CN111311609B - 一种图像分割方法、装置、电子设备及存储介质 - Google Patents
一种图像分割方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111311609B CN111311609B CN202010093238.9A CN202010093238A CN111311609B CN 111311609 B CN111311609 B CN 111311609B CN 202010093238 A CN202010093238 A CN 202010093238A CN 111311609 B CN111311609 B CN 111311609B
- Authority
- CN
- China
- Prior art keywords
- image
- sampling
- feature
- unit
- segmented
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例公开了一种图像分割方法、装置、电子设备及存储介质,该方法包括:确定待分割原图像;将待分割原图像输入至图像分割模型,得到待分割原图像中的目标区域图像,图像分割模型包括:特征提取单元、下采样单元和上采样单元;特征提取单元用于对所述待分割原图像进行第一次特征提取,得到第一特征图像;所述下采样单元用于基于所述第一特征图像进行下采样处理,得到下采样特征图像,并基于所述下采样特征图像进行特征提取,得到目标特征图像;上采样单元用于基于所述目标特征图像以及所述下采样特征图像进行上采样处理。本公开实施例的技术方案,实现了对待分割图像的准确分割。
Description
技术领域
本公开实施例涉及计算机技术领域,尤其涉及一种图像分割方法、装置、电子设备及存储介质。
背景技术
缺血性脑卒中又称脑梗塞,是一种常见的脑血管疾病,一直以来都严重危害着人体健康,其老年发病率、致残率和病死率都非常高。缺血性脑卒中的早期发现是十分重要的,尤其是超急性期的正确发现,能够及时指导采取措施,以减少梗死灶周边缺血性缺血半暗带区域的脑细胞坏死,对于缺血性脑卒中的诊断与治疗具有重大作用。
目前,对脑卒中缺血区域的确定主要依赖于医生的经验,难度高且一致性差,同时手工标注费时费力。
发明内容
本公开实施例提供一种图像分割方法、装置、电子设备及存储介质,实现了对图像中目标区域的准确分割。
第一方面,本公开实施例提供了一种图像分割方法,该方法包括:
确定待分割原图像;
将所述待分割原图像输入至图像分割模型,得到所述待分割原图像中的目标区域图像;
其中,所述图像分割模型包括:特征提取单元、下采样单元和上采样单元;
所述特征提取单元用于对所述待分割原图像进行第一次特征提取,得到第一特征图像,并将所述第一特征图像作为下采样单元的输入特征图像;
所述下采样单元用于基于所述第一特征图像进行下采样处理,得到下采样特征图像,并基于所述下采样特征图像进行特征提取,得到目标特征图像;
所述上采样单元用于基于所述目标特征图像以及所述下采样特征图像进行上采样处理。
第二方面,本公开实施例还提供了一种图像分割装置,该装置包括:
确定模块,用于确定待分割原图像;
分割模块,用于将所述待分割原图像输入至图像分割模型,得到所述待分割原图像中的目标区域图像;
其中,所述图像分割模型基于样本数据对设定图像分割网络进行预先训练得到,所述设定图像分割网络:包括:特征提取单元、下采样单元和上采样单元;
所述特征提取单元用于对所述待分割原图像进行第一次特征提取,得到第一特征图像,并将所述第一特征图像作为下采样单元的输入特征图像;
所述下采样单元用于基于所述第一特征图像进行下采样处理,得到下采样特征图像,并基于所述下采样特征图像进行特征提取,得到目标特征图像;
所述上采样单元用于基于所述目标特征图像以及所述下采样特征图像进行上采样处理。
第三方面,本公开实施例还提供了一种设备,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本公开实施例任一所述的图像分割方法。
第四方面,本公开实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的图像分割方法。
本公开实施例的技术方案包括:确定待分割原图像;将所述待分割原图像输入至图像分割模型,得到所述待分割原图像中的目标区域图像;其中,所述图像分割模型包括:特征提取单元、下采样单元和上采样单元;所述特征提取单元用于对所述待分割原图像进行第一次特征提取,得到第一特征图像,并将所述第一特征图像作为下采样单元的输入特征图像;所述下采样单元用于基于所述第一特征图像进行下采样处理,得到下采样特征图像,并基于所述下采样特征图像进行特征提取,得到目标特征图像;所述上采样单元用于基于所述目标特征图像以及所述下采样特征图像进行上采样处理。通过在下采样过程中加入特征提取操作,有利于保留空间等浅层的图像特征信息;在上采样过程中通过叠加下采样单元提取到的特征层,使得上采样的过程中可以充分获取到下采样得到的抽象特征,使得整个模型网络可以快速评估整个待分割原图像特征的初始估计,大大提高了图像分割模型的表达能力,实现了对图像中目标区域的准确分割。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本公开实施例一所提供的一种图像分割方法流程示意图;
图2为本公开实施例一所提供的一种图像分割模型的网络结构示意图;
图3为本公开实施例一所提供的一种Dense Block的结构示意图;
图4为本公开实施例一所提供的一种图像分割效果对比示意图;
图5为本公开实施例二所提供的一种图像分割装置结构示意图;
图6为本公开实施例三所提供的一种电子设备结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
实施例一
图1为本公开实施例一所提供的一种图像分割方法流程示意图,该方法可以由图像分割装置来执行,该装置可以通过软件和/或硬件的形式实现。
如图1所述,本实施例提供的图像分割方法包括如下步骤:
步骤110、确定待分割原图像。
具体的,所述待分割原图像包括:脑部的非增强计算机断层扫描NCCT图像。
步骤120、将所述待分割原图像输入至图像分割模型,得到所述待分割原图像中的目标区域图像。
其中,所述图像分割模型包括:特征提取单元、下采样单元和上采样单元;
所述特征提取单元用于对所述待分割原图像进行第一次特征提取,得到第一特征图像,并将所述第一特征图像作为下采样单元的输入特征图像;
所述下采样单元用于基于所述第一特征图像进行下采样处理,得到下采样特征图像,并基于所述下采样特征图像进行特征提取,得到目标特征图像;
所述上采样单元用于基于所述目标特征图像以及所述下采样特征图像进行上采样处理。
参见图2所示的一种图像分割模型的网络结构示意图,所述图像分割模型包括:特征提取单元210、下采样单元220和上采样单元230。
下采样单元220包括至少一个下采样子单元221。其中,第一个下采样子单元221用于对所述第一特征图像211进行下采样处理,得到下采样特征图像2211,并对所述下采样特征图像2211进行特征提取,得到目标特征图像2212,并将所述目标特征图像2212作为与第一个下采样子单元221相连的第二个下采样子单元222的输入特征图像;最后一个下采样子单元223得到的目标特征图像2232以及下采样特征图像2231作为相同图像大小(图2中下采样特征图像2231的图像大小为64*64)所对应的上采样子单元231的输入图像。
所述上采样单元包括与下采样子单元对应的至少一个上采样子单元,如图2所示,下采样子单元220包括下采样子单元221、222以及223,则上采样单元230则应包括与下采样子单元223对应的上采样子单元231,与下采样子单元222对应的上采样子单元232,以及与下采样子单元221对应的上采样子单元233。其中,第一个上采样子单元231用于基于最后一个下采样子单元223得到的目标特征图像2232以及下采样特征图像2231进行上采样处理,得到上采样图像2311;上采样图像2311以及与所述上采样图像大小(上采样图像2311的图像大小为128*128)所对应的下采样子单元222得到的目标特征图像2222作为与第一个上采样子单元231相连的第二个上采样子单元232的输入图像。
示例性的,如图2所示,标识箭头224表示卷积处理过程,具体为3*3的卷积核,步长为2;标识箭头234表示卷积处理过程,具体为3*3的卷积核,步长为2,上采样;标识箭头240表示特征合并操作concat;标识箭头235表示3*3的卷积操作,标识250表示Dense Block特征提取单元。
通过在下采样过程中加入特征提取操作(即第一个下采样子单元221用于对所述第一特征图像211进行下采样处理,得到下采样特征图像2211,并对所述下采样特征图像2211进行特征提取,得到目标特征图像2212,并将所述目标特征图像2212作为与第一个下采样子单元221相连的第二个下采样子单元222的输入特征图像),有利于保留空间等浅层的图像特征信息;在上采样过程中通过叠加下采样单元提取到的特征层(下采样子单元223得到的目标特征图像2232以及下采样特征图像2231作为相同图像大小(图2中下采样特征图像2231的图像大小为64*64)所对应的上采样子单元231的输入图像),使得上采样的过程中可以充分获取到下采样得到的抽象特征,使得整个模型网络可以快速评估整个待分割原图像特征的初始估计,大大提高了图像分割模型的表达能力,实现了对图像中目标区域的准确分割。
进一步的,特征提取单元210包括Dense Block或者residual block;
所述对所述下采样特征图像进行特征提取,得到目标特征图像,包括:
基于Dense Block对所述下采样特征图像进行特征提取,得到目标特征图像。
对应的,参见图3所示的一种Dense Block的结构示意图,根据图3可知,每个层从其前面的所有层获得额外的输入特征,每个层前面所有层的特征在通道层使用“concat”函数进行合并(即在通道层将所有层特征累叠起来进行特征复用),合并后的结果作为该层的输入特征,该层将自己的特征映射传递到其后面的所有层,使用级联方式,每一层都在接受来自其前面层的“集体知识(collective knowledge)”。这种从任何层到其所有后续层的直接连接方式的好处在于:每一层学到的特征都能被其之后的所有层直接使用,这使得特征可以在整个网络中重复使用,进而网络中的每一层可以直接接受原始网络中来自loss的监督。相比其他网络结构(浅层的特征层距离损失函数中间隔着若干层特征层,在反向传播中梯度会逐渐减少,层数太深的时候梯度会趋于0,此时梯度回传到浅层时会导致梯度消失,进而导致网络无法收敛进行学习),而本申请中的模型网络则不会出现上述问题。且在上采样过程中,通过叠加Dense Block的特征层,使得上采样的过程中可以充分获取到下采样得到的抽象特征,使得整个模型网络可以快速评估整个待分割原图像特征的初始估计,大大提高了图像分割模型的表达能力,实现了对图像中目标区域的准确分割。
进一步的,所述方法还包括:
对所述待分割原图像进行预处理;
其中,所述预处理包括下述至少一种:归一化、去噪或者细节增强;
将预处理之后的输入图像输入至训练好的图像分割模块即AI模型,得到所述待分割原图像中的目标区域图像;
对所述目标区域图像进行后处理,得到对所述目标区域图像进行标记的原图像,其中所述后处理操作主要是对所述目标区域图像进行平滑处理。
综上所述,所述图像分割方法的整体流程具体为:第一步,获取脑缺血的NCCT图像数据并进行脑部缺血区域的标记;第二步,设计基于深度学习的脑缺血区域的图像分割网络,并利用标记好的脑缺血NCCT图像数据来训练所述图像分割网络;第三步,对待分割原图像进行预处理,包括归一化,去噪,细节增强等;第四步,将预处理之后的待分割原图像输入到训练好的图像分割模型中,得到分割结果。
进一步的,参见图4所示的一种图像分割效果对比示意图,其中左图为分割结果,右图为待分割原图像。
本公开实施例的技术方案包括:确定待分割原图像;将所述待分割原图像输入至图像分割模型,得到所述待分割原图像中的目标区域图像;其中,所述图像分割模型包括:特征提取单元、下采样单元和上采样单元;所述特征提取单元用于对所述待分割原图像进行第一次特征提取,得到第一特征图像,并将所述第一特征图像作为下采样单元的输入特征图像;所述下采样单元用于基于所述第一特征图像进行下采样处理,得到下采样特征图像,并基于所述下采样特征图像进行特征提取,得到目标特征图像;所述上采样单元用于基于所述目标特征图像以及所述下采样特征图像进行上采样处理。通过在下采样过程中加入特征提取操作,有利于保留空间等浅层的图像特征信息;在上采样过程中通过叠加下采样单元提取到的特征层,使得上采样的过程中可以充分获取到下采样得到的抽象特征,使得整个模型网络可以快速评估整个待分割原图像特征的初始估计,大大提高了图像分割模型的表达能力,实现了对图像中目标区域的准确分割。
实施例二
图5为本公开实施例二所提供的一种图像分割装置,该装置包括:确定模块510和分割模块520。
其中,确定模块,用于确定待分割原图像;
分割模块,用于将所述待分割原图像输入至图像分割模型,得到所述待分割原图像中的目标区域图像;
所述图像分割模型基于样本数据对设定图像分割网络进行预先训练得到,所述设定图像分割网络:包括:特征提取单元、下采样单元和上采样单元;
所述特征提取单元用于对所述待分割原图像进行第一次特征提取,得到第一特征图像,并将所述第一特征图像作为下采样单元的输入特征图像;
所述下采样单元用于基于所述第一特征图像进行下采样处理,得到下采样特征图像,并基于所述下采样特征图像进行特征提取,得到目标特征图像;
所述上采样单元用于基于所述目标特征图像以及所述下采样特征图像进行上采样处理。
在上述各技术方案的基础上,所述下采样单元包括至少一个下采样子单元;
其中,第一个下采样子单元用于对所述第一特征图像进行下采样处理,得到下采样特征图像,并对所述下采样特征图像进行特征提取,得到目标特征图像,并将所述目标特征图像作为与所述第一个下采样子单元相连的第二个下采样子单元的输入特征图像;
最后一个下采样子单元得到的目标特征图像以及下采样特征图像作为相同图像大小所对应的上采样子单元的输入图像。
在上述各技术方案的基础上,所述上采样单元包括与所述下采样子单元对应的至少一个上采样子单元;
其中,第一个上采样子单元用于基于最后一个下采样子单元得到的目标特征图像以及下采样特征图像进行上采样处理,得到上采样图像;
所述上采样图像以及与所述上采样图像大小所对应的下采样子单元得到的目标特征图像作为与所述第一个上采样子单元相连的第二个上采样子单元的输入图像。
在上述各技术方案的基础上,当前卷积神经网络模块最后一次上采样得到的特征层通过卷积运算得到当前卷积神经网络模块输出的特征层。
在上述各技术方案的基础上,所述特征提取单元包括Dense Block或者residualblock;
所述对所述下采样特征图像进行特征提取,得到目标特征图像,包括:
基于Dense Block对所述下采样特征图像进行特征提取,得到目标特征图像。
在上述各技术方案的基础上,所述待分割原图像包括:非增强计算机断层扫描NCCT图像。
在上述各技术方案的基础上,所述装置还包括:预处理模块,用于对所述待分割原图像进行预处理;
其中,所述预处理包括下述至少一种:归一化、去噪或者细节增强。
在上述各技术方案的基础上,所述装置还包括:
后处理模块,用于对所述目标区域图像进行后处理,得到对所述目标区域图像进行标记的原图像。
本公开实施例的技术方案,包括确定待分割原图像;将所述待分割原图像输入至图像分割模型,得到所述待分割原图像中的目标区域图像;其中,所述图像分割模型包括:特征提取单元、下采样单元和上采样单元;所述特征提取单元用于对所述待分割原图像进行第一次特征提取,得到第一特征图像,并将所述第一特征图像作为下采样单元的输入特征图像;所述下采样单元用于基于所述第一特征图像进行下采样处理,得到下采样特征图像,并基于所述下采样特征图像进行特征提取,得到目标特征图像;所述上采样单元用于基于所述目标特征图像以及所述下采样特征图像进行上采样处理。通过在下采样过程中加入特征提取操作,有利于保留空间等浅层的图像特征信息;在上采样过程中通过叠加下采样单元提取到的特征层,使得上采样的过程中可以充分获取到下采样得到的抽象特征,使得整个模型网络可以快速评估整个待分割原图像特征的初始估计,大大提高了图像分割模型的表达能力,实现了对图像中目标区域的准确分割。
本公开实施例所提供的图像分割装置可执行本公开任意实施例所提供的图像分割方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本公开实施例的保护范围。
实施例三
下面参考图6,其示出了适于用来实现本公开实施例的电子设备(例如图6中的终端设备或服务器)400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置406加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置406;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置406被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开实施例的方法中限定的上述功能。
本公开实施例提供的终端与上述实施例提供的图像分割方法属于同一发明构思,未在本公开实施例中详尽描述的技术细节可参见上述实施例,并且本公开实施例与上述实施例具有相同的有益效果。
实施例四
本公开实施例提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述实施例所提供的图像分割方法。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
确定待分割原图像;
将所述待分割原图像输入至图像分割模型,得到所述待分割原图像中的目标区域图像;
其中,所述图像分割模型包括:特征提取单元、下采样单元和上采样单元;
所述特征提取单元用于对所述待分割原图像进行第一次特征提取,得到第一特征图像,并将所述第一特征图像作为下采样单元的输入特征图像;
所述下采样单元用于基于所述第一特征图像进行下采样处理,得到下采样特征图像,并基于所述下采样特征图像进行特征提取,得到目标特征图像;
所述上采样单元用于基于所述目标特征图像以及所述下采样特征图像进行上采样处理。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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、或代码的一部分,该模块、程序段、或代码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。也应当注意,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,两个接连地表示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操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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,可编辑内容显示单元还可以被描述为“编辑单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (9)
1.一种图像分割方法,其特征在于,包括:
确定待分割原图像;
将所述待分割原图像输入至图像分割模型,得到所述待分割原图像中的目标区域图像;
其中,所述图像分割模型包括:特征提取单元、下采样单元和上采样单元;
所述特征提取单元用于对所述待分割原图像进行第一次特征提取,得到第一特征图像,并将所述第一特征图像作为下采样单元的输入特征图像;所述特征提取单元包括DenseBlock或者residual block;
所述下采样单元用于基于所述第一特征图像进行下采样处理,得到下采样特征图像,并基于所述下采样特征图像进行特征提取,得到目标特征图像,包括:基于Dense Block对所述下采样特征图像进行特征提取,得到目标特征图像;
所述上采样单元用于基于所述目标特征图像以及所述下采样特征图像进行上采样处理。
2.根据权利要求1所述的方法,其特征在于,所述下采样单元包括至少一个下采样子单元;
其中,第一个下采样子单元用于对所述第一特征图像进行下采样处理,得到下采样特征图像,并对所述下采样特征图像进行特征提取,得到目标特征图像,并将所述目标特征图像作为与所述第一个下采样子单元相连的第二个下采样子单元的输入特征图像;
最后一个下采样子单元得到的目标特征图像以及下采样特征图像作为相同图像大小所对应的上采样子单元的输入图像。
3.根据权利要求2所述的方法,其特征在于,所述上采样单元包括与所述下采样子单元对应的至少一个上采样子单元;
其中,第一个上采样子单元用于基于最后一个下采样子单元得到的目标特征图像以及下采样特征图像进行上采样处理,得到上采样图像;
所述上采样图像以及与所述上采样图像大小所对应的下采样子单元得到的目标特征图像作为与所述第一个上采样子单元相连的第二个上采样子单元的输入图像。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述待分割原图像包括:非增强计算机断层扫描NCCT图像。
5.根据权利要求1-3任一项所述的方法,其特征在于,将所述待分割原图像输入至图像分割模型之前,还包括:
对所述待分割原图像进行预处理;
其中,所述预处理包括下述至少一种:归一化、去噪或者细节增强。
6.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
对所述目标区域图像进行后处理,得到对所述目标区域图像进行标记的原图像。
7.一种图像分割装置,其特征在于,包括:
确定模块,用于确定待分割原图像;
分割模块,用于将所述待分割原图像输入至图像分割模型,得到所述待分割原图像中的目标区域图像;
其中,所述图像分割模型基于样本数据对设定图像分割网络进行预先训练得到,所述设定图像分割网络:包括:特征提取单元、下采样单元和上采样单元;
所述特征提取单元用于对所述待分割原图像进行第一次特征提取,得到第一特征图像,并将所述第一特征图像作为下采样单元的输入特征图像;所述特征提取单元包括DenseBlock或者residual block;
所述下采样单元用于基于所述第一特征图像进行下采样处理,得到下采样特征图像,并基于所述下采样特征图像进行特征提取,得到目标特征图像,包括:基于Dense Block对所述下采样特征图像进行特征提取,得到目标特征图像;
所述上采样单元用于基于所述目标特征图像以及所述下采样特征图像进行上采样处理。
8.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一项所述的图像分割方法。
9.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6中任一项所述的图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010093238.9A CN111311609B (zh) | 2020-02-14 | 2020-02-14 | 一种图像分割方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010093238.9A CN111311609B (zh) | 2020-02-14 | 2020-02-14 | 一种图像分割方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311609A CN111311609A (zh) | 2020-06-19 |
CN111311609B true CN111311609B (zh) | 2021-07-02 |
Family
ID=71145014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010093238.9A Active CN111311609B (zh) | 2020-02-14 | 2020-02-14 | 一种图像分割方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311609B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784707A (zh) * | 2020-06-29 | 2020-10-16 | 北京百度网讯科技有限公司 | 图像分割方法、装置、电子设备及存储介质 |
CN113673562A (zh) * | 2021-07-15 | 2021-11-19 | 浙江大华技术股份有限公司 | 一种特征增强的方法、目标分割方法、装置和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009598A (zh) * | 2018-11-26 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 用于图像分割的方法和图像分割设备 |
CN110503651A (zh) * | 2019-08-09 | 2019-11-26 | 北京航空航天大学 | 一种图像显著对象分割方法及装置 |
CN110675409A (zh) * | 2019-09-20 | 2020-01-10 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8411948B2 (en) * | 2010-03-05 | 2013-04-02 | Microsoft Corporation | Up-sampling binary images for segmentation |
CN109285157A (zh) * | 2018-07-24 | 2019-01-29 | 深圳先进技术研究院 | 左心室心肌分割方法、装置及计算机可读存储介质 |
CN110084274B (zh) * | 2019-03-29 | 2022-09-06 | 南京邮电大学 | 实时图像语义分割方法及系统、可读存储介质和终端 |
-
2020
- 2020-02-14 CN CN202010093238.9A patent/CN111311609B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009598A (zh) * | 2018-11-26 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 用于图像分割的方法和图像分割设备 |
CN110503651A (zh) * | 2019-08-09 | 2019-11-26 | 北京航空航天大学 | 一种图像显著对象分割方法及装置 |
CN110675409A (zh) * | 2019-09-20 | 2020-01-10 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111311609A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275721B (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN112184738B (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN110298851B (zh) | 人体分割神经网络的训练方法及设备 | |
CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN111369427A (zh) | 图像处理方法、装置、可读介质和电子设备 | |
WO2022252881A1 (zh) | 图像处理方法、装置、可读介质和电子设备 | |
CN113313064A (zh) | 字符识别方法、装置、可读介质及电子设备 | |
CN112381717A (zh) | 图像处理方法、模型训练方法、装置、介质及设备 | |
WO2022105622A1 (zh) | 图像分割方法、装置、可读介质及电子设备 | |
CN111311609B (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
CN112418249A (zh) | 掩膜图像生成方法、装置、电子设备和计算机可读介质 | |
CN112330788A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN110310293B (zh) | 人体图像分割方法及设备 | |
CN112907628A (zh) | 视频目标追踪方法、装置、存储介质及电子设备 | |
CN112418054A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
WO2023065895A1 (zh) | 文本识别方法、装置、可读介质及电子设备 | |
CN115375656A (zh) | 息肉分割模型的训练方法、分割方法、装置、介质及设备 | |
CN114004229A (zh) | 文本识别方法、装置、可读介质及电子设备 | |
CN111737575B (zh) | 内容分发方法、装置、可读介质及电子设备 | |
CN114495080A (zh) | 字体识别方法、装置、可读介质及电子设备 | |
CN114399696A (zh) | 一种目标检测方法、装置、存储介质及电子设备 | |
CN112418233A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN112488947A (zh) | 模型训练和图像处理方法、装置、设备和计算机可读介质 | |
CN112070034A (zh) | 图像识别方法、装置、电子设备和计算机可读介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085 Applicant after: Tuxiang Medical Technology Co., Ltd Address before: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085 Applicant before: Beijing Tuoxiang Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |