CN110705626A - 一种图像处理方法及装置、电子设备和存储介质 - Google Patents

一种图像处理方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN110705626A
CN110705626A CN201910918450.1A CN201910918450A CN110705626A CN 110705626 A CN110705626 A CN 110705626A CN 201910918450 A CN201910918450 A CN 201910918450A CN 110705626 A CN110705626 A CN 110705626A
Authority
CN
China
Prior art keywords
image
image data
processing
classification
classification network
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.)
Pending
Application number
CN201910918450.1A
Other languages
English (en)
Inventor
韩泓泽
黄宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN201910918450.1A priority Critical patent/CN110705626A/zh
Publication of CN110705626A publication Critical patent/CN110705626A/zh
Priority to KR1020217037806A priority patent/KR20210153700A/ko
Priority to PCT/CN2020/100692 priority patent/WO2021057174A1/zh
Priority to JP2021563034A priority patent/JP2022530413A/ja
Priority to TW109130908A priority patent/TW202113871A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种图像处理方法及装置、电子设备和存储介质，其中，所述方法包括：将第一图像和第二图像输入目标分类网络，得到分类结果；根据所述分类结果，对所述第一图像中的目标对象基于所述第二图像中的区域分布进行处理所得到的变化情况进行预测，得到预测结果。采用本公开，能简化图像处理过程且提高预测结果的准确性。

Description

一种图像处理方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机视觉技术领域，尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
深度学习快速发展，在图像处理领域取得显著成就。目前基于深度学习的图像处理技术，要得到病灶发展程度的预测，需要经过多个处理过程，导致处理过程繁琐，而且由此得到的预测结果的准确性也不高。相关技术中未存在有效的解决方案。
发明内容
本公开提出了一种图像处理技术方案。
根据本公开的一方面，提供了一种图像处理方法，所述方法包括：
将第一图像和第二图像输入目标分类网络，得到分类结果；
根据所述分类结果，对所述第一图像中的目标对象基于所述第二图像中的区域分布进行处理所得到的变化情况进行预测，得到预测结果。
采用本公开，采用一个目标分类网络就可以得到分类结果，从而简化了图像处理过程，而且，该分类结果是通过第一图像和第二图像联合输入该目标分类网络所得到的，并根据分类结果对所述第一图像中的目标对象基于所述第二图像中的区域分布进行处理所得到的变化情况进行预测，从而，提高了预测结果的准确性。
可能的实现方式中，所述将第一图像和第二图像输入目标分类网络，得到分类结果之前，所述方法还包括：
对分类网络进行训练，得到训练后的分类网络；
将所述训练后的分类网络作为所述目标分类网络。
采用本公开，将训练后的分类网络作为目标分类网络，则采用目标分类网络可以得到分类结果，根据分类结果对所述第一图像中的目标对象基于所述第二图像中的区域分布进行处理所得到的变化情况进行预测，从而，提高了预测结果的准确性。
可能的实现方式中，所述对分类网络进行训练，得到训练后的分类网络，包括：
将第一图像数据和第二图像数据进行图像叠加处理后，得到待处理图像；
将所述待处理图像作为训练样本输入所述分类网络进行训练，得到所述目标分类网络。
采用本公开，根据第一图像数据和第二图像数据进行图像叠加处理后得到的待处理图像进行分类网络的训练，由于综合考虑了这两种图像数据并在该分类网络中进行训练，因此，可以得到训练的精确度。
可能的实现方式中，所述将第一图像数据和第二图像数据进行图像叠加处理后，得到待处理图像之前，所述方法还包括：
根据所述目标对象的轮廓，对所述第一图像数据及所述第二图像数据分别进行图像切割，得到切割后的第一子图像数据和第二子图像数据。
采用本公开，根据所述目标对象的轮廓分别切割第一图像数据及所述第二图像数据，得到切割后的第一子图像数据和第二子图像数据并用于该分类网络的训练，可以提高训练效率。
可能的实现方式中，所述第一子图像数据和所述第二子图像数据，为相同尺寸的图像数据。
采用本公开，采用相同尺寸的图像数据，在图像叠加处理过程中可以无需像素位置对齐，直接采用第一子图像数据和第二子图像数据实现图像叠加即可，从而提高了图像叠加的处理效率。
可能的实现方式中，所述根据所述目标对象的轮廓，对所述第一图像数据及所述第二图像数据分别进行图像切割之后，所述方法还包括：
将所述第一子图像数据和所述第二子图像数据分别转换为对应的直方图，并进行直方图的均衡化处理。
采用本公开，将图像数据转换为对应的直方图，并进行直方图的均衡化处理，可以将图像的直方图分布变成近似均匀分布，从而增强了图像的对比度，使图像更为清晰。
可能的实现方式中，所述根据所述目标对象的轮廓，对所述第一图像数据及所述第二图像数据分别进行图像切割之后，所述方法还包括：
将所述第一子图像数据和所述第二子图像数据中包含的对应像素点进行归一化处理。
采用本公开，通过对像素点进行归一化处理，可以归纳出像素点的分布性，从而可以把需要处理的像素点经过归一化处理后限制在预设的定范围内，也就是说，归一化处理是为了后续的一系列处理更加方便快捷，有利于加速分类网络训练的收敛速度。
可能的实现方式中，所述分类网络包括至少一个分类处理模块；
所述将所述待处理图像作为训练样本输入所述分类网络进行训练，得到所述目标分类网络，包括：
将所述待处理图像通过所述至少一个分类处理模块进行特征提取、降维处理及全局平均池化处理，得到损失函数；
根据所述损失函数的反向传播训练所述分类网络，以得到所述目标分类网络。
采用本公开，对待处理图像通过至少一个分类处理模块进行特征提取、降维处理及全局平均池化处理，可以得到损失函数，根据所述损失函数的反向传播训练所述分类网络，从而，训练得到该目标分类网络。
可能的实现方式中，每个分类处理模块至少包括卷积层；
所述将所述待处理图像通过所述至少一个分类处理模块进行特征提取、降维处理及全局平均池化处理，得到损失函数，包括：
将所述待处理图像通过所述至少一个分类处理模块中的对应卷积层进行特征提取后，进行降维处理，得到第一处理结果；
将所述第一处理结果进行全局平均池化处理后输入全连接层，得到第二处理结果，所述第二处理结果用于表征所提取特征的预测变化情况；
根据所述第二处理结果和手工标注结果，得到所述损失函数。
采用本公开，可以根据降维处理后得到的第一处理结果得到第二处理结果，根据所述第二处理结果和手工标注结果，得到所述损失函数，以便根据所述损失函数的反向传播训练所述分类网络，从而，训练得到该目标分类网络。
可能的实现方式中，所述分类处理模块为残差模块的情况下，每个残差模块包括：卷积层、正则化层和激活层；
所述将所述待处理图像通过所述至少一个分类处理模块中的对应卷积层进行特征提取后，还包括：
将所述待处理图像通过至少一个残差模块中的对应卷积层进行特征提取后得到的第一提取结果，经过正则化层和激活层的处理后得到第二提取结果；
根据所述第二提取结果和所述待处理图像，得到第三提取结果。
采用本公开，分类处理模块为残差模块的情况下，该模块的结构包括：卷积层、正则化层和激活层，通过残差模块对应卷积层进行特征提取后得到的第一提取结果，经过正则化层和激活层的处理后得到第二提取结果，根据所述第二提取结果和所述待处理图像，可以得到第三提取结果，以便根据该第三提取结果得到用于计算损失函数的第一处理结果，得到损失函数后，可以根据所述损失函数的反向传播训练所述分类网络，从而，训练得到该目标分类网络。
可能的实现方式中，所述进行降维处理，得到第一处理结果，包括：
根据所述第三提取结果，进行降维处理，得到所述第一处理结果。
采用本公开，可以对第三提取结果进行降维处理，以得到用于计算损失函数的第一处理结果，得到损失函数后，可以根据所述损失函数的反向传播训练所述分类网络，从而，训练得到该目标分类网络。
根据本公开的一方面，提供了一种图像处理装置，所述装置包括：
分类单元，用于将第一图像和第二图像输入目标分类网络，得到分类结果；
预测单元，用于根据所述分类结果，对所述第一图像中的目标对象基于所述第二图像中的区域分布进行处理所得到的变化情况进行预测，得到预测结果。
可能的实现方式中，所述装置还包括训练单元，用于：
对分类网络进行训练，得到训练后的分类网络；
将所述训练后的分类网络作为所述目标分类网络。
可能的实现方式中，所述训练单元，包括：
叠加子单元，用于将第一图像数据和第二图像数据进行图像叠加处理后，得到待处理图像；
训练子单元，用于将所述待处理图像作为训练样本输入所述分类网络进行训练，得到所述目标分类网络。
可能的实现方式中，所述训练单元，还包括：
切割子单元，用于根据所述目标对象的轮廓，对所述第一图像数据及所述第二图像数据分别进行图像切割，得到切割后的第一子图像数据和第二子图像数据。
可能的实现方式中，所述第一子图像数据和所述第二子图像数据，为相同尺寸的图像数据。
可能的实现方式中，所述训练单元，还包括：
均衡化处理子单元，用于将所述第一子图像数据和所述第二子图像数据分别转换为对应的直方图，并进行直方图的均衡化处理。
可能的实现方式中，所述训练单元，还包括：
归一化处理子单元，用于将所述第一子图像数据和所述第二子图像数据中包含的对应像素点进行归一化处理。
可能的实现方式中，所述分类网络包括至少一个分类处理模块；
所述训练子单元，用于：
将所述待处理图像通过所述至少一个分类处理模块进行特征提取、降维处理及全局平均池化处理，得到损失函数；
根据所述损失函数的反向传播训练所述分类网络，以得到所述目标分类网络。
可能的实现方式中，每个分类处理模块至少包括卷积层；
所述训练子单元，用于：
将所述待处理图像通过所述至少一个分类处理模块中的对应卷积层进行特征提取后，进行降维处理，得到第一处理结果；
将所述第一处理结果进行全局平均池化处理后输入全连接层，得到第二处理结果，所述第二处理结果用于表征所提取特征的预测变化情况；
根据所述第二处理结果和手工标注结果，得到所述损失函数。
可能的实现方式中，所述分类处理模块为残差模块的情况下，每个残差模块包括：卷积层、正则化层和激活层；
所述训练子单元，用于：
将所述待处理图像通过至少一个残差模块中的对应卷积层进行特征提取后得到的第一提取结果，经过正则化层和激活层的处理后得到第二提取结果；
根据所述第二提取结果和所述待处理图像，得到第三提取结果。
可能的实现方式中，所述训练子单元，用于：
根据所述第三提取结果，进行降维处理，得到所述第一处理结果。
根据本公开的一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述图像处理方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述图像处理方法。
在本公开实施例中，将第一图像和第二图像输入目标分类网络，得到分类结果；根据所述分类结果，对所述第一图像中的目标对象基于所述第二图像中的区域分布进行处理所得到的变化情况进行预测，得到预测结果。由于采用一个目标分类网络就可以得到分类结果，因此，采用本公开，简化了图像处理过程，由于该分类结果是通过第一图像和第二图像联合输入该目标分类网络所得到的，并根据分类结果对所述第一图像中的目标对象基于所述第二图像中的区域分布进行处理所得到的变化情况进行预测，因此，采用本公开，提高了预测结果的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的流程图。
图2示出根据本公开实施例的图像处理方法的流程图。
图3示出根据本公开实施例的图像处理方法的分类网络架构示意图。
图4示出根据本公开实施例的图像处理装置的框图。
图5示出根据本公开实施例的电子设备的框图。
图6示出根据本公开实施例的电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图像处理的一个应用方向是：通过优化医学图像的处理，以更简化的处理过程，得到更准确的预测结果。该预测结果可以为针对指定区域病灶进行处理时会对该指定区域造成影响程度的预测结果。比如，病灶可以在腹部、肺部、肾部、脑部、心脏等，若指定区域是肺部，则需要对肺部存在病灶的位置经手术处置后对肺部造成影响程度(如严重程度或不严重程度等等)进行预测。
比如，对肺部病灶进行射线放疗之前，需要进行上述预测。对肺部进行射线放疗可能会导致放射性肺炎，放射性肺炎是由于病灶(如肺癌、乳腺癌、食管癌、恶性淋巴瘤或胸部其他恶性肿瘤)经放射治疗后，在放射野内的正常肺组织受到损伤而引起的炎症反应。轻者无症状，炎症可自行消散；重者肺脏发生广泛纤维化，导致呼吸功能损害，甚致呼吸衰竭。炎症反应的程度与放射剂量以及放疗前病灶的状态密切相关，需要对诸如肺癌放疗后放射性肺炎严重程度进行预测，该过程比较繁琐，需要先从图像(如包含肺癌病灶的CT图像)中提取图像特征，然后从提取的图像特征中选择待处理的图像特征，之后在分类器中进行分类，以根据分类结果进行图像中对指定区域影响程度的预测。
其中，对于图像特征的提取，可以通过放射组学来实现。通过放射组学提取图像特征，是通过放射影像方法提取图像特征，再研究该图像特征与临床症状(如指定区域影响程度预测)等关系。提取图像特征后对特征进行选择，可以通过SVM等分类器预测对指定区域的影响程度(如严重程度或不严重程度等等)。由此可见，整个图像处理过程包括多个阶段，不仅繁琐，而且由此得到的预测结果的准确性也不高。准确性不高是因为：1)在每个阶段都有许多人为设定的超参数，人为设定的超参数的选取是否准确，对最终预测结果有很大影响，也就是说，如果人为设定的超参数选取不准确，最终的预测结果也不准确；2)对于射线放疗采用的放射剂量的预测，目前是与图像处理过程的预测分别进行，可以通过整个肺内部放射剂量求均值等方法得到剂量常数参加预测过程，比如，一般用Gy单位来衡量放射的吸收剂量，医生可以通过统计肺内吸收剂量超过一定值的组织占整个肺部的百分比作为该剂量常数。如V20就是肺内吸收剂量超过20Gy的组织占整个肺部的百分比。采用该剂量常数的处理方法过于笼统，没有考虑不同病灶处剂量大小也不同，显然病灶在腹部、肺部、肾部、脑部、心脏等不同区域，采用剂量大小是不同的，相应的，放射后造成的影响也不同。比如，虽然整个肺部的内部射线剂量比较少，通过统计的常数也比较小，但是，当射线照射到关键的器官，如主要的气管、血管、心脏等，也会导致严重后果。也就是说，该剂量常数的处理方法所采用的常数，只是一个统计量，没考虑到射线在不同区域空间上的分布，如此一来，采用该剂量常数的处理方法得到的预测准确率也并不高。
综上所述，当前放疗后肺炎严重程度预测任务主要通过放射组学的方式来解决，存在着效率不高、鲁棒性不强、未考虑射线分布和准确率低等缺陷。虽然有的放射组学方法给出了理想的准确率，但是其过程中的特征选择优化和剂量常数、SVM的超参数选择使其方法鲁棒性不强，难以在其他数据集上泛用。同时，当前的研究都对射线剂量进行了常数化处理，即将整个肺内的或癌症区域的射线剂量统计为一个常数，但是这样计算就失去了射线的分布特征。
采用本公开，以通过射线放疗后对肺炎严重程度的预测为例，通过深度学习训练后得到的目标分类网络(如分类神经网络，该网络可以是三维的)，可以将肺部图像与射线分布图像(这两个图像都可以是三维的图像)同时输入到该目标分类网络中，从而，通过该目标分类网络可以综合得到病灶所在指定区域或相关联区域在每个位置上的图像及射线分布，以提高预测准确性，并通过该目标分类网络的分类，可以直接一步输出放疗后将发生肺炎的严重程度。本公开不仅在图像处理的预测过程中考虑了射线剂量的分布，而且还可以将泛用在相似任务数据集上，如对于任一医院的放射性肺炎数据，都可以直接应用本公开预测放射性肺炎严重的程度，而不需要更改任何参数和结构，且应用场景不限于病灶在腹部、肺部、肾部、脑部、心脏等不同区域或相关联区域的预测，并可以快速的得到准确的预测结果。
图1示出根据本公开实施例的图像分割方法的流程图，该图像分割方法应用于图像分割装置，例如，图像分割装置可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(UE，User Equipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(PDA，Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该图像分割方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，该流程包括：
步骤S101、将第一图像和第二图像输入目标分类网络，得到分类结果。
一示例中，第一图像可以为存在病灶的图像(可以是病灶所在区域的CT图)，如病灶在腹部、肺部、肾部、脑部、心脏等不同区域或相关联区域的图像。第二图像可以为对病灶所在区域或相关联区域进行放疗所使用的射线剂量分布图。比如，可以将存在病灶的图像和射线剂量分布图这两个图像联合输入目标分类网络，以得到分类结果。
步骤S102、根据所述分类结果，对所述第一图像中的目标对象基于所述第二图像中的区域分布进行处理所得到的变化情况进行预测，得到预测结果。
一示例中，该目标对象可以为病灶所在器官，如腹部、肺部、肾部、脑部、心脏等。该区域分布可以为在不同区域，针对不同病灶所采用的射线剂量的分布。该变化情况可以为一旦对病灶进行射线放疗后可能对病灶所在器官(如肺部)产生炎症的严重程度(如严重的概率或者不严重的概率)。比如，可以根据分类结果，对存在病灶的图像中肺部基于射线剂量分布图中射线分布所得到的炎症严重程度进行预测，以得到预测结果。
采用本公开，只需要根据目标分类网络进行分类就可以实现预测，则采用一步即可端到端的得到预测结果，不需要多阶段的繁琐操作。综合考虑了存在病灶的图像和射线剂量分布图的彼此影响，并使用射线剂量分布图作为联合输入，而不是将二者分别割裂的处理，由于通过上述图像间的彼此影响，从而充分考虑了不同位置放射剂量不同带来的不同影响，提高了预测准确率。而且，该目标分类网络不需要人为的超参数来调控，是采用深度学习训练后得到的目标分类网络，实现了整个图像处理过程中预测的自适应调控，有助于提高预测准确率。
图2示出根据本公开实施例的图像分割方法的流程图，该图像分割方法应用于图像分割装置，例如，图像分割装置可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(UE，User Equipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(PDA，Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该图像分割方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图2所示，该流程为将第一图像和第二图像输入目标分类网络，得到分类结果的应用之前对上述目标分类网络的训练过程，包括：
步骤S201、将第一图像数据和第二图像数据进行图像叠加处理后，得到待处理图像。
一示例中，可以在将第一图像数据和第二图像数据进行图像叠加处理后，根据所述目标对象的轮廓，对所述第一图像数据及所述第二图像数据分别进行图像切割，得到切割后的第一子图像数据和第二子图像数据。
需要指出的是，目标对象的轮廓并不是病灶的轮廓，而是病灶所在区域或相关联区域的轮廓，如病灶所在肺部的整个肺部轮廓，或者，病灶所在心脏，肾脏等轮廓，根据不同区域，采用不同的剂量。
一示例中，所述第一子图像数据和所述第二子图像数据，可以为相同尺寸的图像数据。比如，按照肺部轮廓，切割三维的第一图像数据及所述第二图像数据，且二者为相同大小。然后，可以将第一子图像数据和第二子图像数据作为所述待处理图像。
一示例中，所述第一子图像数据和所述第二子图像数据，也可以为不相同尺寸的图像数据，这种情况下，可以将所述第一子图像数据和所述第二子图像数据中包含的对应像素点进行像素位置对齐处理，得到对齐后的第一子图像数据和对齐后的第二子图像数据，将对齐后的第一子图像数据和对齐后的第二子图像数据中包含的对应像素点进行叠加来实现图像叠加处理后，得到所述待处理图像。
步骤S202、将所述待处理图像作为训练样本输入所述分类网络进行训练，得到所述目标分类网络。
本公开通过步骤S201-步骤S202，对分类网络进行训练，可以得到训练后的分类网络。将所述训练后的分类网络作为所述目标分类网络。
可能的实现方式中，可以根据目标对象的轮廓，对第一图像数据及第二图像数据分别进行图像切割之后，还包括：将第一子图像数据和第二子图像数据分别转换为对应的直方图，并进行直方图的均衡化处理。
可能的实现方式中，可以根据目标对象的轮廓，对第一图像数据及第二图像数据分别进行图像切割之后，还包括：将第一子图像数据和第二子图像数据中包含的对应像素点进行归一化处理。
可能的实现方式中，还包括：将第一子图像数据和第二子图像数据分别转换为对应的直方图，并进行直方图的均衡化处理之后得到均衡化处理结果。将该均衡化处理结果中对应第一子图像数据和第二子图像数据中包含的对应像素点进行归一化处理。比如，将这俩子图像进行直方图均衡化后，将二者进行归一化后联结为双通道四维矩阵表示的图像数据。将该图像数据输入到分类网络中，先通过该分类网络的卷积层对图像数据逐层进行特征提取并降维处理，最终，通过全连接层的处理得到射线放疗后发生放射性炎症严重程度的概率。
可能的实现方式中，将所述待处理图像作为训练样本输入所述分类网络进行训练，得到所述目标分类网络，包括：将所述待处理图像通过所述至少一个分类处理模块进行特征提取(如通过卷积层进行特征提取)、降维处理(如池化处理)及全局平均池化处理，得到损失函数，根据所述损失函数的反向传播训练所述分类网络(具体是根据所述损失函数计算出的误差进行反向传播)，以得到所述目标分类网络。
可能的实现方式中，每个分类处理模块至少包括卷积层，将所述待处理图像通过所述至少一个分类处理模块进行特征提取、降维处理及全局平均池化处理，得到损失函数，包括：将所述待处理图像通过所述至少一个分类处理模块中的对应卷积层进行逐层的特征提取后，进行逐层的降维处理，得到第一处理结果；将所述第一处理结果进行全局平均池化处理后输入全连接层，得到第二处理结果，所述第二处理结果为分类网络输出的预测结果，用于表征所提取特征的预测变化情况；根据所述第二处理结果和手工标注结果(如医生已标注的真实变化情况)，得到所述损失函数。也就是说，可以根据分类网络输出的预测结果与医生已标注的真实变化情况得到该损失函数。如果损失函数所反映出的预测变化情况与真实情况之间的误差为零，说明生成的预测变化情况与真实情况之间无差异，则达到收敛条件，从而对分类网络的训练结束，得到训练后目标分类网络。
可能的实现方式中，所述分类处理模块为残差模块的情况下，每个残差模块可以包括：卷积层、正则化层和激活层。将所述待处理图像通过所述至少一个分类处理模块中的对应卷积层进行逐层的特征提取后，还包括：将所述待处理图像通过至少一个残差模块中的对应卷积层进行特征提取后得到的第一提取结果，经过正则化层和激活层的处理后得到第二提取结果；根据所述第二提取结果和所述待处理图像，得到第三提取结果，第三提取结果用于降维处理。也就是说，残差模块的输入是“待处理图像”，将残差模块的输入和残差模块的输入相加所得到最终的提取结果，即为该第三提取结果。通过残差模块进行特征提取之后，还可以进行逐层的降维处理，以得到第一处理结果。比如，根据该第三提取结果进行逐层的降维处理，得到该第一处理结果。
图3示出根据本公开实施例的图像处理方法的分类网络架构示意图，该分类网络(如分类神经网络)可以包括至少一个分类处理模块11。分类处理模块11可以为残差模块12，还可以包括全连接层13。每个残差模块12可以包括：至少一个卷积层121、至少一个正则化层122和至少一个激活层123。通过该分类网络自动学习所提取图像中有用的特征，并应用这些特征进行预测，而不是提取特征后再选择特征，从而相比相关技术，提高了预测准确性。以射线放疗后放射性肺炎严重程度预测为例进行阐述，训练分类网络的过程中，先将肺部图像与射线分布图像(这两个图像都可以是三维的图像)按照肺部轮廓分别切割为相同大小的两个子图像。将两个子图像进行直方图均衡化，并将二者进行归一化后联结为双通道的四维矩阵。将该四维矩阵输入到分类网络中，通过分类处理模块11的卷积层(具体可以为每个残差模块12中的卷积层121、正则化层122和激活层123的处理)对图像逐层进行特征提取，并进行降维处理，最终通过全连接层13得到射线放疗后发生放射性肺炎严重程度的概率。
训练的一示例包括如下内容：
一、根据肺部轮廓将肺部图像与射线分布图像裁剪为相同大小(200x240x240)，降采样到(100x120x120)以适应显存，并将二者联结为四维矩阵(2x100x120x120)。
二、可以采用三维卷积神经网络如Res-Net、Dense-Net等结构，对联结后的四维矩阵进行卷积、正则化及激活操作，将特征通道从2个提升到2048个，再通过对特征进行全局平均池化得到一维向量，将该一维向量输入到全连接层中输出两个值(严重或不严重的概率)，最后通过softmax函数得到最终的预测结果(预测概率)。
本公开采用序列化、模块化的神经网络都可以实现。
所述序列化指可以根据神经网络中序列化的模块来顺序处理输入神经网络中的数据(如切割为相同大小的两个子图像进行联结得到的四维矩阵)，而所述模块化指神经网络中的模块可以随意替换其他能实现本公开的模块，模块替换后也能实现本公开都在本公开的保护范围之内。
需要指出的是，上述切割为相同大小的两个子图像进行联结后得到的图像，相当于一个四维矩阵(可以为2通道的四维矩阵)。通过卷积层进行特征提取，可以是采用至少一个卷积核对输入的四维矩阵进行卷积处理，输出通道数为卷积核个数的四维矩阵，随着卷积核个数的增加，矩阵的通道数也增加，直到2048个。通过正则化层进行正则化处理，可以将该四维矩阵采用公式X＝(X-u)/v进行正则，其中，X为四维矩阵，u为矩阵均值，v为矩阵方差。通过激活层进行激活操作，是使用激活函数来加入非线性因素，以提高神经网络的表达能力。全局平均池化，即为将每个通道的三维矩阵求均值，得到一个长为通道数的一维向量。最后，通过全连接层将该一维向量通过神经网络计算，最终得到两个值(严重或不严重的概率)，最后通过softmax将多分类的输出数值(严重或不严重的概率)转化为相对概率并作为最终的预测结果。
三、将预测概率与真实概率通过带权重的交叉熵损失函数计算生成的预测变化情况与真实情况之间的误差，并反向求导后得到该分类网络中每个参数的梯度，并可以通过深度学习优化器(如Adam优化器)计算更新的差值加在原参数上，实现该分类网络参数的更新，不断迭代这个过程直至误差为零，该分类网络达到收敛，得到训练后的目标分类网络。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图4示出根据本公开实施例的图像处理装置的框图，如图4所示，本公开实施例的图像分割装置，包括：分类单元31，用于将第一图像和第二图像输入目标分类网络，得到分类结果；预测单元32，用于根据所述分类结果，对所述第一图像中的目标对象基于所述第二图像中的区域分布进行处理所得到的变化情况进行预测，得到预测结果。
可能的实现方式中，所述装置还包括训练单元，用于：对分类网络进行训练，得到训练后的分类网络；将所述训练后的分类网络作为所述目标分类网络。
可能的实现方式中，所述训练单元，包括：叠加子单元，用于将第一图像数据和第二图像数据进行图像叠加处理后，得到待处理图像；训练子单元，用于将所述待处理图像作为训练样本输入所述分类网络进行训练，得到所述目标分类网络。
可能的实现方式中，所述训练单元，还包括：切割子单元，用于根据所述目标对象的轮廓，对所述第一图像数据及所述第二图像数据分别进行图像切割，得到切割后的第一子图像数据和第二子图像数据。
可能的实现方式中，所述第一子图像数据和所述第二子图像数据，为相同尺寸的图像数据。
可能的实现方式中，所述训练单元，还包括：均衡化处理子单元，用于将所述第一子图像数据和所述第二子图像数据分别转换为对应的直方图，并进行直方图的均衡化处理。通过直方图的均衡化处理，可以将图像的直方图分布变成近似均匀分布，从而增强了图像的对比度，使图像更为清晰。
可能的实现方式中，所述训练单元，还包括：归一化处理子单元，用于将所述第一子图像数据和所述第二子图像数据中包含的对应像素点进行归一化处理。通过对像素点进行归一化处理，可以归纳出像素点的分布性，从而可以把需要处理的像素点经过归一化处理后限制在预设的定范围内，也就是说，归一化处理是为了后续的一系列处理更加方便快捷，有利于加速分类网络训练的收敛速度。
可能的实现方式中，所述分类网络包括至少一个分类处理模块；所述训练子单元，用于：将所述待处理图像通过所述至少一个分类处理模块进行特征提取、降维处理及全局平均池化处理，得到损失函数；根据所述损失函数的反向传播训练所述分类网络，以得到所述目标分类网络。
可能的实现方式中，每个分类处理模块至少包括卷积层；所述训练子单元，用于：将所述待处理图像通过所述至少一个分类处理模块中的对应卷积层进行特征提取后，进行降维处理，得到第一处理结果；将所述第一处理结果进行全局平均池化处理后输入全连接层，得到第二处理结果，所述第二处理结果用于表征所提取特征的预测变化情况；根据所述第二处理结果和手工标注结果，得到所述损失函数。
可能的实现方式中，所述分类处理模块为残差模块的情况下，每个残差模块包括：卷积层、正则化层和激活层；所述训练子单元，用于：将所述待处理图像通过至少一个残差模块中的对应卷积层进行特征提取后得到的第一提取结果，经过正则化层和激活层的处理后得到第二提取结果；根据所述第二提取结果和所述待处理图像，得到第三提取结果。
可能的实现方式中，所述训练子单元，用于：根据所述第三提取结果，进行逐层的降维处理，得到所述第一处理结果。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6是根据一示例性实施例示出的一种电子设备900的框图。例如，电子设备900可以被提供为一服务器。参照图6，电子设备900包括处理组件922，其进一步包括一个或多个处理器，以及由存储器932所代表的存储器资源，用于存储可由处理组件922的执行的指令，例如应用程序。存储器932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件922被配置为执行指令，以执行上述方法。
电子设备900还可以包括一个电源组件926被配置为执行电子设备900的电源管理，一个有线或无线网络接口950被配置为将电子设备900连接到网络，和一个输入输出(I/O)接口958。电子设备900可以操作基于存储在存储器932的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器932，上述计算机程序指令可由电子设备900的处理组件922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种图像处理方法，其特征在于，所述方法包括：
将第一图像和第二图像输入目标分类网络，得到分类结果；
根据所述分类结果，对所述第一图像中的目标对象基于所述第二图像中的区域分布进行处理所得到的变化情况进行预测，得到预测结果。
2.根据权利要求1所述的方法，其特征在于，所述将第一图像和第二图像输入目标分类网络，得到分类结果之前，所述方法还包括：
对分类网络进行训练，得到训练后的分类网络；
将所述训练后的分类网络作为所述目标分类网络。
3.根据权利要求2所述的方法，其特征在于，所述对分类网络进行训练，得到训练后的分类网络，包括：
将第一图像数据和第二图像数据进行图像叠加处理后，得到待处理图像；
将所述待处理图像作为训练样本输入所述分类网络进行训练，得到所述目标分类网络。
4.根据权利要求3所述的方法，其特征在于，所述将第一图像数据和第二图像数据进行图像叠加处理后，得到待处理图像之前，所述方法还包括：
根据所述目标对象的轮廓，对所述第一图像数据及所述第二图像数据分别进行图像切割，得到切割后的第一子图像数据和第二子图像数据。
5.根据权利要求4所述的方法，其特征在于，所述第一子图像数据和所述第二子图像数据，为相同尺寸的图像数据。
6.根据权利要求4或5所述的方法，其特征在于，所述根据所述目标对象的轮廓，对所述第一图像数据及所述第二图像数据分别进行图像切割之后，所述方法还包括：
将所述第一子图像数据和所述第二子图像数据分别转换为对应的直方图，并进行直方图的均衡化处理。
7.根据权利要求4或5所述的方法，其特征在于，所述根据所述目标对象的轮廓，对所述第一图像数据及所述第二图像数据分别进行图像切割之后，所述方法还包括：
将所述第一子图像数据和所述第二子图像数据中包含的对应像素点进行归一化处理。
8.一种图像处理装置，其特征在于，所述装置包括：
分类单元，用于将第一图像和第二图像输入目标分类网络，得到分类结果；
预测单元，用于根据所述分类结果，对所述第一图像中的目标对象基于所述第二图像中的区域分布进行处理所得到的变化情况进行预测，得到预测结果。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
CN201910918450.1A 2019-09-26 2019-09-26 一种图像处理方法及装置、电子设备和存储介质 Pending CN110705626A (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201910918450.1A CN110705626A (zh) 2019-09-26 2019-09-26 一种图像处理方法及装置、电子设备和存储介质
KR1020217037806A KR20210153700A (ko) 2019-09-26 2020-07-07 이미지 처리 방법 및 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램
PCT/CN2020/100692 WO2021057174A1 (zh) 2019-09-26 2020-07-07 图像处理方法及装置、电子设备、存储介质和计算机程序
JP2021563034A JP2022530413A (ja) 2019-09-26 2020-07-07 画像処理方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム
TW109130908A TW202113871A (zh) 2019-09-26 2020-09-09 圖像處理方法、電子設備和電腦可讀儲存媒體

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910918450.1A CN110705626A (zh) 2019-09-26 2019-09-26 一种图像处理方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN110705626A true CN110705626A (zh) 2020-01-17

Family

ID=69197459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910918450.1A Pending CN110705626A (zh) 2019-09-26 2019-09-26 一种图像处理方法及装置、电子设备和存储介质

Country Status (5)

Country Link
JP (1) JP2022530413A (zh)
KR (1) KR20210153700A (zh)
CN (1) CN110705626A (zh)
TW (1) TW202113871A (zh)
WO (1) WO2021057174A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368923A (zh) * 2020-03-05 2020-07-03 上海商汤智能科技有限公司 神经网络训练方法及装置、电子设备和存储介质
WO2021057174A1 (zh) * 2019-09-26 2021-04-01 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备、存储介质和计算机程序
CN113689355A (zh) * 2021-09-10 2021-11-23 数坤(北京)网络科技股份有限公司 图像处理方法、装置、存储介质及计算机设备

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113140012B (zh) * 2021-05-14 2024-05-31 北京字节跳动网络技术有限公司 图像处理方法、装置、介质及电子设备
CN113706583B (zh) * 2021-09-01 2024-03-22 上海联影医疗科技股份有限公司 图像处理方法、装置、计算机设备和存储介质
CN113989568A (zh) * 2021-10-29 2022-01-28 北京百度网讯科技有限公司 目标检测方法、训练方法、装置、电子设备以及存储介质
CN114120420B (zh) * 2021-12-01 2024-02-13 北京百度网讯科技有限公司 图像检测方法和装置
CN114298177A (zh) * 2021-12-16 2022-04-08 广州瑞多思医疗科技有限公司 一种适用于深度学习训练数据的扩充增强方法、系统及可读存储介质
CN114463551A (zh) * 2022-02-14 2022-05-10 北京百度网讯科技有限公司 图像处理方法、装置、存储介质及电子设备
KR20230125412A (ko) * 2022-02-21 2023-08-29 계명대학교 산학협력단 컴퓨터 단층 촬영 영상의 라디오믹스 파라미터를 이용한 요로결석의 요산석 분류 방법 및 분석장치
CN117152128B (zh) * 2023-10-27 2024-02-27 首都医科大学附属北京天坛医院 神经影像的病灶识别方法、装置、电子设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108766563A (zh) * 2018-05-25 2018-11-06 戴建荣 基于剂量组学的放射治疗结果预测方法和系统
CN108830028A (zh) * 2017-05-04 2018-11-16 戴立言 一种设备及非诊断性确定对象功能等效均匀剂量的方法
CN109966662A (zh) * 2019-04-30 2019-07-05 四川省肿瘤医院 一种验证放射治疗剂量的方法及系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02294786A (ja) * 1989-05-09 1990-12-05 Hitachi Ltd 画像輝度レベル値の自動正規化方法
KR102020383B1 (ko) * 2016-11-28 2019-09-10 고려대학교산학협력단 데이터마이닝을 이용한 방사선 치료 계획의 검증 방법
US10575774B2 (en) * 2017-02-27 2020-03-03 Case Western Reserve University Predicting immunotherapy response in non-small cell lung cancer with serial radiomics
US11517768B2 (en) * 2017-07-25 2022-12-06 Elekta, Inc. Systems and methods for determining radiation therapy machine parameter settings
CN107403201A (zh) * 2017-08-11 2017-11-28 强深智能医疗科技（昆山）有限公司 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法
CN108717866B (zh) * 2018-04-03 2022-10-11 中国医学科学院肿瘤医院 一种预测放疗计划剂量分布的方法、装置、设备及存储介质
CN109166613A (zh) * 2018-08-20 2019-01-08 北京东方瑞云科技有限公司 基于机器学习的放射治疗计划评估系统及方法
CN109523532B (zh) * 2018-11-13 2022-05-03 腾讯医疗健康(深圳)有限公司 图像处理方法、装置、计算机可读介质及电子设备
CN110211664B (zh) * 2019-04-25 2022-11-04 安徽大学 一种基于机器学习自动设计放射治疗方案的系统
CN110705626A (zh) * 2019-09-26 2020-01-17 北京市商汤科技开发有限公司 一种图像处理方法及装置、电子设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830028A (zh) * 2017-05-04 2018-11-16 戴立言 一种设备及非诊断性确定对象功能等效均匀剂量的方法
CN108766563A (zh) * 2018-05-25 2018-11-06 戴建荣 基于剂量组学的放射治疗结果预测方法和系统
CN109966662A (zh) * 2019-04-30 2019-07-05 四川省肿瘤医院 一种验证放射治疗剂量的方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021057174A1 (zh) * 2019-09-26 2021-04-01 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备、存储介质和计算机程序
CN111368923A (zh) * 2020-03-05 2020-07-03 上海商汤智能科技有限公司 神经网络训练方法及装置、电子设备和存储介质
CN111368923B (zh) * 2020-03-05 2023-12-19 上海商汤智能科技有限公司 神经网络训练方法及装置、电子设备和存储介质
CN113689355A (zh) * 2021-09-10 2021-11-23 数坤(北京)网络科技股份有限公司 图像处理方法、装置、存储介质及计算机设备

Also Published As

Publication number Publication date
WO2021057174A1 (zh) 2021-04-01
JP2022530413A (ja) 2022-06-29
TW202113871A (zh) 2021-04-01
KR20210153700A (ko) 2021-12-17

Similar Documents

Publication Publication Date Title
CN110705626A (zh) 一种图像处理方法及装置、电子设备和存储介质
CN109978886B (zh) 图像处理方法及装置、电子设备和存储介质
CN111310764B (zh) 网络训练、图像处理方法及装置、电子设备和存储介质
CN110647834B (zh) 人脸和人手关联检测方法及装置、电子设备和存储介质
CN111310616B (zh) 图像处理方法及装置、电子设备和存储介质
CN111899268B (zh) 图像分割方法及装置、电子设备和存储介质
CN109522910B (zh) 关键点检测方法及装置、电子设备和存储介质
CN109816764B (zh) 图像生成方法及装置、电子设备和存储介质
CN109658401B (zh) 图像处理方法及装置、电子设备和存储介质
CN110674719A (zh) 目标对象匹配方法及装置、电子设备和存储介质
CN112541928A (zh) 网络训练方法及装置、图像分割方法及装置和电子设备
CN111833988B (zh) 放射参数确定方法及装置、电子设备和存储介质
CN112767329A (zh) 图像处理方法及装置、电子设备
CN114820584B (zh) 肺部病灶定位装置
CN113222038B (zh) 基于核磁图像的乳腺病灶分类和定位方法及装置
CN110852325B (zh) 图像的分割方法及装置、电子设备和存储介质
CN113034491B (zh) 一种冠脉钙化斑块检测方法及装置
CN113361540A (zh) 图像处理方法及装置、电子设备和存储介质
CN111640114B (zh) 图像处理方法及装置
CN113012146A (zh) 血管信息获取方法及装置、电子设备和存储介质
CN109903252B (zh) 图像处理方法及装置、电子设备和存储介质
JP2022548453A (ja) 画像分割方法及び装置、電子デバイス並びに記憶媒体
CN112396119A (zh) 一种图像处理方法及装置、电子设备和存储介质
CN115512116A (zh) 图像分割模型优化方法、装置、电子设备及可读存储介质
CN115457024A (zh) 冷冻电镜图像处理方法、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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40018263

Country of ref document: HK

RJ01 Rejection of invention patent application after publication

Application publication date: 20200117

RJ01 Rejection of invention patent application after publication