CN110852325A - 图像的分割方法及装置、电子设备和存储介质 - Google Patents

图像的分割方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN110852325A
CN110852325A CN201911063105.0A CN201911063105A CN110852325A CN 110852325 A CN110852325 A CN 110852325A CN 201911063105 A CN201911063105 A CN 201911063105A CN 110852325 A CN110852325 A CN 110852325A
Authority
CN
China
Prior art keywords
image
neural network
classification result
feature
training
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
Application number
CN201911063105.0A
Other languages
English (en)
Other versions
CN110852325B (zh
Inventor
赵亮
刘畅
谢帅宁
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.)
Shanghai Sensetime Intelligent Technology Co Ltd
Original Assignee
Shanghai Sensetime Intelligent Technology 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 Shanghai Sensetime Intelligent Technology Co Ltd filed Critical Shanghai Sensetime Intelligent Technology Co Ltd
Priority to CN201911063105.0A priority Critical patent/CN110852325B/zh
Publication of CN110852325A publication Critical patent/CN110852325A/zh
Priority to PCT/CN2020/100729 priority patent/WO2021082517A1/zh
Priority to JP2021544372A priority patent/JP2022518583A/ja
Priority to KR1020217020479A priority patent/KR20210096655A/ko
Priority to TW109137157A priority patent/TWI765386B/zh
Priority to US17/723,587 priority patent/US20220245933A1/en
Application granted granted Critical
Publication of CN110852325B publication Critical patent/CN110852325B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06N3/04—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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/30008—Bone
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本公开涉及一种图像的分割方法及装置、电子设备和存储介质。所述方法包括：通过第一神经网络提取第一图像的第一特征和第二图像的第二特征；通过所述第一神经网络融合所述第一特征和所述第二特征，得到第三特征；通过所述第一神经网络根据所述第三特征，确定所述第一图像和所述第二图像中重合的像素的第一分类结果；根据所述第一分类结果，以及所述重合的像素对应的标注数据，训练所述第一神经网络。本公开实施例能够提高图像分割的准确性。

Description

图像的分割方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种神经网络的训练方法及装置、图像的分割方法及装置、电子设备和存储介质。
背景技术
图像分割是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。图像分割是由图像处理到图像分析的关键步骤。如何提高图像分割的准确性，是亟待解决的问题。
发明内容
本公开提供了一种图像的分割技术方案。
根据本公开的一方面，提供了一种神经网络的训练方法，包括：
通过第一神经网络提取第一图像的第一特征和第二图像的第二特征；
通过所述第一神经网络融合所述第一特征和所述第二特征，得到第三特征；
通过所述第一神经网络根据所述第三特征，确定所述第一图像和所述第二图像中重合的像素的第一分类结果；
根据所述第一分类结果，以及所述重合的像素对应的标注数据，训练所述第一神经网络。
通过第一神经网络提取第一图像的第一特征和第二图像的第二特征，通过所述第一神经网络融合所述第一特征和所述第二特征，得到第三特征，通过所述第一神经网络根据所述第三特征，确定所述第一图像和所述第二图像中重合的像素的第一分类结果，根据所述第一分类结果，以及所述重合的像素对应的标注数据，训练所述第一神经网络，由此训练得到的第一神经网络能够结合两个图像对两个图像中重合的像素进行分割，从而能够提高图像分割的准确性。
在一种可能的实现方式中，所述方法还包括：
通过第二神经网络确定所述第一图像中的像素的第二分类结果；
根据所述第二分类结果，以及所述第一图像对应的标注数据，训练所述第二神经网络。
基于该实现方式，第二神经网络可以用于逐层确定图像的分割结果，由此能够克服图像的层间分辨率较低的问题，获得更精准的分割结果。
在一种可能的实现方式中，所述方法还包括：
通过训练后的所述第一神经网络确定所述第一图像和所述第二图像中重合的像素的第三分类结果；
通过训练后的所述第二神经网络确定所述第一图像中的像素的第四分类结果；
根据所述第三分类结果和所述第四分类结果，训练所述第二神经网络。
在该实现方式中，可以以训练后的第一神经网络输出的重合像素的分类结果作为监督，对第二神经网络进行训练，由此能够进一步提高分割精度，且能提高第二神经网络的泛化能力。
在一种可能的实现方式中，所述第一图像与所述第二图像为扫描图像，所述第一图像与所述第二图像的扫描平面不同。
根据该实现方式，可以采用不同扫描平面扫描得到的第一图像和第二图像训练第一神经网络，由此能够充分利用图像中的三维空间信息，能够在一定程度上克服图像的层间分辨率较低的问题，从而有助于在三维空间中进行更准确的图像分割。
在一种可能的实现方式中，所述第一图像为横断位的图像，所述第二图像为冠状位的图像或者矢状位的图像。
由于横断位的图像的分辨率相对较高，因此，采用横断位的图像训练第二神经网络，能够获得较准确的分割结果。
在一种可能的实现方式中，所述第一图像和所述第二图像均为磁共振成像MRI图像。
在该实现方式中，通过采用MRI图像，能够反映对象的解剖细节、组织密度和肿瘤定位等组织结构信息。
在一种可能的实现方式中，所述第一神经网络包括第一子网络、第二子网络和第三子网络，其中，所述第一子网络用于提取所述第一图像的第一特征，所述第二子网络用于提取第二图像的第二特征，所述第三子网络用于融合所述第一特征和所述第二特征，得到第三特征，并根据所述第三特征，确定所述第一图像和所述第二图像中重合的像素的第一分类结果。
基于该实现方式，能够对第一图像和第二图像分别进行特征提取，且能够结合第一图像和第二图像的特征确定两个图像中重合的像素的分类结果，从而实现更准确的图像分割
在一种可能的实现方式中，所述第一子网络为去除最后两层的U-Net。
通过采用去除最后两层的U-Net作为第一子网络的结构，由此第一子网络在对图像进行特征提取时，能够利用图像的不同尺度的特征，且能够将第一子网络在较浅层提取的特征与第一子网络在较深层提取的特征进行融合，从而充分整合并利用多尺度的信息。
在一种可能的实现方式中，所述第二子网络为去除最后两层的U-Net。
通过采用去除最后两层的U-Net作为第二子网络的结构，由此第二子网络在对图像进行特征提取时，能够利用图像的不同尺度的特征，且能够将第二子网络在较浅层提取的特征与第二子网络在较深层提取的特征进行融合，从而充分整合并利用多尺度的信息。
在一种可能的实现方式中，所述第三子网络为多层感知器。
通过采用多层感知器作为第三子网络的结构，由此有助于进一步提升第一神经网络的性能。
在一种可能的实现方式中，所述第二神经网络为U-Net。
在该实现方式中，通过采用U-Net作为第二神经网络的结构，由此第二神经网络在对图像进行特征提取时，能够利用图像的不同尺度的特征，且能够将第二神经网络在较浅层提取的特征与第二神经网络在较深层提取的特征进行融合，从而充分整合并利用多尺度的信息。
在一种可能的实现方式中，分类结果包括像素属于肿瘤区域的概率和像素属于非肿瘤区域的概率中的一项或两项。
基于该实现方式，能够提高在图像中进行肿瘤边界的分割的准确度。
根据本公开的一方面，提供了一种神经网络的训练方法，包括：
通过第一神经网络确定第一图像和第二图像中重合的像素的第三分类结果；
通过第二神经网络确定所述第一图像中的像素的第四分类结果；
根据所述第三分类结果和所述第四分类结果，训练所述第二神经网络。
通过上述方式，可以以训练后的第一神经网络输出的重合像素的分类结果作为监督，对第二神经网络进行训练，由此能够进一步提高分割精度，且能提高第二神经网络的泛化能力。
在一种可能的实现方式中，所述通过第一神经网络确定第一图像和第二图像中重合的像素的第三分类结果，包括：
提取所述第一图像的第一特征和所述第二图像的第二特征；
融合所述第一特征和所述第二特征，得到第三特征；
根据所述第三特征，确定所述第一图像和所述第二图像中重合的像素的第三分类结果。
基于该实现方式，能够结合两个图像对两个图像中重合的像素进行分割，从而能够提高图像分割的准确性。
在一种可能的实现方式中，还包括：
根据所述第三分类结果，以及所述重合的像素对应的标注数据，训练所述第一神经网络。
由此训练得到的第一神经网络能够结合两个图像对两个图像中重合的像素进行分割，从而能够提高图像分割的准确性。
在一种可能的实现方式中，还包括：
确定所述第一图像中的像素的第二分类结果；
根据所述第二分类结果，以及所述第一图像对应的标注数据，训练所述第二神经网络。
基于该实现方式，第二神经网络可以用于逐层确定图像的分割结果，由此能够克服图像的层间分辨率较低的问题，获得更精准的分割结果。
根据本公开的一方面，提供了一种图像的分割方法，包括：
根据所述神经网络的训练方法获得训练后的所述第二神经网络；
将第三图像输入训练后所述第二神经网络中，经由训练后的所述第二神经网络输出所述第三图像中的像素的第五分类结果。
所述图像分割方法通过将第三图像输入训练后的第二神经网络中，经由训练后的第二神经网络输出第三图像中的像素的第五分类结果，由此能够自动对图像进行分割，节省图像分割时间，并能提高图像分割的准确性。
在一种可能的实现方式中，在所述经由训练后的所述第二神经网络输出所述第三图像中的像素的第五分类结果之后，所述方法还包括：
对所述第三图像对应的第四图像进行骨骼分割，得到所述第四图像对应的骨骼分割结果。
在该实现方式中，根据所述第四图像对应的骨骼分割结果，能够确定所述第四图像中的骨骼边界。
在一种可能的实现方式中，在所述得到所述第四图像对应的骨骼分割结果之后，所述方法还包括：
确定所述第三图像和所述第四图像中的像素的对应关系；
根据所述对应关系，融合所述第五分类结果和所述骨骼分割结果，得到融合结果。
在该实现方式中，通过根据所述第三图像和所述第四图像中的像素的对应关系，融合所述第五分类结果和所述骨骼分割结果，得到融合结果，由此能够帮助医生在手术规划和植入物设计时了解骨肿瘤在骨盆中的位置。
在一种可能的实现方式中，所述第三图像为MRI图像，所述第四图像为电子计算机断层扫描CT图像。
在该实现方式中，通过采用不同类型的图像，能够充分结合不同类型的图像中的信息，从而能够更好地帮助医生在手术规划和植入物设计时了解骨肿瘤在骨盆中的位置。
根据本公开的一方面，提供了一种神经网络的训练装置，包括：
第一提取模块，用于通过第一神经网络提取第一图像的第一特征和第二图像的第二特征；
第一融合模块，用于通过所述第一神经网络融合所述第一特征和所述第二特征，得到第三特征；
第一确定模块，用于通过所述第一神经网络根据所述第三特征，确定所述第一图像和所述第二图像中重合的像素的第一分类结果；
第一训练模块，用于根据所述第一分类结果，以及所述重合的像素对应的标注数据，训练所述第一神经网络。
在一种可能的实现方式中，所述装置还包括：
第二确定模块，用于通过第二神经网络确定所述第一图像中的像素的第二分类结果；
第二训练模块，用于根据所述第二分类结果，以及所述第一图像对应的标注数据，训练所述第二神经网络。
在一种可能的实现方式中，所述装置还包括：
第三确定模块，用于通过训练后的所述第一神经网络确定所述第一图像和所述第二图像中重合的像素的第三分类结果；
第四确定模块，用于通过训练后的所述第二神经网络确定所述第一图像中的像素的第四分类结果；
第三训练模块，用于根据所述第三分类结果和所述第四分类结果，训练所述第二神经网络。
在一种可能的实现方式中，所述第一图像与所述第二图像为扫描图像，所述第一图像与所述第二图像的扫描平面不同。
在一种可能的实现方式中，所述第一图像为横断位的图像，所述第二图像为冠状位的图像或者矢状位的图像。
在一种可能的实现方式中，所述第一图像和所述第二图像均为磁共振成像MRI图像。
在一种可能的实现方式中，所述第一神经网络包括第一子网络、第二子网络和第三子网络，其中，所述第一子网络用于提取所述第一图像的第一特征，所述第二子网络用于提取第二图像的第二特征，所述第三子网络用于融合所述第一特征和所述第二特征，得到第三特征，并根据所述第三特征，确定所述第一图像和所述第二图像中重合的像素的第一分类结果。
在一种可能的实现方式中，所述第一子网络为去除最后两层的U-Net。
在一种可能的实现方式中，所述第二子网络为去除最后两层的U-Net。
在一种可能的实现方式中，所述第三子网络为多层感知器。
在一种可能的实现方式中，所述第二神经网络为U-Net。
在一种可能的实现方式中，分类结果包括像素属于肿瘤区域的概率和像素属于非肿瘤区域的概率中的一项或两项。
根据本公开的一方面，提供了一种神经网络的训练装置，包括：
第六确定模块，用于通过第一神经网络确定第一图像和第二图像中重合的像素的第三分类结果；
第七确定模块，用于通过第二神经网络确定所述第一图像中的像素的第四分类结果；
第四训练模块，用于根据所述第三分类结果和所述第四分类结果，训练所述第二神经网络。
在一种可能的实现方式中，所述通过第一神经网络确定第一图像和第二图像中重合的像素的第三分类结果，包括：
第二提取模块，用于提取所述第一图像的第一特征和所述第二图像的第二特征；
第三融合模块，用于融合所述第一特征和所述第二特征，得到第三特征；
第八确定模块，用于根据所述第三特征，确定所述第一图像和所述第二图像中重合的像素的第三分类结果。
在一种可能的实现方式中，还包括：
第五训练模块，用于根据所述第三分类结果，以及所述重合的像素对应的标注数据，训练所述第一神经网络。
在一种可能的实现方式中，还包括：
第九确定模块，用于确定所述第一图像中的像素的第二分类结果；
第六训练模块，用于根据所述第二分类结果，以及所述第一图像对应的标注数据，训练所述第二神经网络。
根据本公开的一方面，提供了一种图像的分割装置，包括：
获得模块，用于根据所述神经网络的训练装置获得训练后的所述第二神经网络；
输出模块，用于将第三图像输入训练后所述第二神经网络中，经由训练后的所述第二神经网络输出所述第三图像中的像素的第五分类结果。
在一种可能的实现方式中，所述装置还包括：
骨骼分割模块，用于对所述第三图像对应的第四图像进行骨骼分割，得到所述第四图像对应的骨骼分割结果。
在一种可能的实现方式中，所述装置还包括：
第五确定模块，用于确定所述第三图像和所述第四图像中的像素的对应关系；
第二融合模块，用于根据所述对应关系，融合所述第五分类结果和所述骨骼分割结果，得到融合结果。
在一种可能的实现方式中，所述第三图像为MRI图像，所述第四图像为电子计算机断层扫描CT图像。
根据本公开的一方面，提供了一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
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方法。
在本公开实施例中，通过第一神经网络提取第一图像的第一特征和第二图像的第二特征，通过所述第一神经网络融合所述第一特征和所述第二特征，得到第三特征，通过所述第一神经网络根据所述第三特征，确定所述第一图像和所述第二图像中重合的像素的第一分类结果，根据所述第一分类结果，以及所述重合的像素对应的标注数据，训练所述第一神经网络，由此训练得到的第一神经网络能够结合两个图像对两个图像中重合的像素进行分割，从而能够提高图像分割的准确性。
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示出本公开实施例提供的神经网络的训练方法的流程图。
图2示出本公开实施例提供的神经网络的训练方法中第一神经网络的示意图。
图3示出本公开实施例提供的图像的分割方法中骨盆骨肿瘤区域的示意图。
图4示出本公开实施例提供的神经网络的训练装置的框图。
图5示出本公开实施例提供的一种电子设备800的框图。
图6示出本公开实施例提供的一种电子设备1900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，为了更好地说明本公开，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1示出本公开实施例提供的神经网络的训练方法的流程图。所述神经网络的训练方法的执行主体可以是神经网络的训练装置。例如，所述神经网络的训练方法可以由终端设备或服务器或其它处理设备执行。其中，终端设备可以是用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal DigitalAssistant，PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中，所述神经网络的训练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。
在一种可能的实现方式中，本公开实施例中的第一神经网络和第二神经网络可以用于自动分割图像中的肿瘤区域，即，第一神经网络和第二神经网络可以用于确定图像中的肿瘤所在区域。在其他可能的实现方式中，本公开实施例中的第一神经网络和第二神经网络还可以用于自动分割图像中的其他感兴趣区域。
在一种可能的实现方式中，本公开实施例中的第一神经网络和第二神经网络可以用于自动分割图像中的骨肿瘤区域，即，第一神经网络和第二神经网络可以用于确定图像中的骨肿瘤所在区域。在一个示例中，第一神经网络和第二神经网络可以用于自动分割骨盆中的骨肿瘤区域。在其他示例中，第一神经网络和第二神经网络还可以用于自动分割其他部位的骨肿瘤区域。
如图1所示，所述神经网络的训练方法包括步骤S11至步骤S14。
在步骤S11中，通过第一神经网络提取第一图像的第一特征和第二图像的第二特征。
在本公开实施例中，第一图像和第二图像可以是对同一对象扫描得到的图像。例如，对象可以为人体。例如，第一图像和第二图像可以是同一台机器连续扫描得到的，在扫描过程中，对象几乎没有发生移动。
在一种可能的实现方式中，所述第一图像与所述第二图像为扫描图像，所述第一图像与所述第二图像的扫描平面不同。
作为该实现方式的一个示例，扫描平面可以为横断面、冠状面或者矢状面。其中，扫描平面为横断面的图像可以称为横断位的图像，扫描平面为冠状面的图像可以称为冠状位的图像，扫描平面为矢状面的图像可以称为矢状位的图像。
在其他示例中，第一图像和第二图像的扫描平面可以不限于横断面、冠状面和矢状面，只要第一图像与第二图像的扫描平面不同即可。
根据该实现方式，可以采用不同扫描平面扫描得到的第一图像和第二图像训练第一神经网络，由此能够充分利用图像中的三维空间信息，能够在一定程度上克服图像的层间分辨率较低的问题，从而有助于在三维空间中进行更准确的图像分割。
在一种可能的实现方式中，第一图像和第二图像可以为逐层扫描得到的三维图像，其中，每一层为二维切片。
在一种可能的实现方式中，所述第一图像和所述第二图像均为MRI(MagneticResonance Imaging，磁共振成像)图像。
在该实现方式中，通过采用MRI图像，能够反映对象的解剖细节、组织密度和肿瘤定位等组织结构信息。
作为该实现方式的一个示例，第一图像和第二图像可以为三维MRI图像。三维MRI图像是逐层扫描的，可以视为一系列二维切片的堆叠。三维MRI图像在扫描平面上的分辨率一般较高，称为层内分辨率(in-plane spacing)。三维MRI图像在堆叠方向上的分辨率一般较低，称为层间分辨率或者层厚(slice thickness)。
在步骤S12中，通过所述第一神经网络融合所述第一特征和所述第二特征，得到第三特征。
在一种可能的实现方式中，通过所述第一神经网络融合所述第一特征和所述第二特征，可以为：通过所述第一神经网络对所述第一特征和所述第二特征进行连接处理。例如，连接处理可以为concat处理。
在步骤S13中，通过所述第一神经网络根据所述第三特征，确定所述第一图像和所述第二图像中重合的像素的第一分类结果。
在一种可能的实现方式中，可以根据所述第一图像的像素和所述第二图像的像素在世界坐标系中的坐标，确定第一图像和第二图像中重合的像素。
在一种可能的实现方式中，分类结果包括像素属于肿瘤区域的概率和像素属于非肿瘤区域的概率中的一项或两项。根据该实现方式，根据分类结果可以确定图像中的肿瘤边界。该实现方式中的分类结果可以为本公开实施例中的第一分类结果、第二分类结果、第三分类结果、第四分类结果和第五分类结果中的一项或多项。
在另一种可能的实现方式中，分类结果包括像素属于骨肿瘤区域的概率和像素属于非骨肿瘤区域的概率中的一项或两项。根据该实现方式，根据分类结果可以确定图像中的骨肿瘤边界。该实现方式中的分类结果可以为本公开实施例中的第一分类结果、第二分类结果、第三分类结果、第四分类结果和第五分类结果中的一项或多项。
图2示出本公开实施例提供的神经网络的训练方法中第一神经网络的示意图。在一种可能的实现方式中，所述第一神经网络包括第一子网络、第二子网络和第三子网络，其中，所述第一子网络用于提取所述第一图像的第一特征，所述第二子网络用于提取第二图像的第二特征，所述第三子网络用于融合所述第一特征和所述第二特征，得到第三特征，并根据所述第三特征，确定所述第一图像和所述第二图像中重合的像素的第一分类结果。
作为该实现方式的一个示例，所述第一子网络为端到端的编码器-解码器结构。
作为该实现方式的一个示例，所述第一子网络为去除最后两层的U-Net。
在该示例中，通过采用去除最后两层的U-Net作为第一子网络的结构，由此第一子网络在对图像进行特征提取时，能够利用图像的不同尺度的特征，且能够将第一子网络在较浅层提取的特征与第一子网络在较深层提取的特征进行融合，从而充分整合并利用多尺度的信息。
作为该实现方式的一个示例，所述第二子网络为端到端的编码器-解码器结构。
作为该实现方式的一个示例，所述第二子网络为去除最后两层的U-Net。
在该示例中，通过采用去除最后两层的U-Net作为第二子网络的结构，由此第二子网络在对图像进行特征提取时，能够利用图像的不同尺度的特征，且能够将第二子网络在较浅层提取的特征与第二子网络在较深层提取的特征进行融合，从而充分整合并利用多尺度的信息。
作为该实现方式的一个示例，所述第三子网络为多层感知器。
在该示例中，通过采用多层感知器作为第三子网络的结构，由此有助于进一步提升第一神经网络的性能。
在步骤S14中，根据所述第一分类结果，以及所述重合的像素对应的标注数据，训练所述第一神经网络。
在本公开实施例中，标注数据可以是人为标注的数据，例如可以是医生标注的数据。医生在可以在第一图像和第二图像的二维切片上逐层进行标注。根据每层二维切片的标注结果，可以整合成三维标注数据。
在一种可能的实现方式中，可以采用戴斯相似性系数确定所述第一分类结果与所述重合的像素对应的标注数据之间的差异，从而根据差异训练所述第一神经网络。例如，可以采用反向传播更新第一神经网络的参数。
在一种可能的实现方式中，所述方法还包括：通过第二神经网络确定所述第一图像中的像素的第二分类结果；根据所述第二分类结果，以及所述第一图像对应的标注数据，训练所述第二神经网络。
在该实现方式中，第一图像可以为三维图像，第二神经网络可以用于确定第一图像的二维切片的像素的第二分类结果。例如，第二神经网络可以用于逐层确定第一图像的各个二维切片的各个像素的第二分类结果。根据第一图像的二维切片的像素的第二分类结果与第一图像的二维切片对应的标注数据之间的差异，可以训练第二神经网络。例如，可以采用反向传播更新第二神经网络的参数。其中，第一图像的二维切片的像素的第二分类结果与第一图像的二维切片对应的标注数据之间的差异，可以采用戴斯相似性系数确定，该实现方式对此不作限定。
基于该实现方式，第二神经网络可以用于逐层确定图像的分割结果，由此能够克服图像的层间分辨率较低的问题，获得更精准的分割结果。
在一种可能的实现方式中，所述方法还包括：通过训练后的所述第一神经网络确定所述第一图像和所述第二图像中重合的像素的第三分类结果；通过训练后的所述第二神经网络确定所述第一图像中的像素的第四分类结果；根据所述第三分类结果和所述第四分类结果，训练所述第二神经网络。
在该实现方式中，可以以训练后的第一神经网络输出的重合像素的分类结果作为监督，对第二神经网络进行训练，由此能够进一步提高分割精度，且能提高第二神经网络的泛化能力。例如，可以根据所述第三分类结果和所述第四分类结果，对第二神经网络的最后两层的参数进行更新。
作为该实现方式的一个示例，所述第一图像为横断位的图像，所述第二图像为冠状位的图像或者矢状位的图像。由于横断位的图像的分辨率相对较高，因此，采用横断位的图像训练第二神经网络，能够获得较准确的分割结果。
需要说明的是，尽管以所述第一图像为横断位的图像，所述第二图像为冠状位的图像或者矢状位的图像作为示例介绍了第一图像和第二图像如上，但本领域技术人员能够理解，本公开应不限于此，本领域技术人员可以根据实际应用场景需求选择第一图像和第二图像的类型，只要第一图像与第二图像的扫描平面不同即可。
在一种可能的实现方式中，所述第二神经网络为U-Net。
在该实现方式中，通过采用U-Net作为第二神经网络的结构，由此第二神经网络在对图像进行特征提取时，能够利用图像的不同尺度的特征，且能够将第二神经网络在较浅层提取的特征与第二神经网络在较深层提取的特征进行融合，从而充分整合并利用多尺度的信息。
在一种可能的实现方式中，在训练第一神经网络和/或第二神经网络的过程中，可以采用早停止策略，一旦网络性能不再提高，则停止训练，由此能够防止过拟合。
本公开实施例还提供了一种神经网络的训练方法，所述神经网络的训练包括：通过第一神经网络确定第一图像和第二图像中重合的像素的第三分类结果；通过第二神经网络确定所述第一图像中的像素的第四分类结果；根据所述第三分类结果和所述第四分类结果，训练所述第二神经网络。
通过上述方式，可以以训练后的第一神经网络输出的重合像素的分类结果作为监督，对第二神经网络进行训练，由此能够进一步提高分割精度，且能提高第二神经网络的泛化能力。
在一种可能的实现方式中，所述通过第一神经网络确定第一图像和第二图像中重合的像素的第三分类结果，包括：提取所述第一图像的第一特征和所述第二图像的第二特征；融合所述第一特征和所述第二特征，得到第三特征；根据所述第三特征，确定所述第一图像和所述第二图像中重合的像素的第三分类结果。
基于该实现方式，能够结合两个图像对两个图像中重合的像素进行分割，从而能够提高图像分割的准确性。
在一种可能的实现方式中，还包括：根据所述第三分类结果，以及所述重合的像素对应的标注数据，训练所述第一神经网络。
由此训练得到的第一神经网络能够结合两个图像对两个图像中重合的像素进行分割，从而能够提高图像分割的准确性。
在一种可能的实现方式中，还包括：确定所述第一图像中的像素的第二分类结果；根据所述第二分类结果，以及所述第一图像对应的标注数据，训练所述第二神经网络。
基于该实现方式，第二神经网络可以用于逐层确定图像的分割结果，由此能够克服图像的层间分辨率较低的问题，获得更精准的分割结果。
本公开实施例还提供了一种图像的分割方法，所述方法包括：根据所述神经网络的训练方法获得训练后的所述第二神经网络；将第三图像输入训练后所述第二神经网络中，经由训练后的所述第二神经网络输出所述第三图像中的像素的第五分类结果。
在本公开实施例中，第三图像可以为三维图像，第二神经网络可以用于逐层确定第三图像的各个二维切片的各个像素的第二分类结果。
本公开实施例提供的图像分割方法通过将第三图像输入训练后的第二神经网络中，经由训练后的第二神经网络输出第三图像中的像素的第五分类结果，由此能够自动对图像进行分割，节省图像分割时间，并能提高图像分割的准确性。
本公开实施例提供的图像的分割方法可以用于在实施保肢切除手术前确定肿瘤的边界，例如，可以用于在实施保肢切除手术前确定骨盆的骨肿瘤的边界。在相关技术中，需要经验丰富的医生人工勾画骨肿瘤的边界。本公开实施例通过自动确定图像中的骨肿瘤区域，由此能够节省医生的时间，大大减少骨肿瘤分割所耗费的时间，提升保肢切除手术术前规划的效率。
在一种可能的实现方式中，根据训练后的第二神经网络输出的所述第三图像中的像素的第五分类结果，可以确定所述第三图像中的骨肿瘤区域。图3示出本公开实施例提供的图像的分割方法中骨盆骨肿瘤区域的示意图。
在一种可能的实现方式中，在所述经由训练后的所述第二神经网络输出所述第三图像中的像素的第五分类结果之后，所述方法还包括：对所述第三图像对应的第四图像进行骨骼分割，得到所述第四图像对应的骨骼分割结果。在该实现方式中，第三图像和第四图像是对同一对象扫描得到的图像。
在该实现方式中，根据所述第四图像对应的骨骼分割结果，可以确定所述第四图像中的骨骼边界。
在一种可能的实现方式中，在所述得到所述第四图像对应的骨骼分割结果之后，所述方法还包括：确定所述第三图像和所述第四图像中的像素的对应关系；根据所述对应关系，融合所述第五分类结果和所述骨骼分割结果，得到融合结果。
在该实现方式中，通过根据所述第三图像和所述第四图像中的像素的对应关系，融合所述第五分类结果和所述骨骼分割结果，得到融合结果，由此能够帮助医生在手术规划和植入物设计时了解骨肿瘤在骨盆中的位置。
在该实现方式中，可以通过相关算法对所述第三图像和所述第四图像进行配准，来确定所述第三图像和所述第四图像中的像素的对应关系。
作为该实现方式的一个示例，可以根据所述对应关系，将所述第五分类结果覆盖在所述骨骼分割结果上，得到融合结果。
作为该实现方式的一个示例，在所述融合所述第五分类结果和所述骨骼分割结果之前，还可以由医生对所述第五分类结果进行手工修正，以进一步提高骨肿瘤分割的准确性。
在一种可能的实现方式中，所述第三图像为MRI图像，所述第四图像为电子计算机断层扫描CT图像。
在该实现方式中，通过采用不同类型的图像，能够充分结合不同类型的图像中的信息，从而能够更好地帮助医生在手术规划和植入物设计时了解骨肿瘤在骨盆中的位置。
可以理解，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。
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。
此外，本公开还提供了神经网络的训练装置、图像的分割装置、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神经网络的训练方法或者图像的分割方法，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示出本公开实施例提供的神经网络的训练装置的框图。如图4所示，所述神经网络的训练装置包括：第一提取模块41，用于通过第一神经网络提取第一图像的第一特征和第二图像的第二特征；第一融合模块42，用于通过所述第一神经网络融合所述第一特征和所述第二特征，得到第三特征；第一确定模块43，用于通过所述第一神经网络根据所述第三特征，确定所述第一图像和所述第二图像中重合的像素的第一分类结果；第一训练模块44，用于根据所述第一分类结果，以及所述重合的像素对应的标注数据，训练所述第一神经网络。
在一种可能的实现方式中，所述装置还包括：第二确定模块，用于通过第二神经网络确定所述第一图像中的像素的第二分类结果；第二训练模块，用于根据所述第二分类结果，以及所述第一图像对应的标注数据，训练所述第二神经网络。
在一种可能的实现方式中，所述装置还包括：第三确定模块，用于通过训练后的所述第一神经网络确定所述第一图像和所述第二图像中重合的像素的第三分类结果；第四确定模块，用于通过训练后的所述第二神经网络确定所述第一图像中的像素的第四分类结果；第三训练模块，用于根据所述第三分类结果和所述第四分类结果，训练所述第二神经网络。
在一种可能的实现方式中，所述第一图像与所述第二图像为扫描图像，所述第一图像与所述第二图像的扫描平面不同。
在一种可能的实现方式中，所述第一图像为横断位的图像，所述第二图像为冠状位的图像或者矢状位的图像。
在一种可能的实现方式中，所述第一图像和所述第二图像均为磁共振成像MRI图像。
在一种可能的实现方式中，所述第一神经网络包括第一子网络、第二子网络和第三子网络，其中，所述第一子网络用于提取所述第一图像的第一特征，所述第二子网络用于提取第二图像的第二特征，所述第三子网络用于融合所述第一特征和所述第二特征，得到第三特征，并根据所述第三特征，确定所述第一图像和所述第二图像中重合的像素的第一分类结果。
在一种可能的实现方式中，所述第一子网络为去除最后两层的U-Net。
在一种可能的实现方式中，所述第二子网络为去除最后两层的U-Net。
在一种可能的实现方式中，所述第三子网络为多层感知器。
在一种可能的实现方式中，所述第二神经网络为U-Net。
在一种可能的实现方式中，分类结果包括像素属于肿瘤区域的概率和像素属于非肿瘤区域的概率中的一项或两项。
本公开实施例还提供了一种神经网络的训练装置，包括：第六确定模块，用于通过第一神经网络确定第一图像和第二图像中重合的像素的第三分类结果；第七确定模块，用于通过第二神经网络确定所述第一图像中的像素的第四分类结果；第四训练模块，用于根据所述第三分类结果和所述第四分类结果，训练所述第二神经网络。
在一种可能的实现方式中，所述通过第一神经网络确定第一图像和第二图像中重合的像素的第三分类结果，包括：第二提取模块，用于提取所述第一图像的第一特征和所述第二图像的第二特征；第三融合模块，用于融合所述第一特征和所述第二特征，得到第三特征；第八确定模块，用于根据所述第三特征，确定所述第一图像和所述第二图像中重合的像素的第三分类结果。
在一种可能的实现方式中，还包括：第五训练模块，用于根据所述第三分类结果，以及所述重合的像素对应的标注数据，训练所述第一神经网络。
在一种可能的实现方式中，还包括：第九确定模块，用于确定所述第一图像中的像素的第二分类结果；第六训练模块，用于根据所述第二分类结果，以及所述第一图像对应的标注数据，训练所述第二神经网络。
本公开实施例还提供了一种图像的分割装置，包括：获得模块，用于根据所述神经网络的训练装置获得训练后的所述第二神经网络；输出模块，用于将第三图像输入训练后所述第二神经网络中，经由训练后的所述第二神经网络输出所述第三图像中的像素的第五分类结果。
在一种可能的实现方式中，所述装置还包括：骨骼分割模块，用于对所述第三图像对应的第四图像进行骨骼分割，得到所述第四图像对应的骨骼分割结果。
在一种可能的实现方式中，所述装置还包括：第五确定模块，用于确定所述第三图像和所述第四图像中的像素的对应关系；第二融合模块，用于根据所述对应关系，融合所述第五分类结果和所述骨骼分割结果，得到融合结果。
在一种可能的实现方式中，所述第三图像为MRI图像，所述第四图像为电子计算机断层扫描CT图像。
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。
本公开实施例还提供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。其中，所述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，或者可以是易失性计算机可读存储介质。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现上述方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述方法的操作。
本公开实施例还提供一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
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示出本公开实施例提供的一种电子设备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Wi-Fi、2G、3G、4G/LTE、5G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示出本公开实施例提供的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932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1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如WindowsMac OS
Figure BDA0002256171040000191
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1932，上述计算机程序指令可由电子设备1900的处理组件1922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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
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的技术的改进，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)

1.一种神经网络的训练方法，其特征在于，包括：
通过第一神经网络提取第一图像的第一特征和第二图像的第二特征；
通过所述第一神经网络融合所述第一特征和所述第二特征，得到第三特征；
通过所述第一神经网络根据所述第三特征，确定所述第一图像和所述第二图像中重合的像素的第一分类结果；
根据所述第一分类结果，以及所述重合的像素对应的标注数据，训练所述第一神经网络。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
通过第二神经网络确定所述第一图像中的像素的第二分类结果；
根据所述第二分类结果，以及所述第一图像对应的标注数据，训练所述第二神经网络。
3.一种神经网络的训练方法，其特征在于，包括：
通过第一神经网络确定第一图像和第二图像中重合的像素的第三分类结果；
通过第二神经网络确定所述第一图像中的像素的第四分类结果；
根据所述第三分类结果和所述第四分类结果，训练所述第二神经网络。
4.一种图像的分割方法，其特征在于，包括：
根据权利要求2或3所述的方法获得训练后的所述第二神经网络；
将第三图像输入训练后所述第二神经网络中，经由训练后的所述第二神经网络输出所述第三图像中的像素的第五分类结果。
5.一种神经网络的训练装置，其特征在于，包括：
第一提取模块，用于通过第一神经网络提取第一图像的第一特征和第二图像的第二特征；
第一融合模块，用于通过所述第一神经网络融合所述第一特征和所述第二特征，得到第三特征；
第一确定模块，用于通过所述第一神经网络根据所述第三特征，确定所述第一图像和所述第二图像中重合的像素的第一分类结果；
第一训练模块，用于根据所述第一分类结果，以及所述重合的像素对应的标注数据，训练所述第一神经网络。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
第二确定模块，用于通过第二神经网络确定所述第一图像中的像素的第二分类结果；
第二训练模块，用于根据所述第二分类结果，以及所述第一图像对应的标注数据，训练所述第二神经网络。
7.一种神经网络的训练装置，其特征在于，包括：
第六确定模块，用于通过第一神经网络确定第一图像和第二图像中重合的像素的第三分类结果；
第七确定模块，用于通过第二神经网络确定所述第一图像中的像素的第四分类结果；
第四训练模块，用于根据所述第三分类结果和所述第四分类结果，训练所述第二神经网络。
8.一种图像的分割装置，其特征在于，包括：
获得模块，用于根据权利要求6或7所述的装置获得训练后的所述第二神经网络；
输出模块，用于将第三图像输入训练后所述第二神经网络中，经由训练后的所述第二神经网络输出所述第三图像中的像素的第五分类结果。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
用于存储可执行指令的存储器；
其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行权利要求1至4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4中任意一项所述的方法。
CN201911063105.0A 2019-10-31 2019-10-31 图像的分割方法及装置、电子设备和存储介质 Active CN110852325B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201911063105.0A CN110852325B (zh) 2019-10-31 2019-10-31 图像的分割方法及装置、电子设备和存储介质
PCT/CN2020/100729 WO2021082517A1 (zh) 2019-10-31 2020-07-07 神经网络训练及图像分割方法、装置、设备、介质和程序
JP2021544372A JP2022518583A (ja) 2019-10-31 2020-07-07 ニューラルネットワークトレーニングおよび画像分割方法、装置、機器
KR1020217020479A KR20210096655A (ko) 2019-10-31 2020-07-07 신경 네트워크 훈련 및 이미지 분할 방법, 장치, 기기, 매체 및 프로그램
TW109137157A TWI765386B (zh) 2019-10-31 2020-10-26 神經網路訓練及圖像分割方法、電子設備和電腦儲存介質
US17/723,587 US20220245933A1 (en) 2019-10-31 2022-04-19 Method for neural network training, method for image segmentation, electronic device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911063105.0A CN110852325B (zh) 2019-10-31 2019-10-31 图像的分割方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN110852325A true CN110852325A (zh) 2020-02-28
CN110852325B CN110852325B (zh) 2023-03-31

Family

ID=69599494

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911063105.0A Active CN110852325B (zh) 2019-10-31 2019-10-31 图像的分割方法及装置、电子设备和存储介质

Country Status (6)

Country Link
US (1) US20220245933A1 (zh)
JP (1) JP2022518583A (zh)
KR (1) KR20210096655A (zh)
CN (1) CN110852325B (zh)
TW (1) TWI765386B (zh)
WO (1) WO2021082517A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021082517A1 (zh) * 2019-10-31 2021-05-06 上海商汤智能科技有限公司 神经网络训练及图像分割方法、装置、设备、介质和程序
CN114821185A (zh) * 2022-05-10 2022-07-29 平安科技（深圳）有限公司 图像分类方法、装置、设备及介质
CN114821185B (zh) * 2022-05-10 2024-06-28 平安科技（深圳）有限公司 图像分类方法、装置、设备及介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781636B (zh) * 2021-09-14 2023-06-20 杭州柳叶刀机器人有限公司 盆骨建模方法与系统、存储介质、计算机程序产品
CN116206331B (zh) * 2023-01-29 2024-05-31 阿里巴巴（中国）有限公司 图像处理方法、计算机可读存储介质以及计算机设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107784319A (zh) * 2017-09-26 2018-03-09 天津大学 一种基于增强卷积神经网络的病理图像分类方法
CN107944375A (zh) * 2017-11-20 2018-04-20 北京奇虎科技有限公司 基于场景分割的自动驾驶处理方法及装置、计算设备
CN109359666A (zh) * 2018-09-07 2019-02-19 佳都新太科技股份有限公司 一种基于多特征融合神经网络的车型识别方法及处理终端
CN110276408A (zh) * 2019-06-27 2019-09-24 腾讯科技（深圳）有限公司 3d图像的分类方法、装置、设备及存储介质

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7295691B2 (en) * 2002-05-15 2007-11-13 Ge Medical Systems Global Technology Company, Llc Computer aided diagnosis of an image set
EP3273387B1 (en) * 2016-07-19 2024-05-15 Siemens Healthineers AG Medical image segmentation with a multi-task neural network system
WO2018048507A1 (en) * 2016-09-06 2018-03-15 Han Xiao Neural network for generating synthetic medical images
CN108229455B (zh) * 2017-02-23 2020-10-16 北京市商汤科技开发有限公司 物体检测方法、神经网络的训练方法、装置和电子设备
US10410353B2 (en) * 2017-05-18 2019-09-10 Mitsubishi Electric Research Laboratories, Inc. Multi-label semantic boundary detection system
JP2019067078A (ja) * 2017-09-29 2019-04-25 国立大学法人 筑波大学 画像処理方法、及び画像処理プログラム
CN111200973B (zh) * 2017-10-11 2023-12-22 皇家飞利浦有限公司 基于智能超声的生育力监测
US11551362B2 (en) * 2018-01-10 2023-01-10 Institut De Recherche Sur Les Cancers De I Automatic segmentation process of a 3D medical image by several neural networks through structured convolution according to the geometry of the 3D medical image
US10140544B1 (en) * 2018-04-02 2018-11-27 12 Sigma Technologies Enhanced convolutional neural network for image segmentation
CN110110617B (zh) * 2019-04-22 2021-04-20 腾讯科技（深圳）有限公司 医学影像分割方法、装置、电子设备和存储介质
TWI707299B (zh) * 2019-10-18 2020-10-11 汎思數據股份有限公司 光學檢測二次圖像分類方法
CN110852325B (zh) * 2019-10-31 2023-03-31 上海商汤智能科技有限公司 图像的分割方法及装置、电子设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107784319A (zh) * 2017-09-26 2018-03-09 天津大学 一种基于增强卷积神经网络的病理图像分类方法
CN107944375A (zh) * 2017-11-20 2018-04-20 北京奇虎科技有限公司 基于场景分割的自动驾驶处理方法及装置、计算设备
CN109359666A (zh) * 2018-09-07 2019-02-19 佳都新太科技股份有限公司 一种基于多特征融合神经网络的车型识别方法及处理终端
CN110276408A (zh) * 2019-06-27 2019-09-24 腾讯科技（深圳）有限公司 3d图像的分类方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WEI CHEN ETAL.: ""S3D-UNet:Separable 3D U-Net for Brain Tumor Segmentation"", 《SPRINGER》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021082517A1 (zh) * 2019-10-31 2021-05-06 上海商汤智能科技有限公司 神经网络训练及图像分割方法、装置、设备、介质和程序
CN114821185A (zh) * 2022-05-10 2022-07-29 平安科技（深圳）有限公司 图像分类方法、装置、设备及介质
CN114821185B (zh) * 2022-05-10 2024-06-28 平安科技（深圳）有限公司 图像分类方法、装置、设备及介质

Also Published As

Publication number Publication date
TWI765386B (zh) 2022-05-21
KR20210096655A (ko) 2021-08-05
US20220245933A1 (en) 2022-08-04
CN110852325B (zh) 2023-03-31
WO2021082517A1 (zh) 2021-05-06
JP2022518583A (ja) 2022-03-15
TW202118440A (zh) 2021-05-16

Similar Documents

Publication Publication Date Title
CN109829920B (zh) 图像处理方法及装置、电子设备和存储介质
CN110569854B (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
CN110852325B (zh) 图像的分割方法及装置、电子设备和存储介质
CN110569777B (zh) 图像处理方法及装置、电子设备和存储介质
CN110211134B (zh) 一种图像分割方法及装置、电子设备和存储介质
CN110705626A (zh) 一种图像处理方法及装置、电子设备和存储介质
CN112219224B (zh) 图像处理方法及装置、电子设备和存储介质
CN111243011A (zh) 关键点检测方法及装置、电子设备和存储介质
CN109635142B (zh) 图像选择方法及装置、电子设备和存储介质
CN109671051B (zh) 图像质量检测模型训练方法及装置、电子设备和存储介质
CN111833344A (zh) 医学图像的处理方法及装置、电子设备和存储介质
CN111626086A (zh) 活体检测方法、装置及系统、电子设备和存储介质
CN111860373B (zh) 目标检测方法及装置、电子设备和存储介质
CN111652107B (zh) 对象计数方法及装置、电子设备和存储介质
CN111860388A (zh) 图像处理方法及装置、电子设备和存储介质
CN108171222B (zh) 一种基于多流神经网络的实时视频分类方法及装置
CN112597944A (zh) 关键点检测方法及装置、电子设备和存储介质
CN111798498A (zh) 图像处理方法及装置、电子设备和存储介质
CN111724361A (zh) 实时显示病灶的方法及装置、电子设备和存储介质
CN113947603A (zh) 图像处理方法及装置、电子设备和存储介质
CN113538310A (zh) 图像处理方法及装置、电子设备和存储介质
CN112613447A (zh) 关键点检测方法及装置、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
CN112767541A (zh) 三维重建方法及装置、电子设备和存储介质

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: 40018262

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant