置、分析仪器和存储介质 | |
CN104573699B (zh) | 基于中等场强磁共振解剖成像的实蝇识别方法 | |
CN107909102A (zh) | 一种组织病理图像的分类方法 | |
CN108664986B (zh) | 基于lp范数正则化的多任务学习图像分类方法及系统 | |
CN106570874A (zh) | 一种结合图像局部约束与对象全局约束的图像标记方法 | |
CN108268890A (zh) | 一种高光谱图像分类方法 | |
CN109767459A (zh) | 新型眼底图配准方法 | |
CN112543934A (zh) | 一种确定异常程度的方法、相应的计算机可读介质和分布式癌症分析系统 | |
Chen et al. | Cell nuclei detection and segmentation for computational pathology using deep learning | |
CN109671055B (zh) | 肺结节检测方法及装置 | |
Shu et al. | LVC-Net: Medical image segmentation with noisy label based on local visual cues | |
CN109034218B (zh) | 模型训练方法、装置、设备及存储介质 | |
CN110309713A (zh) | 表情识别模型训练方法、装置、设备和存储介质 | |
CN114387270B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
CN113920378A (zh) | 基于注意力机制的柴胡种子识别方法 | |
Yin et al. | Pyramid tokens-to-token vision transformer for thyroid pathology image classification |
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 |