CN110866897A - 一种图像检测方法及计算机可读存储介质 - Google Patents

一种图像检测方法及计算机可读存储介质 Download PDF

Info

Publication number
CN110866897A
CN110866897A CN201911044460.3A CN201911044460A CN110866897A CN 110866897 A CN110866897 A CN 110866897A CN 201911044460 A CN201911044460 A CN 201911044460A CN 110866897 A CN110866897 A CN 110866897A
Authority
CN
China
Prior art keywords
image
target
salient
image detection
feature map
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
CN201911044460.3A
Other languages
English (en)
Other versions
CN110866897B (zh
Inventor
徐小栋
廖术
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 United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare 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 United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN201911044460.3A priority Critical patent/CN110866897B/zh
Publication of CN110866897A publication Critical patent/CN110866897A/zh
Application granted granted Critical
Publication of CN110866897B publication Critical patent/CN110866897B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • 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
    • G06V2201/07—Target detection

Landscapes

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

Abstract

本发明公开了一种图像检测方法及计算机可读存储介质，其中，图像检测方法包括：基于图像检测模型的特征提取网络对获取的目标图像进行特征提取，得到所述目标图像的基础特征图；所述目标图像中包括目标对象；基于所述图像检测模型的显著性提取网络对所述基础特征图进行显著性区域提取，得到多个显著性特征图；对所述多个显著性特征图进行特征融合，得到显著性融合特征图；将所述显著性融合特征图输入至所述图像检测模型的检测网络中进行目标检测，得到所述目标对象的目标检测结果。本发明提高了显著性区域特征对目标检测结果的影响，使得到的目标检测结果更加准确，有利于提高对医学图像的判读的准确性和效率。

Description

一种图像检测方法及计算机可读存储介质
技术领域
本发明涉及图像处理技术领域，特别涉及一种图像检测方法及计算机可读存储介质。
背景技术
近年来，随着计算机技术的快速发展，机器学习技术被越来越多的应用于医学图像的处理中，例如采用目标检测模型来对MRI(Magnetic Resonance Imaging，核磁共振成像)中的病灶进行检测，以得到病灶区域的相关信息，该病灶区域的相关信息的准确程度对后续医生进行治疗方案的制定将会产生很大的影响。而相关技术中检测得到的病灶区域的相关信息比较粗糙、准确性低，导致对于相关医学图像的判读的准确性和效率较低。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种图像检测方法、装置、终端及计算机可读存储介质。所述技术方案如下：
一方面，提供了一种图像检测方法，所述方法包括：
基于图像检测模型的特征提取网络对获取的目标图像进行特征提取，得到所述目标图像的基础特征图；所述目标图像中包括目标对象；
基于所述图像检测模型的显著性提取网络对所述基础特征图进行显著性区域提取，得到多个显著性特征图；
对所述多个显著性特征图进行特征融合，得到显著性融合特征图；
将所述显著性融合特征图输入至所述图像检测模型的检测网络中进行目标检测，得到所述目标对象的目标检测结果。
另一方面，提供了一种图像检测装置，所述装置包括：
第一提取模块，用于基于图像检测模型的特征提取网络对获取的目标图像进行特征提取，得到所述目标图像的基础特征图；所述目标图像中包括目标对象；
第二提取模块，用于基于所述图像检测模型的显著性提取网络对所述基础特征图进行显著性区域提取，得到多个显著性特征图；
第一融合模块，用于对所述多个显著性特征图进行特征融合，得到显著性融合特征图；
目标检测模块，用于将所述显著性融合特征图输入至所述图像检测模型的检测网络中进行目标检测，得到所述目标对象的目标检测结果。
可选的，所述第二提取模块包括：
第一提取子模块，用于基于所述图像检测模型的第一显著性提取网络对所述基础特征图进行显著性区域提取，得到第一显著性特征图；
第二融合模块，用于将所述第一显著性特征图与所述基础特征图进行特征融合，得到融合特征图；
第二提取子模块，用于基于所述图像检测模型的第二显著性提取网络对所述融合特征图进行显著性区域提取，得到第二显著性特征图；
其中，所述多个显著性特征图包括所述第一显著性特征图和第二显著性特征图。
可选的，所述装置还包括用于训练所述图像检测模型的训练模块，所述训练模块包括：
构建模块，用于构建图像检测模型；
第一获取模块，用于获取用于训练的样本图像集，所述样本图像集包括样本图像及所述样本图像中所述目标对象的标注信息；
训练子模块，用于根据所述样本图像集中的样本图像及所述样本图像中目标对象的标注信息训练所述图像检测模型，得到使所述图像检测模型的目标损失函数满足收敛条件的模型参数；
其中，所述图像检测模型包括特征提取网络、第一显著性提取网络、第二显著性提取网络和检测网络；所述特征提取网络的输出端分别与所述第一显著性提取网络和第二显著性提取网络连接；所述第一显著性提取网络的输出端分别与所述第二显著性提取网络和所述检测网络连接；所述第二显著性提取网络的输出端与所述检测网络连接。
可选的，所述标注信息包括所述目标对象在对应样本图像中的位置信息；所述训练模块还包括：
第一确定模块，用于确定所述样本图像中所述目标对象对应的至少一个标注区域；
第二确定模块，用于根据所述至少一个标注区域之间的重叠程度，确定所述样本图像中落入所述至少一个标注区域的目标像素点的权重；
第三确定模块，用于根据所述目标像素点的权重以及所述目标像素点在所述样本图像中的坐标，确定所述目标对象的位置信息。
可选的，所述第二确定模块包括：
第四确定模块，用于确定所述至少一个标注区域中包含所述目标像素点的目标标注区域；
第五确定模块，用于确定所述目标标注区域的第一数量；
第六确定模块，用于确定所述至少一个标注区域的总数量；
第一计算模块，用于计算所述第一数量与所述总数量的比值，所述比值作为所述目标像素点的权重。
可选的，所述第三确定模块包括：
第二计算模块，用于计算所述目标像素点的权重的和值，得到权重和；
第三计算模块，用于将所述目标像素点在所述样本图像中的坐标分量分别与所述目标像素点的权重相乘，得到所述目标像素点的对应所述坐标分量的中间坐标值；
第四计算模块，用于计算各目标像素点的相同坐标分量对应的所述中间坐标值的和值，得到分量坐标和；
第五计算模块，用于计算所述分量坐标和与所述权重和的比值，将所述分量坐标和与所述权重和的比值作为所述目标对象的坐标的相应坐标分量的坐标值。
可选的，所述装置还包括：
增强模块，用于将所述显著性融合特征图中的显著性区域相对于所述目标图像进行增强处理，得到目标增强图；
显示模块，用于对所述目标增强图进行显示。
可选的，所述目标图像包括医学图像；所述目标对象包括所述医学图像中的病灶区域；
所述目标检测结果包括以下至少之一：所述病灶区域的位置信息、所述病灶区域的尺寸信息、所述病灶区域对应病灶的姿态信息。
可选的，所述病灶区域的位置信息包括所述病灶区域的中心点坐标。
另一方面，提供了一种终端，包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述图像检测方法。
另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述的图像检测方法。
本发明实施例通过对多个显著性特征图进行特征融合得到显著性融合特征图，使得显著性融合特征图中显著性区域的特征得到加强，在将显著性区域特征得到加强的该显著性融合特征图输入至图像检测模型的检测网络进行目标检测时，可以提高显著性区域特征对目标检测结果的影响，从而使得到的目标对象的目标检测结果更加准确。当应用于医学图像的检测时，可以提高检测得到的病灶区域的相关信息的准确性，进而提高医生对该医学图像的判读的准确性和效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种图像检测方法的流程示意图；
图2是本发明实施例提供的图像检测模型的一种结构示意图；
图3是本发明实施例提供的确定样本图像中目标对象的位置信息的一种方法的流程示意图；
图4是采用本发明实施例提供的图像检测方法对前列腺MRI图像中的前列腺肿瘤进行检测的示意图；
图5是采用本发明实施例提供的一种图像检测装置的结构示意图；
图6是采用本发明实施例提供的另一种图像检测装置的结构示意图；
图7是本发明实施例提供的一种终端的硬件结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1，其所示为本发明实施例提供的一种图像检测方法的流程示意图，需要说明的是，本发明实施例的图像检测方法可以应用于本发明实施例的图像检测装置，该图像检测装置可以配置于终端或者服务器等电子设备中。其中，终端可以是手机、平板电脑、个人电脑及个人数字助理等具有各种操作系统的硬件设备；服务器可以包括一个独立运行的服务器，或者分布式服务器，或者由多个服务器组成的服务器集群。
此外，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图1所示，所述方法可以包括：
S101，基于图像检测模型的特征提取网络对获取的目标图像进行特征提取，得到所述目标图像的基础特征图。
本说明书实施例中，目标图像为待检测的图像，目标图像中包括目标对象。目标图像可以但不限于包括医学图像，如通过核磁共振成像(Magnetic Resonance Imaging，MRI)得到的MRI图像，该MRI图像可以是机体的前列腺MRI图像，也可以是机体的其他部位MRI图像。具体的实施方式中，MRI图像可以但不限于包括T2加权序列图像、弥散加权成像DWI(Diffusion Weighted Imaging)以及表观弥散系数ADC(Apparent DiffusionCoefficient)。当目标图像为医学图像时，目标对象可以但不限于包括医学图像中的病灶区域，即组织或器官遭受致病因子的作用而引起病变的部位，是机体上发生病变的部分，例如肿瘤等。
可以理解的，医学图像不限于上述的MRI图像，还可以是其它类型的医学图像，例如，还可以是CT(Computed Tomography)图像、PET(Positron Emission-computedTomography)图像等等，本发明对此不作具体限定。
步骤S101中的图像检测模型为预先训练好的机器学习模型，因此，在步骤S101之前，所述方法还可以包括训练所述图像检测模型的步骤，所述训练所述图像检测模型可以包括：
构建图像检测模型。其中，图像检测模型可以包括特征提取网络、多个显著性提取网络和检测网络，该特征提取网络和多个显著性提取网络可以为卷积神经网络，该卷积神经网络可以但不限于包括VGG网络、Residual卷积网络、Dense卷积网络、SE卷积网络等等。检测网络可以为目标检测网络，该目标检测网络可以但不限于包括yolo网络、FasterRCNN、Mask RCNN等。
在一个具体的实施方式中，如图2提供的图像检测模型的结构示意图，图像检测模型可以包括特征提取网络、第一显著性提取网络、第二显著性提取网络和目标检测网络。其中，特征提取网络的输出端分别与第一显著性提取网络的输入端和第二显著性提取网络的输入端连接；第一显著性提取网络的输出端分别与第二显著性提取网络的输入端和目标检测网络的输入端连接；第二显著性提取网络的输出端与目标检测网络的输入端连接。本说明书实施例的上述网络连接，使得特征提取网络的输出一方面能够作为第一显著性提取网络的输入，另一方面，特征提取网络的输出还可以与第一显著性提取网络的输出相融合作为第二显著性提取网络的输入；而第一显著性提取网络的输出除了可以与特征提取网络的输出相融合作为第二显著性提取网络的输入，该第一显著性提取网络的输出还可以与第二显著性提取网络的输出进一步融合作为目标检测网络的输入，从而能够提高显著性区域对目标检测网络的检测结果的影响，有利于提高图像检测模型检测结果的准确性。
获取用于训练的样本图像集，该样本图像集包括样本图像及样本图像中目标对象的标注信息。实际应用中，在进行机器学习训练之前，可以先确定训练数据即样本图像集，在本说明书实施例中，训练数据可以包括样本图像及样本图像中目标对象的标注信息，其中，目标对象的标注信息可以根据实际应用中需要得到的目标对象的检测结果的具体信息来确定，例如，需要得到目标图像中目标对象的位置信息，那么标注信息就可以包括目标对象在对应样本图像中的位置信息。
当目标对象的标注信息包括目标对象在对应样本图像中的位置信息时，在获取用于训练的样本图像集之前，如图3所示，所述方法还可以包括确定目标对象的位置信息的步骤，具体包括：
S301，确定所述样本图像中所述目标对象对应的至少一个标注区域。
具体的，该至少一个标注区域可以是由不同标注人员根据经验对样本图像中的目标对象的勾画或者框选出来的区域。实际应用中，样本图像可以来源于不同的成像设备，由于不同的成像设备的成像参数可能不一致导致得到的原始图像的分辨率不一致，因此，为了保证数据空间分辨率的一致性，在确定样本图像中目标对象对应的至少一个标注区域之前，还可以对获取的原始图像进行调整，将原始图像调整至预设尺寸得到具有相同空间分辨率的样本图像，其中，预设尺寸可以根据实际需要进行设定，本发明对此不作限定。
S303，根据所述至少一个标注区域之间的重叠程度，确定所述样本图像中落入所述至少一个标注区域的目标像素点的权重。
其中，目标像素点为所述至少一个标注区域中的任意一个像素点。实际应用中，由于标注人员的经验水平不同，对于同一目标对象的勾画或者框选得到的标注区域也会存在差异，为了确保标注信息中目标对象的位置信息的准确性以提高基于图像检测模型得到的检测结果的准确性，本说明书实施例中根据至少一个标注区域之间的重叠程度来确定样本图像中落入该至少一个标注区域的目标像素点的权重，对于位于相互重叠程度较大位置处的目标像素点赋予较大的权重，对于位于相互重叠程度较小位置处的目标像素点赋予较小的权重。具体的实施中，该目标像素点的权重的计算步骤可以如下：
确定所述至少一个标注区域中包含所述目标像素点的目标标注区域。
确定所述目标标注区域的第一数量。
确定所述至少一个标注区域的总数量。
计算所述第一数量与所述总数量的比值，所述比值作为所述目标像素点的权重。
举例而言，目标对象对应的标注区域为10个即总数量为10，其中有6个标注区域都包含了目标像素点A，则目标像素点A对应的第一数量为6，目标像素点的权重为6/10即0.6。
S305，根据所述目标像素点的权重以及所述目标像素点在所述样本图像中的坐标，确定所述目标对象的位置信息。
本说明书实施例基于目标像素点的权重以及该目标像素点在样本图像中的坐标来确定目标对象的位置信息可以确保目标对象对应位置信息的准确性，进而提高了后续基于该位置信息训练得到的图像检测模型输出的检测结果的准确性。
在一个具体实施方式中，为了实现对目标对象的精确定位，目标对象的位置信息可以是目标对象的中心点坐标，该目标对象的中心点坐标的计算过程如下：
计算所述目标像素点的权重的和值，得到权重和；
将所述目标像素点在所述样本图像中的坐标分量分别与所述目标像素点的权重相乘，得到所述目标像素点的对应所述坐标分量的中间坐标值；
计算各目标像素点的相同坐标分量对应的所述中间坐标值的和值，得到分量坐标和；
计算所述分量坐标和与所述权重和的比值，将所述分量坐标和与所述权重和的比值作为所述目标对象的坐标的相应坐标分量的坐标值。
以目标像素点i在样本图像中的坐标为(xi,yi,zi)为例，上述对于目标对象的中心点坐标(x,y,z)的计算过程可以表示为以下公式：
Figure BDA0002253750530000101
其中，mi表示目标像素点i的权重；n表示至少一个标注区域中的所有像素点；
Figure BDA0002253750530000102
表示权重和；mi*xi表示对应坐标分量xi的中间坐标值；mi*yi表示对应坐标分量yi的中间坐标值；mi*zi表示对应坐标分量zi的中间坐标值；
Figure BDA0002253750530000103
表示x轴分量坐标和；
Figure BDA0002253750530000104
表示y轴分量坐标和；
Figure BDA0002253750530000105
表示z轴分量坐标和。
根据所述样本图像集中的样本图像及所述样本图像中目标对象的标注信息训练所述图像检测模型，得到使所述图像检测模型的目标损失函数满足收敛条件的模型参数，此时的模型参数所对应的图像检测模型即为本说明书实施例中的图像检测方法所采用的图像检测模型。
其中，收敛条件可以但不限于为目标损失函数的损失值达到最小，即根据目标损失函数的损失值来判断当前图像检测模型是否收敛，如果收敛，则训练完成，将当前模型参数对应的图像检测模型作为最终训练好的图像检测模型；如果不收敛，则可以采用梯度下降法调整当前图像检测模型中的参数，得到新的图像检测模型，并利用新的图像检测模型和样本图像以及该样本图像对应的标注信息继续训练。
目标损失函数可以是分类对应的损失函数与回归对应的损失函数之和，其中，特征提取网络和显著性提取网络可以采用分类对应的损失函数，目标检测网络可以采用回归对应的损失函数。分类对应的损失函数可以但不限于包括交叉熵损失函数，回归对应的损失函数可以但不限于包括Smooth L1损失函数，其中，Smooth L1损失函数具有相对较快的收敛速度，并且对离散点相对不敏感，收敛更稳定，具体的实施中，Smooth L1损失函数可以表示为如下：
Figure BDA0002253750530000111
其中，T(x,y,z)表示目标坐标点，P(x,y,z)表示预测坐标点。
S103，基于所述图像检测模型的显著性提取网络对所述基础特征图进行显著性区域提取，得到多个显著性特征图。
本说明书实施例中，图像检测模型可以包括多个显著性提取网络，通过该多个显著性特征提取网络分别对基础特征图进行显著性区域提取，得到对应每个显著性特征提取网络的显著性特征图。其中，显著性区域是指图像中的感兴趣区域，该感兴趣区域可以但不限于包括医学图像中的病灶区域。多个显著性提取网络可以为卷积神经网络。
以图2所示的图像检测模型的结构为例，图像检测模型可以包括第一显著性提取网络和第二显著性提取网络，则步骤S103可以包括：
基于所述图像检测模型的第一显著性提取网络对所述基础特征图进行显著性区域提取，得到第一显著性特征图。
将所述第一显著性特征图与所述基础特征图进行特征融合，得到融合特征图。具体的，可以对第一显著性特征图进行高斯滤波并归一化处理，然后将归一化处理后的第一显著性特征图与基础特征图进行融合，具体的融合方式可以是第一显著性特征图与基础特征图中对应像素点的特征值的加和，从而得到融合特征图。
基于所述图像检测模型的第二显著性提取网络对所述融合特征图进行显著性区域提取，得到第二显著性特征图。
其中，第一显著性特征图和第二显著性特征图作为多个显著性特征图。
S105，对所述多个显著性特征图进行特征融合，得到显著性融合特征图。
以图2所示的图像检测模型的结构为例，多个显著性特征图包括上述的第一显著性特征图和第二显著性特征图，在进行第一显著性特征图与第二显著性特征图的融合时，可以将第二显著性特征图中各像素点的特征值作为第一显著性特征图中相对应像素点的特征值的权重值，计算第一显著性特征图中各像素点的特征值与相对应的权重值的乘积，从而得到显著性融合特征图，其中，像素点的特征值是像素点的像素值经过卷积处理后转换成的。
S107，将所述显著性融合特征图输入至所述图像检测模型的检测网络中进行目标检测，得到所述目标对象的目标检测结果。
具体的，可以利用图2所示的图像检测模型结构中的目标检测网络对显著性融合特征图进行目标检测。目标检测结合了目标分类和定位两个任务，其是计算机视觉应用的基础。由于显著性融合特征图是基于多个显著性特征图的融合得到的，从而在基于该显著性融合特征图进行目标检测时，可以提高显著性区域特征对目标检测结果的影响，进而使得到的目标对象的目标检测结果更加准确。
采用本说明书实施例中的包含目标对象在样本图像中的位置信息的训练数据训练得到目标图像检测模型，能够精确定位到待检测的目标图像中目标对象的中心点坐标，也即步骤S107中，图像检测模型的检测网络输出的目标对象的目标检测结果包括目标对象在待检测的目标图像中的中心点坐标。
本说明书实施例中，当目标图像为医学图像，目标对象为医学图像中的病灶区域时，目标检测结果可以包括以下至少之一：病灶区域的位置信息、病灶区域的尺寸信息、病灶区域对应病灶的姿态信息等，其中，病灶区域的位置信息可以包括病灶区域的中心点坐标；病灶区域对应的病灶姿态信息可以包括病灶长短径以及旋转角度。
实际应用中，为了实现对病灶区域进行重点显示，以使得医护人员能够直观的在第一时间找到病灶部位，在步骤S105之后，所述方法还可以包括：
将所述显著性融合特征图中的显著性区域相对于所述目标图像进行增强处理，得到目标增强图。其中，增强处理所采用的方法可以但不限于包括灰度线性变换法、直方图均衡变换法、同态滤波法等。
对所述目标增强图进行显示。
本发明实施例通过将提取的显著性区域作为区域显示增强模板，对病灶附近区域进行增强显示，可以使医护人员在阅片过程中能够快速捕获到病灶信息，大大提高了阅片效率。
下面以目标图像为前列腺MRI图像，目标对象为前列腺肿瘤，图像检测模型为图2所示的结构为例来对本发明实施例的图像检测方法进行说明。
训练阶段：从影像归档和通信系统PACs(Picture Archiving and CommunicationSystems)中获取作为样本的原始前列腺MRI图像，对原始前列腺MRI图像数据重采样至相同的空间分辨率，得到样本前列腺MRI图像。
由若干位经验丰富的医生对样本前列腺MRI图像中的前列腺肿瘤部位进行标注即在样本前列腺MRI图像中对前列腺肿瘤部位进行勾画或者框选。对标注的样本前列腺MRI图像进行计算处理以确定前列腺肿瘤的中心点坐标，得到样本前列腺MRI图像中前列腺肿瘤部位的标注信息，其中，中心点坐标的具体计算方式可以参见本说明书实施例的前述相关内容，在此不再赘述。
利用样本前列腺MRI图像和对应的标注信息训练图2所示的图像检测模型，得到训练好的图像检测模型。
预测阶段：如图4所示，从影像归档和通信系统PACs中获取待检测的前列腺MRI图像，将该待检测的前列腺MRI图像输入至训练好的图像检测模型的特征提取网络中进行特征提取，得到该前列腺MRI图像的基础特征图；将该前列腺MRI图像的基础特征图作为图像检测模型的第一显著性提取网络的输入，得到输出的第一显著性特征图；对该第一显著性特征图进行重缩放后与上述的基础特征图进行融合，将融合后的特征图作为图像检测模型的第二显著性提取网络的输入，得到输出第二显著性特征图；然后，对第一显著性特征图和第二显著性特征图进行融合，并将融合后的显著性特征图作为图像检测模型的目标检测网络的输入，该目标检测网络最终输出为前列腺肿瘤的中心点在前列腺MRI图像中的位置，即前列腺肿瘤的中心点坐标，如图4中所示的(244,216,11)，从而实现对前列腺肿瘤的精确定位。
此外，如图4中所示，对显著性融合特征图中的显著性区域相对于前列腺MRI图像进行增强处理，并将增强处理后的图像进行显示，从而使得前列腺肿瘤部位相对于前列腺MRI图像的其它部位突出显示，便于在前列腺MRI图像的判断过程中快速捕获到前列腺肿瘤部位，有利于提高对前列腺MRI图像的判读效率和准确性。。
由本发明实施例的上述技术方案可见，本发明实施例通过对多个显著性特征图进行特征融合得到显著性融合特征图，使得显著性融合特征图中显著性区域的特征得到加强，在将显著性区域特征得到加强的该显著性融合特征图输入至图像检测模型的检测网络进行目标检测时，可以提高显著性区域特征对目标检测结果的影响，从而使得到的目标对象的目标检测结果更加准确。当应用于医学图像的检测时，可以提高检测得到的病灶区域的相关信息的准确性，进而提高医生对该医学图像的判读的准确性和效率。
与上述几种实施例提供的图像检测方法相对应，本发明实施例还提供一种图像检测装置，由于本发明实施例提供的图像检测装置与上述几种实施例提供的图像检测方法相对应，因此前述图像检测方法的实施方式也适用于本实施例提供的图像检测装置，在本实施例中不再详细描述。
请参阅图5，其所示为本发明实施例提供的一种图像检测装置的结构示意图，该装置具有实现上述方法实施例中图像检测方法的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。如图5所示，该装置可以包括：
第一提取模块510，用于基于图像检测模型的特征提取网络对获取的目标图像进行特征提取，得到所述目标图像的基础特征图；所述目标图像中包括目标对象；
第二提取模块520，用于基于所述图像检测模型的显著性提取网络对所述基础特征图进行显著性区域提取，得到多个显著性特征图；
第一融合模块530，用于对所述多个显著性特征图进行特征融合，得到显著性融合特征图；
目标检测模块540，用于将所述显著性融合特征图输入至所述图像检测模型的检测网络中进行目标检测，得到所述目标对象的目标检测结果。
在一个可选的实施方式中，第二提取模块520可以包括：
第一提取子模块，用于基于所述图像检测模型的第一显著性提取网络对所述基础特征图进行显著性区域提取，得到第一显著性特征图；
第二融合模块，用于将所述第一显著性特征图与所述基础特征图进行特征融合，得到融合特征图；
第二提取子模块，用于基于所述图像检测模型的第二显著性提取网络对所述融合特征图进行显著性区域提取，得到第二显著性特征图；
其中，所述多个显著性特征图包括所述第一显著性特征图和第二显著性特征图。
在一个可选的实施方式中，如图6提供的另一种图像检测装置的结构示意图，所述装置还可以包括用于训练所述图像检测模型的训练模块550，该训练模块550可以包括：
构建模块，用于构建图像检测模型；
第一获取模块，用于获取用于训练的样本图像集，所述样本图像集包括样本图像及所述样本图像中所述目标对象的标注信息；
训练子模块，用于根据所述样本图像集中的样本图像及所述样本图像中目标对象的标注信息训练所述图像检测模型，得到使所述图像检测模型的目标损失函数满足收敛条件的模型参数；
其中，所述图像检测模型包括特征提取网络、第一显著性提取网络、第二显著性提取网络和检测网络；所述特征提取网络的输出端分别与所述第一显著性提取网络和第二显著性提取网络连接；所述第一显著性提取网络的输出端分别与所述第二显著性提取网络和所述检测网络连接；所述第二显著性提取网络的输出端与所述检测网络连接。
在一个可选的实施方式中，所述标注信息可以包括所述目标对象在对应样本图像中的位置信息；所述训练模块550还可以包括：
第一确定模块，用于确定所述样本图像中所述目标对象对应的至少一个标注区域；
第二确定模块，用于根据所述至少一个标注区域之间的重叠程度，确定所述样本图像中落入所述至少一个标注区域的目标像素点的权重；
第三确定模块，用于根据所述目标像素点的权重以及所述目标像素点在所述样本图像中的坐标，确定所述目标对象的位置信息。
在一个可选的实施方式中，第二确定模块可以包括：
第四确定模块，用于确定所述至少一个标注区域中包含所述目标像素点的目标标注区域；
第五确定模块，用于确定所述目标标注区域的第一数量；
第六确定模块，用于确定所述至少一个标注区域的总数量；
第一计算模块，用于计算所述第一数量与所述总数量的比值，所述比值作为所述目标像素点的权重。
在一个可选的实施方式中，第三确定模块包括：
第二计算模块，用于计算所述目标像素点的权重的和值，得到权重和；
第三计算模块，用于将所述目标像素点在所述样本图像中的坐标分量分别与所述目标像素点的权重相乘，得到所述目标像素点的对应所述坐标分量的中间坐标值；
第四计算模块，用于计算各目标像素点的相同坐标分量对应的所述中间坐标值的和值，得到分量坐标和；
第五计算模块，用于计算所述分量坐标和与所述权重和的比值，将所述分量坐标和与所述权重和的比值作为所述目标对象的坐标的相应坐标分量的坐标值。
在一个可选的实施方式中，如图6中所示，该装置还可以包括：
增强模块560，用于将所述显著性融合特征图中的显著性区域相对于所述目标图像进行增强处理，得到目标增强图；
显示模块570，用于对所述目标增强图进行显示。
在一个可选的实施方式中，所述目标图像包括医学图像；所述目标对象包括所述医学图像中的病灶区域；
所述目标检测结果包括以下至少之一：所述病灶区域的位置信息、所述病灶区域的尺寸信息、所述病灶区域对应病灶的姿态信息。
在一个可选的实施方式中，所述病灶区域的位置信息包括所述病灶区域的中心点坐标。
需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本发明实施例的图像检测装置通过对多个显著性特征图进行特征融合得到显著性融合特征图，使得显著性融合特征图中显著性区域的特征得到加强，在将显著性区域特征得到加强的该显著性融合特征图输入至图像检测模型的检测网络进行目标检测时，可以提高显著性区域特征对目标检测结果的影响，从而使得到的目标对象的目标检测结果更加准确。当应用于医学图像的检测时，可以提高检测得到的病灶区域的相关信息的准确性，进而提高医生对该医学图像的判读的准确性和效率。
此外，本发明实施例的图像检测装置可以得到目标对象的中心点坐标，实现对目标对象的精确定位，并且通过将提取的显著性区域作为区域显示增强模板，对病灶附近区域进行增强显示，可以使医护人员在阅片过程中能够快速捕获到病灶信息，大大提高了阅片效率。
本发明实施例提供了一种终端，该终端包括处理器和存储器，该存储器中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的图像检测方法。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及图像检测。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。
本发明实施例所提供的方法实施例可以在计算机终端、服务器或者类似的运算装置中执行。以运行在终端上为例，图7是本发明实施例提供的运行一种图像检测方法的终端的硬件结构框图，具体来讲：
所述终端可以包括RF(Radio Frequency，射频)电路710、包括有一个或一个以上计算机可读存储介质的存储器720、输入单元730、显示单元740、传感器750、音频电路760、WiFi(wireless fidelity，无线保真)模块770、包括有一个或者一个以上处理核心的处理器780、以及电源790等部件。本领域技术人员可以理解，图7中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
RF电路710可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器780处理；另外，将涉及上行的数据发送给基站。通常，RF电路710包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM)卡、收发信机、耦合器、LNA(Low Noise Amplifier，低噪声放大器)、双工器等。此外，RF电路710还可以通过无线通信与网络和其他终端通信。所述无线通信可以使用任一通信标准或协议，包括但不限于GSM(Global System of Mobile communication，全球移动通讯系统)、GPRS(General Packet Radio Service，通用分组无线服务)、CDMA(CodeDivision Multiple Access，码分多址)、WCDMA(Wideband Code Division MultipleAccess,宽带码分多址)、LTE(Long Term Evolution,长期演进)、电子邮件、SMS(ShortMessaging Service，短消息服务)等。
存储器720可用于存储软件程序以及模块，处理器780通过运行存储在存储器720的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器720可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述终端的使用所创建的数据等。此外，存储器720可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器720还可以包括存储器控制器，以提供处理器780和输入单元730对存储器720的访问。
输入单元730可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元730可包括触敏表面731以及其他输入设备732。触敏表面731，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面731上或在触敏表面731附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面731可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器780，并能接收处理器780发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面731。除了触敏表面731，输入单元730还可以包括其他输入设备732。具体地，其他输入设备732可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元740可用于显示由用户输入的信息或提供给用户的信息以及所述终端的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元740可包括显示面板741，可选的，可以采用LCD(Liquid Crystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板741。进一步的，触敏表面731可覆盖显示面板741，当触敏表面731检测到在其上或附近的触摸操作后，传送给处理器780以确定触摸事件的类型，随后处理器780根据触摸事件的类型在显示面板741上提供相应的视觉输出。其中，触敏表面731与显示面板741可以两个独立的部件来实现输入和输入功能，但是在某些实施例中，也可以将触敏表面731与显示面板741集成而实现输入和输出功能。
所述终端还可包括至少一种传感器750，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板741的亮度，接近传感器可在所述终端移动到耳边时，关闭显示面板741和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于所述终端还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路760、扬声器761，传声器762可提供用户与所述终端之间的音频接口。音频电路760可将接收到的音频数据转换后的电信号，传输到扬声器761，由扬声器761转换为声音信号输出；另一方面，传声器762将收集的声音信号转换为电信号，由音频电路760接收后转换为音频数据，再将音频数据输出处理器780处理后，经RF电路710以发送给比如另一终端，或者将音频数据输出至存储器720以便进一步处理。音频电路760还可能包括耳塞插孔，以提供外设耳机与所述终端的通信。
WiFi属于短距离无线传输技术，所述终端通过WiFi模块770可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图7示出了WiFi模块770，但是可以理解的是，其并不属于所述终端的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器780是所述终端的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或执行存储在存储器720内的软件程序和/或模块，以及调用存储在存储器720内的数据，执行所述终端的各种功能和处理数据，从而对终端进行整体监控。可选的，处理器780可包括一个或多个处理核心；优选的，处理器780可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器780中。
所述终端还包括给各个部件供电的电源790(比如电池)，优选的，电源可以通过电源管理系统与处理器780逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源790还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出，所述终端还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，终端还包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行。上述一个或者一个以上程序包含用于执行上述方法实施例提供的图像检测的指令。
本发明的实施例还提供了一种计算机可读存储介质，所述存储介质可设置于终端之中以保存用于实现一种图像检测方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的图像检测方法。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种图像检测方法，其特征在于，所述方法包括：
基于图像检测模型的特征提取网络对获取的目标图像进行特征提取，得到所述目标图像的基础特征图；所述目标图像中包括目标对象；
基于所述图像检测模型的显著性提取网络对所述基础特征图进行显著性区域提取，得到多个显著性特征图；
对所述多个显著性特征图进行特征融合，得到显著性融合特征图；
将所述显著性融合特征图输入至所述图像检测模型的检测网络中进行目标检测，得到所述目标对象的目标检测结果。
2.根据权利要求1所述的图像检测方法，其特征在于，所述基于所述图像检测模型的显著性提取网络对所述基础特征图进行显著性区域提取，得到多个显著性特征图包括：
基于所述图像检测模型的第一显著性提取网络对所述基础特征图进行显著性区域提取，得到第一显著性特征图；
将所述第一显著性特征图与所述基础特征图进行特征融合，得到融合特征图；
基于所述图像检测模型的第二显著性提取网络对所述融合特征图进行显著性区域提取，得到第二显著性特征图；
其中，所述多个显著性特征图包括所述第一显著性特征图和第二显著性特征图。
3.根据权利要求2所述的图像检测方法，其特征在于，所述方法还包括训练所述图像检测模型，所述训练所述图像检测模型包括：
构建图像检测模型；
获取用于训练的样本图像集，所述样本图像集包括样本图像及所述样本图像中所述目标对象的标注信息；
根据所述样本图像集中的样本图像及所述样本图像中目标对象的标注信息训练所述图像检测模型，得到使所述图像检测模型的目标损失函数满足收敛条件的模型参数；
其中，所述图像检测模型包括特征提取网络、第一显著性提取网络、第二显著性提取网络和检测网络；所述特征提取网络的输出端分别与所述第一显著性提取网络和第二显著性提取网络连接；所述第一显著性提取网络的输出端分别与所述第二显著性提取网络和所述检测网络连接；所述第二显著性提取网络的输出端与所述检测网络连接。
4.根据权利要求3所述的图像检测方法，其特征在于，所述标注信息包括所述目标对象在对应样本图像中的位置信息；
在获取用于训练的样本图像集之前，所述方法还包括：
确定所述样本图像中所述目标对象对应的至少一个标注区域；
根据所述至少一个标注区域之间的重叠程度，确定所述样本图像中落入所述至少一个标注区域的目标像素点的权重；
根据所述目标像素点的权重以及所述目标像素点在所述样本图像中的坐标，确定所述目标对象的位置信息。
5.根据权利要求4所述的图像检测方法，其特征在于，所述根据所述至少一个标注区域之间的重叠程度，确定所述样本图像中落入所述至少一个标注区域的目标像素点的权重包括：
确定所述至少一个标注区域中包含所述目标像素点的目标标注区域；
确定所述目标标注区域的第一数量；
确定所述至少一个标注区域的总数量；
计算所述第一数量与所述总数量的比值，所述比值作为所述目标像素点的权重。
6.根据权利要求4所述的图像检测方法，其特征在于，所述根据所述目标像素点的权重以及所述目标像素点在所述样本图像中的坐标，确定所述目标对象的位置信息包括：
计算所述目标像素点的权重的和值，得到权重和；
将所述目标像素点在所述样本图像中的坐标分量分别与所述目标像素点的权重相乘，得到所述目标像素点的对应所述坐标分量的中间坐标值；
计算各目标像素点的相同坐标分量对应的所述中间坐标值的和值，得到分量坐标和；
计算所述分量坐标和与所述权重和的比值，将所述分量坐标和与所述权重和的比值作为所述目标对象的坐标的相应坐标分量的坐标值。
7.根据权利要求1所述的图像检测方法，其特征在于，在对所述多个显著性特征图进行特征融合，得到显著性融合特征图之后，所述方法还包括：
将所述显著性融合特征图中的显著性区域相对于所述目标图像进行增强处理，得到目标增强图；
对所述目标增强图进行显示。
8.根据权利要求1所述的图像检测方法，其特征在于，所述目标图像包括医学图像；所述目标对象包括所述医学图像中的病灶区域；
所述目标检测结果包括以下至少之一：所述病灶区域的位置信息、所述病灶区域的尺寸信息、所述病灶区域对应病灶的姿态信息。
9.根据权利要求8所述的图像检测方法，其特征在于，所述病灶区域的位置信息包括所述病灶区域的中心点坐标。
10.一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1～9任一项所述的图像检测方法。
CN201911044460.3A 2019-10-30 2019-10-30 一种图像检测方法及计算机可读存储介质 Active CN110866897B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911044460.3A CN110866897B (zh) 2019-10-30 2019-10-30 一种图像检测方法及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911044460.3A CN110866897B (zh) 2019-10-30 2019-10-30 一种图像检测方法及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110866897A true CN110866897A (zh) 2020-03-06
CN110866897B CN110866897B (zh) 2022-10-14

Family

ID=69654298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911044460.3A Active CN110866897B (zh) 2019-10-30 2019-10-30 一种图像检测方法及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110866897B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353464A (zh) * 2020-03-12 2020-06-30 北京迈格威科技有限公司 一种物体检测模型训练、物体检测方法及装置
CN111539291A (zh) * 2020-04-16 2020-08-14 创新奇智(合肥)科技有限公司 基于雷达波的目标检测方法及装置、电子设备、存储介质
CN111739004A (zh) * 2020-06-22 2020-10-02 联想(北京)有限公司 图像处理方法、设备及存储介质
CN111767919A (zh) * 2020-04-10 2020-10-13 福建电子口岸股份有限公司 一种多层双向特征提取与融合的目标检测方法
CN111814905A (zh) * 2020-07-23 2020-10-23 上海眼控科技股份有限公司 目标检测方法、装置、计算机设备和存储介质
CN111986217A (zh) * 2020-09-03 2020-11-24 北京大学口腔医学院 一种图像处理方法、装置及设备
CN112173636A (zh) * 2020-08-18 2021-01-05 洛阳视距智能科技有限公司 一种巡检机器人对皮带机托辊故障的检测方法
CN113076816A (zh) * 2021-03-17 2021-07-06 上海电力大学 基于红外与可见光图像的太阳能光伏组件热斑识别方法
CN113297915A (zh) * 2021-04-28 2021-08-24 江苏师范大学 一种基于无人机巡检的绝缘子识别目标检测方法
WO2021196955A1 (zh) * 2020-03-31 2021-10-07 上海商汤智能科技有限公司 图像识别方法及相关装置、设备
CN113505799A (zh) * 2021-06-30 2021-10-15 深圳市慧鲤科技有限公司 显著性检测方法及其模型的训练方法和装置、设备、介质
CN113505800A (zh) * 2021-06-30 2021-10-15 深圳市慧鲤科技有限公司 图像处理方法及其模型的训练方法和装置、设备、介质
CN113673578A (zh) * 2021-07-27 2021-11-19 浙江大华技术股份有限公司 图像检测方法、图像检测设备及计算机可读存储介质
CN113925487A (zh) * 2020-07-14 2022-01-14 和人人工知能科技有限公司 利用磁共振成像的脑微出血检测装置及方法
CN115908982A (zh) * 2022-12-01 2023-04-04 北京百度网讯科技有限公司 图像处理方法、模型训练方法、装置、设备和存储介质
CN116703817A (zh) * 2023-03-23 2023-09-05 国网山东省电力公司莱芜供电公司 一种基于显著性目标检测的输电线路检测方法及系统
WO2024017226A1 (zh) * 2022-07-22 2024-01-25 索尼集团公司 信息处理设备和方法、计算机可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108648192A (zh) * 2018-05-17 2018-10-12 杭州依图医疗技术有限公司 一种检测结节的方法及装置
CN109034245A (zh) * 2018-07-27 2018-12-18 燕山大学 一种利用特征图融合的目标检测方法
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
CN109977947A (zh) * 2019-03-13 2019-07-05 中南大学 一种图像特征提取方法及装置
CN110070056A (zh) * 2019-04-25 2019-07-30 腾讯科技（深圳）有限公司 图像处理方法、装置、存储介质及设备
CN110335270A (zh) * 2019-07-09 2019-10-15 华北电力大学（保定） 基于层级区域特征融合学习的输电线路缺陷检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108648192A (zh) * 2018-05-17 2018-10-12 杭州依图医疗技术有限公司 一种检测结节的方法及装置
CN109034245A (zh) * 2018-07-27 2018-12-18 燕山大学 一种利用特征图融合的目标检测方法
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
CN109977947A (zh) * 2019-03-13 2019-07-05 中南大学 一种图像特征提取方法及装置
CN110070056A (zh) * 2019-04-25 2019-07-30 腾讯科技（深圳）有限公司 图像处理方法、装置、存储介质及设备
CN110335270A (zh) * 2019-07-09 2019-10-15 华北电力大学（保定） 基于层级区域特征融合学习的输电线路缺陷检测方法

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353464A (zh) * 2020-03-12 2020-06-30 北京迈格威科技有限公司 一种物体检测模型训练、物体检测方法及装置
TWI776426B (zh) * 2020-03-31 2022-09-01 大陸商上海商湯智能科技有限公司 圖像識別方法、電子設備和電腦可讀儲存介質
WO2021196955A1 (zh) * 2020-03-31 2021-10-07 上海商汤智能科技有限公司 图像识别方法及相关装置、设备
CN111767919A (zh) * 2020-04-10 2020-10-13 福建电子口岸股份有限公司 一种多层双向特征提取与融合的目标检测方法
CN111767919B (zh) * 2020-04-10 2024-02-06 福建电子口岸股份有限公司 一种多层双向特征提取与融合的目标检测方法
CN111539291A (zh) * 2020-04-16 2020-08-14 创新奇智(合肥)科技有限公司 基于雷达波的目标检测方法及装置、电子设备、存储介质
CN111739004B (zh) * 2020-06-22 2024-01-23 联想(北京)有限公司 图像处理方法、设备及存储介质
CN111739004A (zh) * 2020-06-22 2020-10-02 联想(北京)有限公司 图像处理方法、设备及存储介质
CN113925487B (zh) * 2020-07-14 2022-10-14 和人人工知能科技有限公司 利用磁共振成像的脑微出血检测装置及方法
CN113925487A (zh) * 2020-07-14 2022-01-14 和人人工知能科技有限公司 利用磁共振成像的脑微出血检测装置及方法
CN111814905A (zh) * 2020-07-23 2020-10-23 上海眼控科技股份有限公司 目标检测方法、装置、计算机设备和存储介质
CN112173636A (zh) * 2020-08-18 2021-01-05 洛阳视距智能科技有限公司 一种巡检机器人对皮带机托辊故障的检测方法
CN111986217A (zh) * 2020-09-03 2020-11-24 北京大学口腔医学院 一种图像处理方法、装置及设备
CN111986217B (zh) * 2020-09-03 2024-01-16 北京大学口腔医学院 一种图像处理方法、装置及设备
CN113076816B (zh) * 2021-03-17 2023-06-02 上海电力大学 基于红外与可见光图像的太阳能光伏组件热斑识别方法
CN113076816A (zh) * 2021-03-17 2021-07-06 上海电力大学 基于红外与可见光图像的太阳能光伏组件热斑识别方法
CN113297915A (zh) * 2021-04-28 2021-08-24 江苏师范大学 一种基于无人机巡检的绝缘子识别目标检测方法
TWI778895B (zh) * 2021-06-30 2022-09-21 大陸商深圳市慧鯉科技有限公司 顯著性檢測方法及其模型的訓練方法、設備及電腦可讀儲存介質
CN113505800A (zh) * 2021-06-30 2021-10-15 深圳市慧鲤科技有限公司 图像处理方法及其模型的训练方法和装置、设备、介质
CN113505799A (zh) * 2021-06-30 2021-10-15 深圳市慧鲤科技有限公司 显著性检测方法及其模型的训练方法和装置、设备、介质
CN113505800B (zh) * 2021-06-30 2024-11-01 深圳市慧鲤科技有限公司 图像处理方法及其模型的训练方法和装置、设备、介质
CN113673578A (zh) * 2021-07-27 2021-11-19 浙江大华技术股份有限公司 图像检测方法、图像检测设备及计算机可读存储介质
WO2024017226A1 (zh) * 2022-07-22 2024-01-25 索尼集团公司 信息处理设备和方法、计算机可读存储介质
CN115908982A (zh) * 2022-12-01 2023-04-04 北京百度网讯科技有限公司 图像处理方法、模型训练方法、装置、设备和存储介质
CN115908982B (zh) * 2022-12-01 2024-07-02 北京百度网讯科技有限公司 图像处理方法、模型训练方法、装置、设备和存储介质
CN116703817A (zh) * 2023-03-23 2023-09-05 国网山东省电力公司莱芜供电公司 一种基于显著性目标检测的输电线路检测方法及系统

Also Published As

Publication number Publication date
CN110866897B (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
CN110866897B (zh) 一种图像检测方法及计算机可读存储介质
CN110210571B (zh) 图像识别方法、装置、计算机设备及计算机可读存储介质
KR101951135B1 (ko) 비디오 이미지를 스케일링하는 방법 및 이동 단말
CN110443794B (zh) 一种基于病理图像的图像状态确定方法、装置以及系统
CN110070129B (zh) 一种图像检测方法、装置及存储介质
US9811611B2 (en) Method and apparatus for creating curved surface model
CN110610181A (zh) 医学影像识别方法及装置、电子设备及存储介质
CN105989572B (zh) 图片处理方法及装置
CN112488914A (zh) 图像拼接方法、装置、终端及计算机可读存储介质
CN108958629A (zh) 分屏退出方法、装置、存储介质和电子设备
CN114693001A (zh) 一种泊车位预测方法、装置、电子设备及存储介质
CN114066875A (zh) 切片图像处理方法、装置、存储介质及终端设备
CN108846817B (zh) 图像处理方法、装置以及移动终端
CN109451295A (zh) 一种获取虚拟信息的方法和系统
CN110717486B (zh) 文本检测方法、装置、电子设备和存储介质
CN108829600B (zh) 算法库的测试方法、装置、存储介质和电子设备
CN110782530A (zh) 自动驾驶仿真系统中车辆信息的展示方法及装置
CN115393323A (zh) 一种目标区域获得方法、装置、设备和存储介质
CN108920086A (zh) 分屏退出方法、装置、存储介质和电子设备
CN113283552A (zh) 图像的分类方法、装置、存储介质及电子设备
CN114140655A (zh) 图像分类方法、装置、存储介质及电子设备
CN113780291A (zh) 一种图像处理方法、装置、电子设备及存储介质
CN113902682A (zh) 基于医疗图像的诊断方法、装置、存储介质及电子设备
CN113887579A (zh) 医疗图像的分类方法、装置、存储介质及电子设备
CN115375603A (zh) 一种图像识别方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant