CN111369512A - 图像处理方法及装置、电子设备和存储介质 - Google Patents
图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111369512A CN111369512A CN202010129413.5A CN202010129413A CN111369512A CN 111369512 A CN111369512 A CN 111369512A CN 202010129413 A CN202010129413 A CN 202010129413A CN 111369512 A CN111369512 A CN 111369512A
- Authority
- CN
- China
- Prior art keywords
- processed
- image
- sub
- prediction
- result
- 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
Links
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 91
- 238000005520 cutting process Methods 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims description 118
- 230000011218 segmentation Effects 0.000 claims description 105
- 239000013598 vector Substances 0.000 claims description 98
- 230000001575 pathological effect Effects 0.000 claims description 71
- 238000013528 artificial neural network Methods 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 49
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 14
- 230000003902 lesion Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 238000012216 screening Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 8
- 210000000056 organ Anatomy 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 238000005192 partition Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image 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
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- 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
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (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。所述图像处理方法包括:根据待处理图像集合,确定目标区域;根据所述目标区域,对所述待处理图像集合进行切割,得到两个以上的待处理子图像;根据至少一个所述待处理子图像进行第一预测,得到与所述待处理图像集合对应的第一预测结果。通过上述过程,可以有效的减小无关图像部分的干扰,提升后续切割与预测的效率;同时由于在预测前先对待处理图像集合进行了切割,大大减小了每次预测过程的计算量,提升了预测的效率和准确程度。
Description
技术领域
本公开涉及图像处理技术领域,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
病理图像是医生段诊断病变组织和细胞的重要依据。医生诊断病理图像,需要大量的临床经验,在超高分辨率的病理图像上对全部组织和细胞进行诊断,费时费力,并存在一些主观偏差。如何对病理图像进行处理从而得到较为准确的诊断结果,成为目前一个亟待解决的问题。
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,包括:
根据待处理图像集合,确定目标区域;根据所述目标区域,对所述待处理图像集合进行切割,得到两个以上的待处理子图像;根据至少一个所述待处理子图像进行第一预测,得到与所述待处理图像集合对应的第一预测结果。
通过上述过程,可以根据目标区域来实现对待处理图像集合的切割和预测,有效的减小了无关图像部分的干扰,提升了后续切割与预测的效率;同时由于在预测前先对待处理图像集合进行了切割,大大减小了每次预测过程的计算量,提升了预测的效率和准确程度。
在一种可能的实现方式中,所述根据待处理图像集合,确定目标区域,包括:从所述待处理图像集合中,选定第一待处理图像;对所述第一待处理图像进行降采样,得到第二待处理图像;对所述第二待处理图像包括的第一对象进行第一分割,得到第一分割结果;将所述第一分割结果作为所述目标区域。
通过上述过程,可以通过较低的计算量和较高的计算效率,实现待处理图像集合中目标区域的确定,减小了后续切割与第一预测过程中,需要处理的数据量,从而大大提升了整个图像处理的效率,也增加了图像处理的精度。
在一种可能的实现方式中,所述根据所述目标区域,对所述待处理图像集合进行切割,得到两个以上的待处理子图像,包括:从所述待处理图像集合中,选定预设尺度的图像,作为第三待处理图像;将所述目标区域在所述第三待处理图像中映射的位置,作为所述第三待处理图像的目标位置;在所述目标位置,将所述第三待处理图像切割至预设尺寸,得到两个以上的待处理子图像。
通过上述过程,可以有效的将待处理图像集合中具有第一预测需求的区域进行切割,减小了后续第一预测的计算量和计算难度,提升了第一预测的效率和准确性,继而提升整个图像处理过程的准确性和效率。
在一种可能的实现方式中,所述预设尺度包括所述待处理图像集合中的最大尺度。
通过将预设尺度设置为待处理图像集合中的最大尺度,可以使得选出的第三待处理图像中,包含的信息更全面,从而使得基于此第三待处理图像得到的第一预测结果更为准确,继而提升整个图像处理的精度。
在一种可能的实现方式中,所述根据至少一个所述待处理子图像进行第一预测,得到与所述待处理图像集合对应的第一预测结果,包括:对至少一个所述待处理子图像进行第一预测,得到与所述待处理子图像对应的第一预测子结果;根据所述待处理子图像在所述待处理图像集合中的位置,对至少一个所述第一预测子结果进行合并,得到所述第一预测结果。
通过上述过程,可以有效地降低每一次第一预测过程的计算量,一方面可以提升第一预测的效率,另一方面也可以提升第一预测的准确性,继而提升了整个图像处理过程的效率和精度。
在一种可能的实现方式中,所述对至少一个所述待处理子图像进行第一预测,得到与所述待处理子图像对应的第一预测子结果,包括:对至少一个所述待处理子图像包括的第二对象进行分类,得到与所述待处理子图像对应的分类子结果,其中,所述分类子结果包括分类特征向量,以及与每个所述分类特征向量对应的分类概率;对至少一个所述待处理子图像包括的第二对象进行第二分割,得到与所述待处理子图像对应的第二分割子结果;将所述分类子结果和所述第二分割子结果,作为所述待处理子图像的第一预测子结果。
通过上述过程,可以综合分类和分割的结果,更加准确和完整的体现出第二对象在待处理图像集合中的位置从而提升图像处理结果的准确性,在第二对象为病灶的情况下,通过上述过程,可以更加完整和准确地体现病灶区域,有助于辅助医生实现更为准确的医疗诊断。
在一种可能的实现方式中,所述根据所述待处理子图像在所述待处理图像集合中的位置,对至少一个所述第一预测子结果进行合并,得到第一预测结果,包括:将至少一个所述待处理子图像对应的分类子结果进行合并,得到分类结果,其中,所述分类结果包括通过合并所述分类特征向量所获得的分类特征向量集合;根据所述待处理子图像在所述待处理图像集合中的位置,将至少一个所述待处理子图像对应的第二分割子结果进行合并,得到与所述待处理图像集合对应的第二分割结果;将所述分类结果和所述第二分割结果,作为所述第一预测结果。
通过上述过程,一方面可以通过第二分割结果,将待处理图像集合中包含有第二对象的位置均标注出来,实现较好的图像处理效果,同时还可以得到包含有特征向量的分类结果,这一分类结果可以进一步辅助对得到的第二分割结果进行修正和对照,从而进一步提升图像处理结果的准确性。
在一种可能的实现方式中,所述方法还包括:根据所述第一预测结果进行处理,得到处理结果。
通过对第一预测结果进行进一步处理,可以进一步提升图像处理的精度。
在一种可能的实现方式中,所述根据所述第一预测结果进行处理,得到处理结果,包括:从所述第一预测结果包括的分类结果中,选定分类概率最高的N个分类特征向量,作为目标特征向量,其中,N为正整数;根据所述目标特征向量进行第二预测,得到第二预测结果;将所述第一预测结果包括的第二分割结果,和所述第二预测结果,作为所述处理结果。
通过从第一预测结果中选定目标特征向量,并基于目标特征向量进行第二预测得到第二预测结果,然后将第二分割结果和第二预测结果共同作为处理结果,通过上述过程,既可以显示直观的预测图像,又可以具有较为准确的综合结论,从而可以使得最终得到的图像处理结果更为全面和直观,具有更强的实用性。
在一种可能的实现方式中,所述根据所述目标特征向量进行第二预测,得到第二预测结果,包括:将所述目标特征向量进行融合,得到融合特征向量;对所述融合特征向量依次进行卷积处理和池化处理,得到第二预测结果。
通过将目标特征向量依次进行融合、卷积与池化,得到第二预测结果,可以使得最终得到的第二预测结果是基于多个提取出的分类特征向量来进行进一步的筛查和修正所得到的,从而使得最终得到的第二预测结果更加准确,继而提升了图像处理的精度。当这些过程通过神经网络进行实现时,由于神经网络具有较好的鲁棒性,因此可以进一步提升图像处理的鲁棒性。
在一种可能的实现方式中,所述待处理图像集合包括:病理图像集合。
通过将本公开实施例中提出的图像处理方法应用于病理图像集合,可以有效的提升诊断病理图像的准确性。
在一种可能的实现方式中,所述方法通过神经网络实现,所述神经网络通过训练图像集合进行训练,其中,所述训练图像集合包括至少一个预添加噪声的训练图像。
通过将包含有预添加噪声的训练图像放入到训练图像集合中,可以使得基于此训练图像集合训练得到的神经网络即使面对具有干扰的待处理图像集合,也可以得到较好的处理效果,从而可以面向更多种类的待处理图像集合进行处理,提升了神经网络的鲁棒性。
根据本公开的一方面,提供了一种图像处理装置,包括:
确定模块,用于根据待处理图像集合,确定目标区域;切割模块,用于根据所述目标区域,对所述待处理图像集合进行切割,得到两个以上的待处理子图像;第一预测模块,用于根据至少一个所述待处理子图像进行第一预测,得到与所述待处理图像集合对应的第一预测结果。
在一种可能的实现方式中,所述确定模块用于:从所述待处理图像集合中,选定第一待处理图像;对所述第一待处理图像进行降采样,得到第二待处理图像;对所述第二待处理图像包括的第一对象进行第一分割,得到第一分割结果;将所述第一分割结果作为所述目标区域。
在一种可能的实现方式中,所述切割模块用于:从所述待处理图像集合中,选定预设尺度的图像,作为第三待处理图像;将所述目标区域在所述第三待处理图像中映射的位置,作为所述第三待处理图像的目标位置;在所述目标位置,将所述第三待处理图像切割至预设尺寸,得到两个以上的待处理子图像。
在一种可能的实现方式中,所述预设尺度包括所述待处理图像集合中的最大尺度。
在一种可能的实现方式中,所述第一预测模块用于:对至少一个所述待处理子图像进行第一预测,得到与所述待处理子图像对应的第一预测子结果;根据所述待处理子图像在所述待处理图像集合中的位置,对至少一个所述第一预测子结果进行合并,得到所述第一预测结果。
在一种可能的实现方式中,所述第一预测模块进一步用于:对至少一个所述待处理子图像包括的第二对象进行分类,得到与所述待处理子图像对应的分类子结果,其中,所述分类子结果包括分类特征向量,以及与每个所述分类特征向量对应的分类概率;对至少一个所述待处理子图像包括的第二对象进行第二分割,得到与所述待处理子图像对应的第二分割子结果;将所述分类子结果和所述第二分割子结果,作为所述待处理子图像的第一预测子结果。
在一种可能的实现方式中,所述第一预测模块进一步用于:将至少一个所述待处理子图像对应的分类子结果进行合并,得到分类结果,其中,所述分类结果包括通过合并所述分类特征向量所获得的分类特征向量集合;根据所述待处理子图像在所述待处理图像集合中的位置,将至少一个所述待处理子图像对应的第二分割子结果进行合并,得到与所述待处理图像集合对应的第二分割结果;将所述分类结果和所述第二分割结果,作为所述第一预测结果。
在一种可能的实现方式中,所述装置还包括处理模块,所述处理模块用于:根据所述第一预测结果进行处理,得到处理结果。
在一种可能的实现方式中,所述处理模块进一步用于:从所述第一预测结果包括的分类结果中,选定分类概率最高的N个分类特征向量,作为目标特征向量,其中,N为正整数;根据所述目标特征向量进行第二预测,得到第二预测结果;将所述第一预测结果包括的第二分割结果,和所述第二预测结果,作为所述处理结果。
在一种可能的实现方式中,所述处理模块进一步用于:将所述目标特征向量进行融合,得到融合特征向量;对所述融合特征向量依次进行卷积处理和池化处理,得到第二预测结果。
在一种可能的实现方式中,所述待处理图像集合包括:病理图像集合。
在一种可能的实现方式中,所述装置通过神经网络实现,所述神经网络通过训练图像集合进行训练,其中,所述训练图像集合包括至少一个预添加噪声的训练图像。
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调用所述存储器存储的指令,以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,通过根据待处理图像集合确定目标区域,继而根据目标区域来对待处理图像集合进行切割,得到两个以上的待处理子图像,并根据待处理子图像进行第一预测来得到与待处理图像集合对应的第一预测结果。通过上述过程,可以根据目标区域来实现对待处理图像集合的切割和预测,有效的减小了无关图像部分的干扰,提升了后续切割与预测的效率;同时由于在预测前先对待处理图像集合进行了切割,大大减小了每次预测过程的计算量,提升了预测的效率和准确程度。
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示出根据本公开一实施例的图像处理方法的流程图。
图2示出根据本公开一应用示例的示意图。
图3示出根据本公开一实施例的图像处理装置的框图。
图4示出根据本公开实施例的一种电子设备的框图。
图5示出根据本公开实施例的一种电子设备的框图。
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示出根据本公开一实施例的图像处理方法的流程图,该方法可以应用于图像处理装置,图像处理装置可以为终端设备、服务器或者其他处理设备等。其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、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,该图像处理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,所述图像处理方法可以包括:
步骤S11,根据待处理图像集合,确定目标区域。
步骤S12,根据目标区域,对待处理图像集合进行切割,得到两个以上的待处理子图像。
步骤S13,根据至少一个待处理子图像进行第一预测,得到与待处理图像集合对应的第一预测结果。
其中,待处理图像集合,可以是需要进行处理的图像集合,其实现方式可以根据图像处理的实际需求进行灵活确定。在一种可能的实现方式中,待处理图像集合可以包括病理图像集合。由于病理图像可以是对人体或其他生物体的器官或组织进行切片所得到的图像,并可以通过显微镜等设备对病理图像进行不同倍数下的放大,在对病理图像进行处理或分析的过程中,往往可以基于不同放大倍数下的一系列病理图像来进行处理与分析,因此,在一个示例中,在进行图像处理的过程中,处理的对象可以是病理图像集合而非单个病理图像,病理图像集合中,可以包含有不同尺度的病理图像,这些病理图像的内容可以一致,病理图像的尺度越大,说明该病理图像的放大倍数越高,包含的信息越全面。在一种可能的实现方式中,待处理图像集合也可以是其他由多个尺度的待处理图像所构成的集合,待处理图像不局限于病理图像,可以根据实际情况灵活决定。
根据待处理图像集合确定的目标区域,可以是待处理图像中具有处理需求的区域,在一个示例中,在待处理图像集合为病理图像集合的情况下,由于对于一幅病理图像来说,其除了包含有需要诊断的组织、器官或细胞以外,图像中也可能包含有空白区域或是与诊断无关的区域,因此待处理图像集合中的目标区域可以是病理图像包括的组织、器官或细胞等与病理分析相关的区域。当待处理图像集合为其他类型图像的情况下,其目标区域的定义可以根据图像处理的实际情况进行灵活决定和扩展,在此不再一一赘述。
在确定了目标区域后,可以根据目标区域来对待处理图像集合进行切割,得到待处理子图像,具体地切割方式可以根据实际情况进行选择,详见下述各公开实施例,在此先不做展开。得到的的待处理子图像的具体数量,可以根据切割方式与待处理图像集合的实际情况,进行灵活变化,在本公开实施例中不做限制。在得到了多个待处理子图像后,可以根据待处理子图像进行第一预测,最终得到与待处理图像集合所对应的第一预测结果。其中,第一预测可以是对待处理子图像进行的单个类型的预测,也可以是同时进行的多个类型的预测,比如分类预测、分割预测或是分类和分割的联合预测等,具体是哪些类型的预测,以及如何实现这些预测过程,则可以根据实际情况进行灵活决定,详见下述各公开实施例,在此先不做展开。
在本公开实施例中,通过根据待处理图像集合确定目标区域,继而根据目标区域来对待处理图像集合进行切割,得到两个以上的待处理子图像,并根据待处理子图像进行第一预测得到与待处理图像集合对应的第一预测结果。通过上述过程,可以根据目标区域来实现对待处理图像集合的切割和预测,有效的减小了无关图像部分的干扰,提升了后续切割与预测的效率;同时由于在预测前先对待处理图像集合进行了切割,大大减小了每次预测过程的计算量,提升了预测的效率和准确程度。
上述公开实施例中已经提到,目标区域的实现方式可以根据处理需求灵活确定,相应地,如何通过步骤S11确定目标区域的方式,也可以根据目标区域的实现方式来灵活确定。在一种可能的实现方式中,步骤S11可以包括:
步骤S111,从待处理图像集合中,选定第一待处理图像。
步骤S112,对第一待处理图像进行降采样,得到第二待处理图像。
步骤S113,对第二待处理图像包括的第一对象进行第一分割,得到第一分割结果。
步骤S114,将第一分割结果作为目标区域。
通过上述公开实施例可以看出,在进行图像处理过程中,可能需要进行处理的是包含有多个待处理图像的待处理图像集合,这些待处理图像由于放大倍数的不同而具有不同的尺度,但是具有相同的图像内容。由于步骤S11的目的在于确定目标区域,即确定目标区域的位置,对于不同尺度的待处理图像来说,其目标区域在图像中的相对位置是相同的,因此,在一种可能的实现方式中,为了提升目标区域的确定效率,可以通过步骤S111来从待处理图像集合中选定其中的一个或部分待处理图像,来作为第一待处理图像用于确定目标区域。
具体地,选定哪一个或哪几个待处理图像作为第一待处理图像,具体的选定方式与标准可以根据实际情况进行灵活选择。在一种可能的实现方式中,可以从待处理图像集合中,选定中间尺度或是较低尺度的待处理图像作为第一待处理图像,这样既可以减小后续确定目标区域的计算量,同时也减小由于第一待处理图像的尺度过低而导致确定的目标区域不准确的可能性。
在选定了第一待处理图像后,可以通过步骤S112,对第一待处理图像进行降采样,得到第二待处理图像,对第一待处理图像进行降采样可以进一步降低第一待处理图像的尺度,从而进一步减小后续确定目标区域的计算量,提升目标区域的确定效率,继而提升整个图像处理过程的效率。具体的降采样实现方式可以根据第一待处理图像的实际尺度和后续的处理需求进行灵活确定,在本公开实施例中不做限制。
在得到了第二待处理图像后,可以通过步骤S113,对第二待处理图像包括的第一对象进行第一分割,得到第一分割结果。其中,第一对象可以是上述公开实施例中提到的目标区域所对应的对象,在一个示例中,在待处理图像集合为病理图像集合的情况下,目标区域可以是包含有需要诊断的组织、器官或细胞的区域,因此相应的,需要进行分割的第一对象则可以是第二待处理图像中包括的需要诊断的组织、器官或是细胞等。
对第二待处理图像包括的第一对象进行第一分割的具体分割方式,可以根据实际情况灵活选择,不局限于下述各公开实施例。在一种可能的实现方式中,该第一分割可以通过某些分割方法来实现,比如基于阈值的分割方法或是基于水平集的分割方法等。在一种可能的实现方式中,也可以通过一个具有前景分割功能的分割神经网络来实现第一分割,分割神经网络可以通过多个包含有分割结果的训练样本图像进行训练所得到,具体实现方式在本公开实施例中不做限定,在一个示例中,该分割神经网络可以为一个二层神经网络,该二层神经网络可以包含有依次连接的卷积层和上采样层。
在通过上述任意某种实现方式实现对第二待处理图像的第一分割后,可以将得到的第一分割结果作为目标区域。通过上述过程,可以通过较低的计算量和较高的计算效率,实现待处理图像集合中目标区域的确定,减小了后续切割与第一预测过程中,需要处理的数据量,从而大大提升了整个图像处理的效率,也增加了图像处理的精度。同时,由于可以通过分割神经网络来确定目标区域,这种方式具有较强的鲁棒性,也大大提升了目标区域确定的成功率,继而提升了整个图像处理过程的鲁棒性和成功率。
在确定了待处理图像集合的目标区域后,可以通过步骤S12,基于此目标区域对待处理图像集合进行切割,从而得到两个以上的待处理子图像。在一种可能的实现方式中,步骤S12可以包括:
步骤S121,从待处理图像集合中,选定预设尺度的图像,作为第三待处理图像。
步骤S122,将目标区域在第三待处理图像中映射的位置,作为第三待处理图像的目标位置。
步骤S123,在目标位置,将第三待处理图像切割至预设尺寸,得到两个以上的待处理子图像。
如上述各公开实施例所述,待处理图像集合中可以包含有多个尺度的待处理图像,待处理图像被切割后得到的待处理子图像可以用于进行后续的第一预测,无论这些待处理图像的尺度如何,由于这些待处理图像包含的内容可以是一致的,其最终得到的预测结果应该是一致的。因此,在一种可能的实现方式中,可以通过步骤S121,选择待处理图像集合中预设尺度的图像来作为第三待处理图像,用于后续的切割与第一预测,从而减小图像处理过程中的计算量,提升图像处理的效率。
预设尺度的具体尺度大小可以根据实际情况进行灵活设定,在一种可能的实现方式中,预设尺度可以包括待处理图像集合中的最大尺度。上述公开实施例已经提出,病理图像的尺度越大,说明该病理图像的放大倍数越高,包含的信息越全面,通过将预设尺度设置为待处理图像集合中的最大尺度,可以使得选出的第三待处理图像中,包含的信息更全面,从而使得基于此第三待处理图像得到的第一预测结果更为准确,继而提升整个图像处理的精度。
在选定了用于后续处理的第三待处理图像后,可以根据步骤S11确定的目标区域,对第三待处理图像进行切割。由于在步骤S11中,可以对第二待处理图像进行第一分割,确定出目标区域在第二待处理图像中的位置,而第二待处理图像与第三待处理图像仅在尺度上具有区别,内容上一致,因此,可以通过步骤S122,根据目标区域在第二待处理图像中的位置,利用第二待处理图像与第三待处理图像在尺度上的变换关系,将目标区域映射到第三待处理图像中,从而得到第三待处理图像中需要被切割的目标位置。
在确定了第三待处理图像中的目标位置后,可以通过步骤S123,在目标位置处,将第三待处理图像切割至预设尺寸,来得到多个尺寸大小为预设尺寸的待处理子图像。其中,切割的方式与预设尺寸的大小均可以根据实际情况灵活设定,在一种可能的实现方式中,切割的方式可以为包含有重叠区域的切割,即切割后的每两个相邻的待处理子图像相互之间可能包含有重叠区域,在一个示例中,这种切割的实现过程可以为:设定切割后每个待处理子图像的预设尺寸为512×512,以水平方向的切割为例进行说明,设定在沿水平方向切割的过程中两次切割之间的相邻步长为256个像素单位,即在水平方向上分别执行第一次切割,然后在距离第一次切割位置512个像素单位的位置执行第二次切割,则可以得到一个水平长度为512个像素单位的待处理子图像A,由于相邻步长设定为256个像素单位,因此可以在距离第一次切割位置256个像素单位的位置执行第三次切割,继而在距离第三次切割位置512个像素单位的位置执行第四次切割,这样可以得到另一个水平长度为512个像素单位的待处理子图像B,通过上述过程可以看出,经过上述切割,待处理子图像A和待处理子图像B在水平方向上具有256个像素单位的重叠区域。在一种可能的实现方式中,切割的方式也可以为不包含重叠区域的切割,通过设定切割的滑动步长大于切割的预设尺寸即可实现,具体过程在此不再赘述。
通过包含有重叠区域的切割,可以减小待处理子图像中丢失待第一预测的信息的可能性,从而使得后续的第一预测得到的结果更为全面和准确,从而提升整个图像处理过程的准确性。
通过选定第三待处理图像,然后根据目标区域在第三待处理图像中映射的位置,得到目标位置,从而根据目标位置对第三待处理图像切割至预设尺寸,得到两个以上的待处理子图像,通过上述过程,可以有效的将待处理图像集合中具有第一预测需求的区域进行切割,减小了后续第一预测的计算量和计算难度,提升了第一预测的效率和准确性,继而提升整个图像处理过程的准确性和效率。
在通过切割得到了多个待处理子图像后,可以通过步骤S13,根据至少一个待处理子图像进行第一预测,从而得到与待处理图像集合对应的第一预测结果。步骤S13的实现方式可以根据实际情况灵活决定,在一种可能的实现方式中,步骤S13可以包括:
步骤S131,对至少一个待处理子图像进行第一预测,得到与待处理子图像对应的第一预测子结果。
步骤S132,根据待处理子图像在所述待处理图像集合中的位置,对至少一个第一预测子结果进行合并,得到第一预测结果。
通过上述公开实施例可以看出,在一种可能的实现方式中,可以对至少一个待处理子图像执行第一预测,得到与待处理子图像对应的第一预测子结果,然后将得到的待处理子图像的第一预测子结果进行合并,从而得到与待处理图像集合对应的第一预测结果。其中,具体对哪个或是哪些待处理子图像进行第一预测,可以根据实际情况进行选择,不局限于下述公开实施例。在一种可能的实现方式中,可以分别对每个待处理子图像均进行第一预测,在一种可能的实现方式中,由于待处理子图像可能存在重叠区域,因此也可以选定其中部分待处理子图像来执行第一预测。后续各公开实施例均以对每个待处理子图像均进行第一预测为例进行说明,其他的情况可以根据下方各实施例进行相应扩展,不再一一进行解释说明。
通过对至少一个待处理子图像进行第一预测,得到多个第一预测子结果,然后根据待处理子图像在待处理图像集合中的位置将这些第一预测子结果合并得到第一预测结果,可以有效地降低每一次第一预测过程的计算量,一方面可以提升第一预测的效率,另一方面也可以提升第一预测的准确性,继而提升了整个图像处理过程的效率和精度。
上述公开实施例中已经提出,第一预测可以是对待处理子图像同时进行的多个类型的预测,具体的选择哪些类型,以及如何进行,可以根据实际情况灵活决定,在一种可能的实现方式中,步骤S131可以包括:
步骤S1311,对至少一个待处理子图像进行包括的第二对象进行分类,得到与待处理子图像对应的分类子结果,其中,分类子结果包括分类特征向量,以及与每个分类特征向量对应的分类概率。
步骤S1312,对至少一个待处理子图像包括的第二对象进行第二分割,得到与待处理子图像对应的第二分割子结果。
步骤S1313,将分类子结果和第二分割子结果,作为待处理子图像的第一预测子结果。
其中,第二对象可以是待处理图像集合中,最终需要分析检测所确定的对象,在一种可能的实现方式中,第二对象可以是第一对象中可能包含的对象,举例来说,在待处理图像集合为病理图像的情况下,如上述各公开实施例所述,第一对象可以是需要被诊断的组织、器官或细胞等,则第二对象可以是这些组织、器官或细胞中所包含的病灶或病变对象,比如组织或器官中可能包含的肿瘤等。当待处理图像集合为其他类型的图像的情况下,相应的第一对象和第二对象的具体内容可以根据实际情况进行灵活扩展,在此不再一一进行说明。
通过上述公开实施例可以看出,在一种可能的实现方式中,对待处理子图像进行的第一预测,可以包含有如步骤S1311所示的分类预测,以及如步骤S1312所示的第二分割预测。其中,分类预测可以是预测待处理子图像中,包含有第二对象的分类概率,分割预测则可以是预测第二对象在待处理子图像中的位置。具体的分类预测方式和第二分割预测方式可以根据实际情况进行灵活确定,不局限于下述各公开实施例。
需要注意的是,第二分割与上述公开实施例中提到的第一分割中的“第一”和“第二”仅用于说明分割的对象不同,即第一分割是为了从待处理图像中分割出第一对象的位置,而第二分割则是为了在包含有第一对象的待处理子图像中进行进一步分割,来确定第一对象中第二对象的位置,二者的实现方式可以相同,也可以不同,根据实际情况进行灵活选择即可。
在一种可能的实现方式中,分类预测和分割预测可以通过一个具有第一预测功能的第一预测神经网络来进行实现,该第一预测神经网络的具体实现方式不受限定,在一种可能的实现方式中,该第一预测神经网络可以包括有两个并行的预测分支,其中一个预测分支为分类预测分支,另一个为分割预测分支,具体每个分支的实现方式不受限制,即每个预测分支包含的神经网络层数以及每个神经网络层的连接关系可以根据实际情况进行自行设定。在一种可能的实现方式中,分类预测分支可以包含有特征提取层和融合层,特征提取层可以用来提取出待处理子图像所包含的分类特征向量,而融合层则可以根据提取的分类特征向量进行融合预测,从而得出该待处理子图像包含有第二对象的概率值,作为与该分类特征向量所对应的分类概率。在一种可能的实现方式中,分割预测分支则可以在待处理子图像包含有第二对象的情况下,分割出该第二对象在待处理子图像的位置,并对该第二对象进行标记,并将标记后的结果以图像的形式进行输出。
由于该第一预测神经网络的两个预测分支共用一个输入图像,因此,在对该第一预测神经网络进行训练的过程中,可以通过同样的训练样本图像进行训练,在一种可能的实现方式中,可以将包含有第二对象的图像以及没有包含第二对象的图像共同作为训练样本,输入到第一预测神经网络的初始模型中进行训练,每个训练样本图像均以两类标注数据进行标注,一类标注数据用以表明图像中是否包含有第二对象,另一类标注数据用以表明包含有第二对象的图像中第二对象的具体位置,通过上述过程,则可以利用一套训练样本数据,实现对第一预测神经网络的统一训练,提升了训练的效率,节省了训练的时间。
通过对待处理子图像分别进行分类和第二分割,分别得到分类子结果和第二分割子结果,并将分类子结果和第二分割子结果共同作为第一预测子结果,通过上述过程,可以综合分类和分割的结果,更加准确和完整的体现出第二对象在待处理图像集合中的位置从而提升图像处理结果的准确性,在第二对象为病灶的情况下,通过上述过程,可以更加完整和准确地体现病灶区域,有助于辅助医生实现更为准确的医疗诊断。
在得到了第一预测子结果后,可以通过步骤S132将第一预测子结果进行合并,来得到与待处理图像集合对应的第一预测结果。在一种可能的实现方式中,步骤S132可以包括:
步骤S1321,将至少一个待处理子图像对应的分类子结果进行合并,得到分类结果,其中,分类结果包括通过合并分类特征向量所获得的分类特征向量集合。
步骤S1322,根据待处理子图像在待处理图像集合中的位置,将至少一个待处理子图像对应的第二分割子结果进行合并,得到与待处理图像集合对应的第二分割结果。
步骤S1323,将分类结果和第二分割结果,作为第一预测结果。
上述公开实施例中已经提出,对待处理子图像进行第一预测时,可以分别对每个待处理子图像进行第一预测,也可以选择部分待处理子图像进行第一预测,因此,在合并时,也可以是对每个第一预测子结果进行合并,也可以是对部分第一预测子结果进行合并,根据实际情况进行灵活选择即可。
由于第一预测子结果可以包含有分类预测子结果和第二分割子结果两部分,因此,在一种可能的实现方式中,可以分别通过步骤S1321对分类预测子结果进行合并,以及通过步骤S1232对第二分割子结果进行合并。
在一种可能的实现方式中,由于分类子结果可以包含有分类特征向量和与每个分类特征向量对应的分类概率,因此,可以将这些分类特征向量合并为一个分类特征向量集合,这一分类特征向量集合可以以矩阵的形式进行表达,同时,可以将每个分类特征向量与所对应的分类概率进行关联,在一个示例中,可以基于这些分类概率以加权平均的形式来得到待处理图像集合对应的总体概率,比如待处理图像集合作为病理图像时,这一图像总体是否发生病变等,在一个示例中,也可以仅将这些分类概率与分类特征向量集合的每个分类特征向量进行关联,而省略计算待处理图像集合对应的总体概率这一过程。
另外,分类特征向量合并为分类特征向量集合时,这些分类特征向量可以按照对应的待处理子图像在待处理图像集合中的位置的顺序进行排列,也可以无需考虑排列顺序,而是将待处理子图像在待处理图像集合中的位置以坐标的形式与分类特征向量进行关联,这样,即使不按照顺序来生成分类特征向量集合,也不会混淆不同分类特征向量对应的待处理子图像。
如上述各公开实施例所述,第二分割子结果可以是在每个待处理子图像中标记了第二对象位置的图像,由于待处理子图像是通过切割所得,因此,可以将每个第二分割子结果按照对应的待处理子图像的位置进行拼接,从而可以得到标记了每个第二对象的第二分割结果。
在得到了分类结果和第二分割结果后,可以将二者共同作为第一预测结果,通过上述过程,一方面可以通过第二分割结果,将待处理图像集合中包含有第二对象的位置均标注出来,实现较好的图像处理效果,同时还可以得到包含有特征向量的分类结果,这一分类结果可以进一步辅助对得到的第二分割结果进行修正和对照,从而进一步提升图像处理结果的准确性。
如上所述,分类结果可以进一步用以辅助修正第二分割结果,因此,在一种可能的实现方式中,本公开实施例中提出的图像处理方法,还可以包括:
步骤S14,根据第一预测结果进行处理,得到处理结果。
步骤S14的具体实现方式可以根据实际情况进行灵活决定,在一种可能的实现方式中,步骤S14可以包括:
步骤S141,从第一预测结果包括的分类结果中,选定分类概率最高的N个分类特征向量,作为目标特征向量,其中,N为正整数。
步骤S142,根据目标特征向量进行第二预测,得到第二预测结果。
步骤S143,将第一预测结果包括的第二分割结果,和第二预测结果,作为处理结果。
其中,第二预测为基于目标特征向量所进行的预测过程,其与第一预测中的“第一”和“第二”主要用于区分两种预测过程中输入的预测数据不同,即第一预测是基于待处理子图像进行的预测,而第二预测是在第一预测结果的基础上进行的进一步预测,第一预测和第二预测的方式可以相同,也可以不同,在一种可能的实现方式中,由于第二预测是在第一预测的基础上进行的进一步预测,为了提升最终得到的处理结果的准确性,第二预测可以与第一预测选用不同的预测方式,第二预测的具体实现方式可以参加下述各公开实施例,在此先不做展开。
如上述各公开实施例所述,第一预测结果中可以包括有分类结果和第二分割结果,其中分类结果可以包括有多个分类特征向量所共同构成的分类特征向量集合。每个分类特征向量分别对应一个待处理子图像以及该待处理子图像的分类概率。由于待处理子图像是从待处理图像集合中进行切割所得到的图像,基于其提取的分类特征向量进行预测所得的分类概率,可能存在误差或不准确的情况,这样,如果基于每个待处理子图像的分类概率对整个待处理图像集合进行概率预测,得到的结果也可能存在偏差。
为了提升对待处理图像集合进行预测的整体结果的准确性,可以考虑基于分类结果,进行进一步地预测,因此,可以通过步骤S141从分类结果中选出分类概率最高的N个分类特征向量作为目标特征向量,然后基于这些目标特征向量,通过步骤S142来进行第二预测。
其中,选定的分类特征向量的数量N在本公开实施例中不做限定,可以根据实际情况进行灵活选择,在一种可能的实现方式中,N可以根据实际情况设置为30、40或50等,比如,当N设置为30时,可以在分类特征向量集合中,将分类特征向量按照对应的分类概率从高到低进行排列,然后选择出其中前30个分类特征向量,来作为目标特征向量。
在选定了目标特征向量后,可以通过步骤S142进行第二预测,具体的第二预测方式可以根据实际情况灵活选择,不局限于下述公开实施例。在一种可能的实现方式中,步骤S142可以包括:
步骤S1421,将目标特征向量进行融合,得到融合特征向量。
步骤S1422,对融合特征向量依次进行卷积处理和池化处理,得到第二预测结果。
上述公开实施例中,融合、卷积与池化的具体实现方式可以根据实际情况自行设置,在本公开实施例中不做限制。在一种可能的实现方式中,上述第二预测过程可以通过一个具有第二预测功能的筛查神经网络来实现,该筛查神经网络的实现形式可以根据实际情况灵活决定,在本公开实施例中不做限定,基于上述步骤S142的实现过程可以看出,在一个示例中,该筛查神经网络可以包含有融合层、卷积层和池化层三部分,融合层用于将选定的N个目标特征向量进行融合,卷积层用于基于融合层得到的融合结果进行卷积计算,并将卷积计算结果输入到池化层,然后将池化层的输出作为第二预测结果。
通过将目标特征向量依次进行融合、卷积与池化,得到第二预测结果,可以使得最终得到的第二预测结果是基于多个提取出的分类特征向量来进行进一步的筛查和修正所得到的,从而使得最终得到的第二预测结果更加准确,继而提升了图像处理的精度。当这些过程通过神经网络进行实现时,由于神经网络具有较好的鲁棒性,因此可以进一步提升图像处理的鲁棒性。
通过从第一预测结果中选定目标特征向量,并基于目标特征向量进行第二预测得到第二预测结果,然后将第二分割结果和第二预测结果共同作为处理结果,通过上述过程,既可以显示直观的预测图像,又可以具有较为准确的综合结论,从而可以使得最终得到的图像处理结果更为全面和直观,具有更强的实用性。
在一种可能的实现方式中,本公开实施例提出的图像处理方法,可以通过神经网络实现,神经网络通过训练图像集合进行训练,其中,训练图像集合包括至少一个预添加噪声的训练图像。
通过上述各公开实施例可以看出,在对待处理图像集合进行处理的过程中,可以通过具有前景分割功能的分割神经网络来确定目标区域,然后基于此目标区域对待处理图像集合进行切割得到待处理子图像后,可以通过具有第一预测功能的第一预测神经网络来得到第一预测结果,进一步地,还可以通过具有第二预测功能的筛查神经网络来对第一预测结果进行进一步地预测。因此,在一种可能的实现方式中,可以将上述图像处理过程通过一个整体的神经网络来进行实现,上述公开实施例提到的分割神经网络、第一预测神经网络以及筛查网络等,可以以子网络的形式包含于该整体的神经网络中。
该神经网络在进行训练时,可以通过训练图像集合进行训练,训练图像集合可以是通过处理结果进行标注的待处理图像集合,因此其实现形式可以随着待处理图像集合的形式不同而灵活发生变化,在一种可能的实现方式中,在待处理图像集合为病理图像的情况下,训练图像集合可以是标注了病灶位置和诊断结果的病理图像。
在一种可能的实现方式中,训练图像集合中还可以包含有预添加噪声的训练图像,预添加噪声可以是在训练图像本身的基础上,在图像中额外添加的一些信息或内容。具体的包含的具有预添加噪声的训练图像的个数在本公开实施例中不做限定,可以根据实际情况灵活选择。预添加噪声的具体噪声类型可以根据训练图像集合的实现方式灵活发生变化,在一个示例中,在训练图像集合是标注了病灶位置和诊断结果的病理图像的情况下,预添加噪声可以是病理图像中的一些污渍或干扰内容,也可以是医生在上面添加的批注、标识或圆圈等内容,通过将这些包含有预添加噪声的训练图像放入到训练图像集合中,可以使得基于此训练图像集合训练得到的神经网络即使面对具有干扰的待处理图像集合,也可以得到较好的处理效果,从而可以面向更多种类的待处理图像集合进行处理,提升了神经网络的鲁棒性。
应用场景示例
病理图像是医生段诊断病变组织和细胞的重要依据。当病理图像中存在多个疑似病变的视野时,如何准确高效的基于该病理图像诊断患者是否患病,是病理图像处理与分析中一个亟待解决的问题。
图2示出根据本公开一应用示例的示意图,如图所示,本公开实施例提出了一种图像处理方法,这一处理方法可以基于病理图像进行相应处理,从而得出最终的诊断结论,该图像处理的过程可以为:
如图2所示,在本公开应用示例中,图像处理的过程可以主要分为三步:
第一步,对病理图像进行前景提取
如上述各公开实施例所述,病理图像可以为一个包含有多个尺度图像的图像集合(以下简称病理图像集合),在本公开应用示例中,可以从病理图像集合中选定一个尺度较为合适的病理图像作为第一待处理图像,然后借助图像分割技术,将第一待处理图像中的组织区域与空白区域区分开来。此处的图像分割技术可以是一些传统的分割方式,例如基于阈值的分割,或是基于水平集的分割等,在一个示例中,也可以是基于深度学习的分割,即可以将第一待处理图像降采样到一个较低的尺度,得到第二待处理图像,然后通过一个分割神经网络(即图中的前景提取网络),将第二待处理图像输入到该分割神经网络中,来实现对第二待处理图像中的组织区域分割出来,并舍弃掉其中的空白区域,如图2所示,从图中可以看出,病理图像集合在通过前景提取网络后,可以得到一个标注出有组织区域位置的图像,被标注出的组织区域也可以被称为目标区域。
第二步,进行病灶分割以及病变特征提取:
在得到了标注有目标区域的图像后,可以基于此标注出的目标区域,对病理图像集合进行切割,得到多个病理子图像。从图2中可以看出,在本公开应用示例中,可以首先从病理图像集合中选定一个尺度最大的病理图像作为第三待处理图像,然后根据上一步标注出目标区域的图像,可以分别第三待处理图像中每个目标区域的具体位置,然后在这些位置上对第三待处理图像进行切割,从而划分出有重叠区域的多个病理子图像,在本公开应用示例中,病理子图像可以为512x512大小,这个大小下的病理子图像,可以包含有一定数目的组织区域用于后续的病灶分割。如图2所示,位于多任务网络之前的图像,即根据标注有组织区域位置的图像对病理图像集合进行切割所得到的病理子图像。
在得到了病理子图像后,可以对这些病理子图像使用训练过的第一预测神经网络(即图中的多任务网络)来做预测,第一预测神经网络包含有两个分支,分别为分类分支和分割分支,分类分支可以提取出病理子图像中病灶或病变的特征向量,并基于此提取出的特征向量预测出该病理子图像包含有病灶或病变的概率,分割分支则可以对病理子图像中的病灶或病变进行进一步的分割,从而确定病理子图像中病灶或病变的精确区域,并得到相应的标注有病变位置的分割子图像。
进一步地,根据第一预测神经网络的分类分支得到的多个特征向量,可以合并为一个特征向量集合(即图中多任务网络的左侧输出),根据第一预测神经网络的分割分支得到的多个标注有病变位置的分割子图像,可以按照相应的位置合并为一个整体的标注有病变位置的分割图像(即图中多任务网络的右侧输出),该整体的分割图像与病理图像一一对应。
第三步,判断病理图像的良恶性
由于第二步中得到的特征向量集合中,每个特征向量对应的预测病变的概率是不同的,在本公开应用示例中,可以选出其中对应的预测概率较高的一些特征向量,输入到如图所示的筛查网络中,来进一步预测这一病理图像总体的良恶性,筛查网络的实现方式可以参考上述各公开实施例,在此不再赘述。
通过上述过程,本公开应用示例可以得到一个精确的、且具有有用信息的结果,比如病灶的精确位置、以及该病理图像最终的良恶性结果,对于大规模的活检筛查,有重要的帮助和指导意义。
本公开应用示例提出的图像处理方法,一方面可以利用分割神经网络对病理图像的前景组织进行分割,具有较高的鲁棒性,不易发生前景提取的失败情况,从而通过前景预分割,有效的降低了空白区域的数量,提高了诊断效率;另一方面可以使用第一预测神经网络来分割病理图像内病灶的准确轮廓并提取病灶的特征,从而便于通过准确轮廓完整体现病灶区域,对于医生的辅助诊断有很大的帮助;同时还使用融合了多个特征具有较好鲁棒性的筛查网络,来判断病理图像整体的良恶性,从而提升了整个图像处理结果的鲁棒性和准确性。
需要说明的是,本公开实施例的图像处理方法不限于应用在上述病理图像的处理中,可以应用于任意的图像处理,本公开对此不作限定。
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3示出根据本公开实施例的图像处理装置的框图。该图像处理装置可以为终端设备、服务器或者其他处理设备等。其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal DigitalAssistant,PDA)、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,该图像处理装置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3所示,所述图像处理装置30可以包括:
确定模块31,用于根据待处理图像集合,确定目标区域。
切割模块32,用于根据所述目标区域,对所述待处理图像集合进行切割,得到两个以上的待处理子图像。
第一预测模块33,用于根据至少一个所述待处理子图像进行第一预测,得到与所述待处理图像集合对应的第一预测结果。
在一种可能的实现方式中,所述确定模块用于:从所述待处理图像集合中,选定第一待处理图像;对所述第一待处理图像进行降采样,得到第二待处理图像;对所述第二待处理图像包括的第一对象进行第一分割,得到第一分割结果;将所述第一分割结果作为所述目标区域。
在一种可能的实现方式中,所述切割模块用于:从所述待处理图像集合中,选定预设尺度的图像,作为第三待处理图像;将所述目标区域在所述第三待处理图像中映射的位置,作为所述第三待处理图像的目标位置;在所述目标位置,将所述第三待处理图像切割至预设尺寸,得到两个以上的待处理子图像。
在一种可能的实现方式中,所述预设尺度包括所述待处理图像集合中的最大尺度。
在一种可能的实现方式中,所述第一预测模块用于:对至少一个所述待处理子图像进行第一预测,得到与所述待处理子图像对应的第一预测子结果;根据所述待处理子图像在所述待处理图像集合中的位置,对至少一个所述第一预测子结果进行合并,得到所述第一预测结果。
在一种可能的实现方式中,所述第一预测模块进一步用于:对至少一个所述待处理子图像包括的第二对象进行分类,得到与所述待处理子图像对应的分类子结果,其中,所述分类子结果包括分类特征向量,以及与每个所述分类特征向量对应的分类概率;对至少一个所述待处理子图像包括的第二对象进行第二分割,得到与所述待处理子图像对应的第二分割子结果;将所述分类子结果和所述第二分割子结果,作为所述待处理子图像的第一预测子结果。
在一种可能的实现方式中,所述第一预测模块进一步用于:将至少一个所述待处理子图像对应的分类子结果进行合并,得到分类结果,其中,所述分类结果包括通过合并所述分类特征向量所获得的分类特征向量集合;根据所述待处理子图像在所述待处理图像集合中的位置,将至少一个所述待处理子图像对应的第二分割子结果进行合并,得到与所述待处理图像集合对应的第二分割结果;将所述分类结果和所述第二分割结果,作为所述第一预测结果。
在一种可能的实现方式中,所述装置还包括处理模块,所述处理模块用于:根据所述第一预测结果进行处理,得到处理结果。
在一种可能的实现方式中,所述处理模块进一步用于:从所述第一预测结果包括的分类结果中,选定分类概率最高的N个分类特征向量,作为目标特征向量,其中,N为正整数;根据所述目标特征向量进行第二预测,得到第二预测结果;将所述第一预测结果包括的第二分割结果,和所述第二预测结果,作为所述处理结果。
在一种可能的实现方式中,所述处理模块进一步用于:将所述目标特征向量进行融合,得到融合特征向量;对所述融合特征向量依次进行卷积处理和池化处理,得到第二预测结果。
在一种可能的实现方式中,所述待处理图像集合包括:病理图像集合。
在一种可能的实现方式中,所述装置通过神经网络实现,所述神经网络通过训练图像集合进行训练,其中,所述训练图像集合包括至少一个预添加噪声的训练图像。
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调用所述存储器存储的指令,以执行上述方法。
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如上任一实施例提供的图像处理方法的指令。
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任一实施例提供的图像处理方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4示出根据本公开实施例的一种电子设备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4,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5示出根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图5,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Windows ServerTM,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 (15)
1.一种图像处理方法,其特征在于,包括:
根据待处理图像集合,确定目标区域;
根据所述目标区域,对所述待处理图像集合进行切割,得到两个以上的待处理子图像;
根据至少一个所述待处理子图像进行第一预测,得到与所述待处理图像集合对应的第一预测结果。
2.根据权利要求1所述的方法,其特征在于,所述根据待处理图像集合,确定目标区域,包括:
从所述待处理图像集合中,选定第一待处理图像;
对所述第一待处理图像进行降采样,得到第二待处理图像;
对所述第二待处理图像包括的第一对象进行第一分割,得到第一分割结果;
将所述第一分割结果作为所述目标区域。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述目标区域,对所述待处理图像集合进行切割,得到两个以上的待处理子图像,包括:
从所述待处理图像集合中,选定预设尺度的图像,作为第三待处理图像;
将所述目标区域在所述第三待处理图像中映射的位置,作为所述第三待处理图像的目标位置;
在所述目标位置,将所述第三待处理图像切割至预设尺寸,得到两个以上的待处理子图像。
4.根据权利要求3所述的方法,其特征在于,所述预设尺度包括所述待处理图像集合中的最大尺度。
5.根据权利要求1至4中任意一项所述的方法,其特征在于,所述根据至少一个所述待处理子图像进行第一预测,得到与所述待处理图像集合对应的第一预测结果,包括:
对至少一个所述待处理子图像进行第一预测,得到与所述待处理子图像对应的第一预测子结果;
根据所述待处理子图像在所述待处理图像集合中的位置,对至少一个所述第一预测子结果进行合并,得到所述第一预测结果。
6.根据权利要求5所述的方法,其特征在于,所述对至少一个所述待处理子图像进行第一预测,得到与所述待处理子图像对应的第一预测子结果,包括:
对至少一个所述待处理子图像包括的第二对象进行分类,得到与所述待处理子图像对应的分类子结果,其中,所述分类子结果包括分类特征向量,以及与每个所述分类特征向量对应的分类概率;
对至少一个所述待处理子图像包括的第二对象进行第二分割,得到与所述待处理子图像对应的第二分割子结果;
将所述分类子结果和所述第二分割子结果,作为所述待处理子图像的第一预测子结果。
7.根据权利要求6所述的方法,其特征在于,所述根据所述待处理子图像在所述待处理图像集合中的位置,对至少一个所述第一预测子结果进行合并,得到第一预测结果,包括:
将至少一个所述待处理子图像对应的分类子结果进行合并,得到分类结果,其中,所述分类结果包括通过合并所述分类特征向量所获得的分类特征向量集合;
根据所述待处理子图像在所述待处理图像集合中的位置,将至少一个所述待处理子图像对应的第二分割子结果进行合并,得到与所述待处理图像集合对应的第二分割结果;
将所述分类结果和所述第二分割结果,作为所述第一预测结果。
8.根据权利要求1至7中任意一项所述的方法,其特征在于,所述方法还包括:
根据所述第一预测结果进行处理,得到处理结果。
9.根据权利要求8所述的方法,其特征在于,所述根据所述第一预测结果进行处理,得到处理结果,包括:
从所述第一预测结果包括的分类结果中,选定分类概率最高的N个分类特征向量,作为目标特征向量,其中,N为正整数;
根据所述目标特征向量进行第二预测,得到第二预测结果;
将所述第一预测结果包括的第二分割结果,和所述第二预测结果,作为所述处理结果。
10.根据权利要求9所述的方法,其特征在于,所述根据所述目标特征向量进行第二预测,得到第二预测结果,包括:
将所述目标特征向量进行融合,得到融合特征向量;
对所述融合特征向量依次进行卷积处理和池化处理,得到第二预测结果。
11.根据权利要求1至10中任意一项所述的方法,其特征在于,所述待处理图像集合包括:病理图像集合。
12.根据权利要求1至11中任意一项所述的方法,其特征在于,所述方法通过神经网络实现,所述神经网络通过训练图像集合进行训练,其中,所述训练图像集合包括至少一个预添加噪声的训练图像。
13.一种图像处理装置,其特征在于,包括:
确定模块,用于根据待处理图像集合,确定目标区域;
切割模块,用于根据所述目标区域,对所述待处理图像集合进行切割,得到两个以上的待处理子图像;
第一预测模块,用于根据至少一个所述待处理子图像进行第一预测,得到与所述待处理图像集合对应的第一预测结果。
14.一种电子设备,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调用所述存储器存储的指令,以执行权利要求1至12中任意一项所述的方法。
15.一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12中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010129413.5A CN111369512A (zh) | 2020-02-28 | 2020-02-28 | 图像处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010129413.5A CN111369512A (zh) | 2020-02-28 | 2020-02-28 | 图像处理方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111369512A true CN111369512A (zh) | 2020-07-03 |
Family
ID=71210350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010129413.5A Pending CN111369512A (zh) | 2020-02-28 | 2020-02-28 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369512A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815633A (zh) * | 2020-09-08 | 2020-10-23 | 上海思路迪医学检验所有限公司 | 医用图像诊断装置、图像处理装置和方法、判断单元以及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034208A (zh) * | 2018-07-03 | 2018-12-18 | 怀光智能科技(武汉)有限公司 | 一种高低分辨率组合的宫颈细胞病理切片分类方法 |
CN110060246A (zh) * | 2019-04-15 | 2019-07-26 | 上海商汤智能科技有限公司 | 一种图像处理方法、设备及存储介质 |
CN110502972A (zh) * | 2019-07-05 | 2019-11-26 | 广东工业大学 | 一种基于深度学习的路面裂缝分割与识别方法 |
-
2020
- 2020-02-28 CN CN202010129413.5A patent/CN111369512A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034208A (zh) * | 2018-07-03 | 2018-12-18 | 怀光智能科技(武汉)有限公司 | 一种高低分辨率组合的宫颈细胞病理切片分类方法 |
CN110060246A (zh) * | 2019-04-15 | 2019-07-26 | 上海商汤智能科技有限公司 | 一种图像处理方法、设备及存储介质 |
CN110502972A (zh) * | 2019-07-05 | 2019-11-26 | 广东工业大学 | 一种基于深度学习的路面裂缝分割与识别方法 |
Non-Patent Citations (1)
Title |
---|
HONG YU 等: "Large-scale Gastric Cancer Screening and Localization Using Multi-task Deep Neural Network" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815633A (zh) * | 2020-09-08 | 2020-10-23 | 上海思路迪医学检验所有限公司 | 医用图像诊断装置、图像处理装置和方法、判断单元以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109829920B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112785565B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
US20220198775A1 (en) | Image processing method and apparatus, electronic device, storage medium and computer program | |
CN110674719B (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
CN111310764A (zh) | 网络训练、图像处理方法及装置、电子设备和存储介质 | |
CN112967291B (zh) | 图像处理方法及装置、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 | |
CN114078118A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
CN111783986A (zh) | 网络训练方法及装置、姿态预测方法及装置 | |
CN113012166A (zh) | 颅内动脉瘤分割方法及装置、电子设备和存储介质 | |
CN113139471A (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN111523485A (zh) | 位姿识别方法及装置、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 | |
CN111931844A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112016443B (zh) | 同行识别方法及装置、电子设备和存储介质 | |
CN114820584A (zh) | 肺部病灶定位装置 | |
CN114066858A (zh) | 模型训练方法及装置、电子设备和存储介质 | |
CN112967264A (zh) | 缺陷检测方法及装置、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 | |
CN112529846A (zh) | 图像处理方法及装置、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 | |
CN111640114A (zh) | 图像处理方法及装置 | |
CN113902730A (zh) | 图像处理和神经网络训练方法及装置 | |
CN113052874B (zh) | 目标跟踪方法及装置、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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240611 Address after: Units 6-01, 6-49, 6-80, 6th Floor, No. 1900 Hongmei Road, Xuhui District, Shanghai, 200030 Applicant after: Shanghai Shangtang Shancui Medical Technology Co.,Ltd. Country or region after: China Address before: Room 1605a, building 3, 391 Guiping Road, Xuhui District, Shanghai Applicant before: SHANGHAI SENSETIME INTELLIGENT TECHNOLOGY Co.,Ltd. Country or region before: China |