CN111583264A - 图像分割网络的训练方法、图像分割方法和存储介质 - Google Patents
图像分割网络的训练方法、图像分割方法和存储介质 Download PDFInfo
- Publication number
- CN111583264A CN111583264A CN202010374114.8A CN202010374114A CN111583264A CN 111583264 A CN111583264 A CN 111583264A CN 202010374114 A CN202010374114 A CN 202010374114A CN 111583264 A CN111583264 A CN 111583264A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- trained
- network
- resolution image
- 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
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 312
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000012549 training Methods 0.000 title claims abstract description 62
- 230000011218 segmentation Effects 0.000 claims abstract description 268
- 238000013507 mapping Methods 0.000 claims abstract description 36
- 238000010586 diagram Methods 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 36
- 238000005070 sampling Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 abstract description 16
- 230000008569 process Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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]
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
本申请涉及一种图像分割网络的训练方法、图像分割方法和存储介质。该图像分割网络的训练方法包括:将第一分辨率图像输入第一待训练图像分割网络中,得到第一分割结果;第一分辨率图像为对第二分辨率图像进行图像映射所得到的,第一分辨率图像的分辨率低于第二分辨率图像的分辨率;将第二分辨率图像和第一分割结果输入第二待训练图像分割网络中,得到第二分割结果;根据第二分割结果和第二分辨率图像对应的分割标注数据,调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数,以得到训练收敛的第一图像分割网络。该方法可大大提高分割标注结果的准确性。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图像分割网络的训练方法、图像分割方法和存储介质。
背景技术
当前,基于深度学习的语义分割算法已广泛应用于自动驾驶、无人机应用、医学影像分析等领域,为保障算法在实际应用中具有良好性能,需要算法在训练时使用的数据集与应用时处理的数据具有相同或相似的分布。但是,在医学影像分析领域,会出现可获得的图像标注数据(可作为训练数据集)与实际应用场景的数据分布不一致的情形,例如,在分析CT图像时,目前可获取的多是薄层图像(高分辨率图像)的标注数据,因对厚层图像(低分辨率)分析的较少,厚层图像的标注数据较难获得。
因此,传统技术中,通常根据低分辨率图像与高分辨图像的坐标对应关系或低分辨率图像的生成原理,对低分辨图像中的每个像素,获取其在高分辨率图像中对应的所有坐标及标注数据,通过相关规则,从这些标注数据中选择一个作为低分辨率图像像素的标注数据。
但是,传统技术中低分辨率图像标注数据的获取方法,对于图像边缘部位或一些局部部分的标注结果存在准确性不高的问题。
发明内容
基于此,有必要针对传统技术中对低分辨率图像的标注结果存在准确性不高的问题,提供一种图像分割网络的训练方法、图像分割方法和存储介质。
一种图像分割网络的训练方法,该方法包括:
将第一分辨率图像输入第一待训练图像分割网络中,得到第一分割结果;第一分辨率图像为对第二分辨率图像进行图像映射所得到的,第一分辨率图像的分辨率低于第二分辨率图像的分辨率;
将第二分辨率图像和第一分割结果输入第二待训练图像分割网络中,得到第二分割结果;
根据第二分割结果和第二分辨率图像对应的分割标注数据,调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数,以得到训练收敛的第一图像分割网络。
在其中一个实施例中,上述方法还包括:
设置第二待训练图像分割网络的学习率和第一待训练图像分割网络的学习率;其中第二待训练图像分割网络的学习率小于第一待训练图像分割网络的学习率,使得第二待训练图像分割网络的收敛速度与第一待训练图像分割网络的收敛速度匹配。
在其中一个实施例中,根据第二分割结果和第二分辨率图像对应的分割标注数据,调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数,包括:
计算第二分割结果和分割标注数据之间的第一损失,根据第一损失调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数。
在其中一个实施例中,上述方法还包括:
根据预设规则,计算第一分割结果和分割标注数据之间的第二损失;该预设规则用于表征第二分辨率图像的像素点中,与第一分辨率图像中当前像素点所对应的像素点的分割标注数据分布;
相应的,根据第一损失调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数,包括:
根据第一损失和第二损失,调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数。
在其中一个实施例中,将第二分辨率图像和第一分割结果输入第二待训练图像分割网络中,得到第二分割结果,包括:
将第一分割结果输入第二待训练图像分割网络的上采样层,通过上采样层将第一分割结果上采样至与第二分辨率图像尺寸相同的空间域上;
将第二分辨率图像输入第二待训练图像分割网络的第一卷积层,通过第一卷积层对第二分辨率图像中的像素点特征进行提取,得到第一特征图;
将上采样后的第一分割结果和第一特征图通道连接后输入第二待训练图像分割网络的第二卷积层,得到第二分割结果。
在其中一个实施例中,将第二分辨率图像和第一分割结果输入第二待训练图像分割网络中,得到第二分割结果,包括:
将第一分辨率图像、第二分辨率图像和第一分割结果输入第二待训练图像分割网络中,得到第二分割结果。
在其中一个实施例中,将第一分辨率图像、第二分辨率图像和第一分割结果输入第二待训练图像分割网络中,得到第二分割结果,包括:
将第一分辨率图像和第一分割结果分别输入第二待训练图像分割网络的上采样层,通过上采样层将第一分辨率图像上采样至与第二分辨率图像尺寸相同的空间域上、以及将第一分割结果上采样至与第二分辨率图像尺寸相同的空间域上;
将上采样后的第一分辨率图像和第二分辨率图像通道连接后输入第二待训练图像分割网络的第三卷积层,通过第三卷积层对上采样后的第一分辨率图像中的像素点特征和第二分辨率图像中的像素点特征进行提取融合,得到第二特征图;
将第二特征图和上采样后的第一分割结果通道连接后输入第二待训练图像分割网络的第四卷积层,得到第二分割结果。
在其中一个实施例中,第一分辨率图像的获取方式,包括:
根据第一分辨率图像中像素点与第二分辨率图像中像素点之间的映射关系,对第二分辨率图像进行图像映射,生成第一分辨率图像。
一种图像分割方法,该方法包括:
获取第一医学图像;
将第一医学图像输入第一图像分割网络中,得到图像分割结果;其中,第一图像分割网络的训练方法包括:
将第一分辨率图像输入第一待训练图像分割网络中,得到第一分割结果;第一分辨率图像为对第二分辨率图像进行图像映射所得到的,第一分辨率图像的分辨率低于第二分辨率图像的分辨率;
将第二分辨率图像和第一分割结果输入第二待训练图像分割网络中,得到第二分割结果;
根据第二分割结果和第二分辨率图像对应的分割标注数据,调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数,以得到训练收敛的第一图像分割网络。
一种图像分割网络的训练装置,该装置包括:
第一分割模块,用于将第一分辨率图像输入第一待训练图像分割网络中,得到第一分割结果;第一分辨率图像为对第二分辨率图像进行图像映射所得到的,第一分辨率图像的分辨率低于第二分辨率图像的分辨率;
第二分割模块,用于将第二分辨率图像和第一分割结果输入第二待训练图像分割网络中,得到第二分割结果;
参数调整模块,用于根据第二分割结果和第二分辨率图像对应的分割标注数据,调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数,以得到训练收敛的第一图像分割网络。
一种图像分割装置,该装置包括:
获取模块,用于获取第一医学图像;
第三分割模块,用于将第一医学图像输入第一图像分割网络中,得到图像分割结果。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行该计算机程序时实现以下步骤:
将第一分辨率图像输入第一待训练图像分割网络中,得到第一分割结果;第一分辨率图像为对第二分辨率图像进行图像映射所得到的,第一分辨率图像的分辨率低于第二分辨率图像的分辨率;
将第二分辨率图像和第一分割结果输入第二待训练图像分割网络中,得到第二分割结果;
根据第二分割结果和第二分辨率图像对应的分割标注数据,调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数,以得到训练收敛的第一图像分割网络。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行该计算机程序时实现以下步骤:
获取第一医学图像;
将第一医学图像输入第一图像分割网络中,得到图像分割结果。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:
将第一分辨率图像输入第一待训练图像分割网络中,得到第一分割结果;第一分辨率图像为对第二分辨率图像进行图像映射所得到的,第一分辨率图像的分辨率低于第二分辨率图像的分辨率;
将第二分辨率图像和第一分割结果输入第二待训练图像分割网络中,得到第二分割结果;
根据第二分割结果和第二分辨率图像对应的分割标注数据,调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数,以得到训练收敛的第一图像分割网络。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取第一医学图像;
将第一医学图像输入第一图像分割网络中,得到图像分割结果。
上述图像分割网络的训练方法、图像分割方法、装置、计算机设备和可读存储介质,能够将第一分辨率图像输入第一待训练图像分割网络中,得到第一分割结果;第一分辨率图像为对第二分辨率图像进行图像映射所得到的,第一分辨率图像的分辨率低于第二分辨率图像的分辨率;将第二分辨率图像和第一分割结果输入第二待训练图像分割网络中,得到第二分割结果;根据第二分割结果和第二分辨率图像对应的分割标注数据,调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数,以得到训练收敛的第一图像分割网络。该方法中,在低分辨率图像无对应的分割标注数据的情况下,利用高分辨率图像和对应的分割标注数据指导低分辨率图像分割网络进行训练,得到收敛的低分辨率图像分割网络,进而由该低分辨率图像分割网络对低分辨率图像进行分割标注,可大大提高分割标注结果的准确性。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中图像分割网络的训练方法的流程示意图;
图2a为一个实施例中高分辨率图像和低分辨率图像的映射关系示意图;
图3为另一个实施例中图像分割网络的训练方法的流程示意图;
图4为一个实施例中第二待训练图像分割网络的网络结构示意图;
图4a为又一个实施例中图像分割网络的训练方法的流程示意图;
图5为另一个实施例中第二待训练图像分割网络的网络结构示意图;
图5a为又一个实施例中图像分割网络的训练方法的流程示意图;
图6为一个实施例中图像分割方法的流程示意图;
图7为一个实施例中图像分割网络的训练装置的结构框图;
图8为一个实施例中图像分割装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的图像分割网络的训练方法,可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器,该存储器中存储有计算机程序,处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选地,该计算机设备还可以包括通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器,该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端通过网络连接通信。可选地,该计算机设备可以是个人计算机(personal computer,简称PC),还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑(portable android device,简称PAD)、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。
在一个实施例中,如图2所示,提供了一种图像分割网络的训练方法,本实施例涉及的是根据高分辨率图像和其对应的分割标注数据对低分辨率图像分割网络进行训练的具体过程。以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
S101,将第一分辨率图像输入第一待训练图像分割网络中,得到第一分割结果;第一分辨率图像为对第二分辨率图像进行图像映射所得到的,第一分辨率图像的分辨率低于第二分辨率图像的分辨率。
其中,第一分辨率图像是指低分辨率图像,第二分辨率图像是指高分辨率图像,且第一分辨率图像可以为对第二分辨率图像进行图像映射所得到的。低分辨率图像中的一个像素点往往包含了高分辨率图像中若干个像素点的综合信息,则低分辨率图像具有与其对应的高分辨率图像不同的像素值分布以及不同的纹理、边缘等细节表示,参见图2a所示,高分辨率图像中每个2×2的像素块可以通过加权求和等方式映射为低分辨率图像中的对应像素点。
具体地,本实施例中的训练数据集为带有分割标注数据的第二分辨率图像,可以记为DN={(x1,y1)、(x2,y2)、...、(xN,yN)},其中N为训练数据数量,xn为第二分辨率图像,可以为二维或三维图像,yn为对应的分割标注数据,yn={yn c},c∈C,C为分割类别集合,yn c为与xn具有相同维数、分辨率及尺寸的0-1二值图像。其中,可以训练数据集中随机选择60%的图像作为训练集,20%的图像作为验证集,剩下的20%的图像作为网络训练完成之后的测试集。当获取到第二分辨率图像后,计算机设备可以将其进行图像映射得到第一分辨率图像,并将第一分辨率图像输入第一待训练图像分割网络(即低分辨率图像分割网络)中,经过一系列的卷积层、池化层、全连接层等处理,得到第一分割结果(即低分辨率图像分割结果),可以记为可选地,在进行图像映射之前,计算机设备还可以对划分好的训练集,在训练过程中对其进行取值标准化以及随机的数据增强,包括且不限于固定分辨率与尺寸的随机裁切、翻转、旋转、对比度调整等。
可选地,上述第一待训练图像分割网络可以为神经网络,如循环神经网络、卷积神经网络等;可选地,该第一待训练图像分割网络可以为V-Net网络、U-Net网络等。
S102,将第二分辨率图像和第一分割结果输入第二待训练图像分割网络中,得到第二分割结果。
具体地,计算机设备将第二分辨率图像和上述得到的第一分割结果输入第二待训练图像分割网络(即高分辨率图像分割网络)中,得到第二分割结果(即高分辨率图像分割结果),可以记为y~。可选地,该第二待训练图像分割网络可以为仅包括卷积层和上采样层的神经网络,因本实施例的目的是训练一个低分辨率图像分割网络,则此处的高分辨率图像分割网络选择尽可能简单的结构。
可选地,通过第二待训练图像分割网络,可以将第一分割结果上采样至与第二分辨率图像相同的空间域上,如采用最近邻插值或线性插值方法,将第一分割结果统一到第二分辨率图像空间上;再对上采样后的第一分割结果和第二分辨率图像进行卷积操作,通过卷积层提取上采样后的第一分割结果和第二分辨率图像的特征进行融合,便可以得到第二分割结果。可以得知,确定第二分割结果的过程需综合第一分割结果的信息,那么由此便建立了第二分割结果和第一分割结果之间的联系,为后续的损失传播奠定了数据基础。
S103,根据第二分割结果和第二分辨率图像对应的分割标注数据调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数,以得到训练收敛的第一图像分割网络。
具体地,由上述可知,训练数据集中只包括第二分辨率图像对应的分割标注数据,并没有第一分辨率图像对应的分割标注数据,但是上述第二分割结果与第一分割结果之间存在了相关联系。那么本实施例中,计算机设备可以根据第二分割结果和第二分辨率图像对应的分割标注数据去同时调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数,即借助高分辨率图像的分割标注数据,在低分辨率图像无标注的情况下指导低分辨率图像分割网络进行训练,以得到训练收敛的第一图像分割网络(即低分辨率图像分割网络)。需要说明的是,因本实施例中根据第二分割结果和第二分辨率图像对应的分割标注数据同时调整的还有第二待训练图像分割网络,则最终还会得到收敛的第二图像分割网络,但在实际使用场景中,只需使用第一图像分割网络即可。
可选地,在得到训练收敛的第一图像分割网络之后,便可以利用该网络对低分辨率图像进行分割处理,得到准确性较高的分割标注结果。
本实施例提供的图像分割网络的训练方法,计算机设备可以将由第二分辨率图像进行图像映射所得到的第一分辨率图像输入第一待训练图像分割网络中,得到第一分割结果,其中,第一分辨率图像的分辨率低于第二分辨率图像的分辨率;然后将第二分辨率图像和第一分割结果输入第二待训练图像分割网络中,得到第二分割结果;最后根据第二分割结果和第二分辨率图像对应的分割标注数据,调整第一待训练图像分割网络和第二待训练图像分割网络。该方法中,在低分辨率图像无对应的分割标注数据的情况下,利用高分辨率图像和对应的分割标注数据指导低分辨率图像分割网络进行训练,得到收敛的低分辨率图像分割网络,进而由该低分辨率图像分割网络对低分辨率图像进行分割标注,可大大提高分割标注结果的准确性。
在一个实施例中,因相较于第一待训练图像分割网络来说,第二待训练图像分割网络的网络结构较简单,那么通常第二待训练图像分割网络的收敛速度会较快,为更好的指导第一待训练图像分割网络的训练过程,计算机设备可以设置第二待训练图像分割网络的学习率和第一带训练图像分割网络的学习率,其中第二待训练图像分割网络的学习率小于第一待训练图像分割网络的学习率,使得第二待训练图像分割网络的收敛速度与第一待训练图像分割网络的收敛速度匹配,即可以近似同时达到收敛状态。
在其中一个实施例中,计算机设备可以采用损失函数来调整各待训练图像分割网络的网络参数,本实施例涉及的是根据第二分割结果和第二分辨率图像对应的分割标注数据调整各待训练图像分割网路的网络参数的具体过程。可选地,如图3所示,上述S103可以包括:
S201,计算第二分割结果和分割标注数据之间的第一损失,根据第一损失调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数。
具体地,计算机设备可以计算第二分割结果和第二分辨率图像对应的分割标注数据之间的第一损失,可选地,可以根据的关系式计算第一损失,其中,wc为类别c的权重,为第二分割结果,yc,i为分割标注数据。通过回传损失函数,可以端到端地调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数,从而将高分辨率图像的分割任务作为教师,引导低分辨图像分割网络的参数更新。
可选地,计算机设备还可以根据预设规则,计算第一分割结果和第二分辨率图像对应的分割标注数据之间的第二损失,该预设规则用于表征第二分辨率图像的像素点中,与第一分辨率图像中当前像素点所对应的像素点的分割标注数据分布;其中,参见图2a所示,预设规则可以理解为:第一分辨率图像中左下方的一个像素块对应的是第二分辨率图像中左下2×2的像素块,若该2×2像素块的分割标注类别全都相同或全都不同时,则计算第一分辨率图像中该像素块的第一分割结果和第二分辨率图像对应的分割标注数据之间的第二损失,其余情况则不计算。通过计算第二损失可以加速各待训练图像分割网络的收敛并避免低分辨率图像上的明显分割错误。
可选地,计算机设备可以根据的关系式计算第二损失,其中,为第一分割结果,S为第二分辨率图像中的像素点集合。然后,计算机设备根据第一损失和第二损失调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数;可选地,可以对第一损失和第二损失进行加权求和、或平均求和、或直接求和等方式,来调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数。
可选地,上述损失函数还可以为Binary Cross Entropy(BCE)损失函数、FocalLoss损失函数等,也可以为各类损失函数的加权和的方式,本实施例对此不做限制。
本实施例提供的图像分割网络的训练方法,计算机设备通过计算第二分割结果和分割标注数据之间的第一损失、以及第一分割结果和分割标注数据之间的第二损失,进而回传损失函数以调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数,进而得到收敛的第一图像分割网络。该方法中,通过高分辨率图像对应的分割标注数据分别与低分辨率分割结果和高分辨率分割结果计算相应的损失,以指导低分辨率图像分割网络进行训练,进而由该低分辨率图像分割网络对低分辨率图像进行分割标注,可大大提高分割标注结果的准确性。
在一个实施例中,如图4所示,上述第二待训练图像分割网络可以包括上采样层、第一卷积层和第二卷积层,上采样层和第一卷积层分别与第二卷积层连接;在此网络结构基础上,可选地,如图4a所示,上述S102可以包括:
S301,将第一分割结果输入第二待训练图像分割网络的上采样层,通过上采样层将第一分割结果上采样至与第二分辨率图像尺寸相同的空间域上。
S302,将第二分辨率图像输入第二待训练图像分割网络的第一卷积层,通过第一卷积层对第二分辨率图像中的像素点特征进行提取,得到第一特征图。
S303,将上采样后的第一分割结果和第一特征图通道连接后输入第二待训练图像分割网络的第二卷积层,得到第二分割结果。
具体地,计算机设备可以将第一分割结果输入上采样层,该上采样层采用最近邻插值方法或线性插值方法可以将第一分割结果上采样至与第二分辨率图像尺寸相同的空间域上,此时的第一分割结果可以为一个双通道的概率图。然后计算机设备将第二分辨率图像输入第一卷积层,通过第一卷积层的卷积操作提取其中像素点的特征,得到第一特征图,此时的第一特征图可以为一个K通道图像,其中,第一卷积层在卷积过程中没有改变第二分辨率图像的分辨率,得到的第一特征图与第二分辨率图像具有相同的尺寸大小(或分辨率)。那么计算机设备将上采样后的第一分割结果和第一特征图通道连接后,可以形成一个K+2通道的图像输入第二卷积层,该第二卷积层可以借鉴第一分割结果对第一特征图对应的像素点进行类别标注,即标注出每个像素点属于目标区域或背景区域的类别,便得到第二分割结果,其中,第二卷积层在卷积过程中没有改变通道连接后的图像分辨率,得到的第二分割结果与第二分辨率图像也具有相同的尺寸大小。由此,可通过第一分割结果建立高分辨率图像分割网络与低分辨率图像分割网络之间的联系,那么在后续损失函数回传时,可提高回传至低分辨率图像分割网络时损失的准确性。
由上述实施例可知,第一分辨率图像是由第二分辨率图像进行图像映射所得到的,则两个图像之间存在一定的映射关系或特征关联,那么第二待训练图像分割网络在对第二分辨率图像进行分割时,还可以借助第一分辨率图像的图像特征。可选地,计算机设备还可以将第一分辨率图像、第二分辨率图像和第一分割结果输入第二待训练图像分割网络中,得到第二分割结果。如图5所示,第二待训练图像分割网络可以包括上采样层、第三卷积层和第四卷积层,上采样层分别与第三卷积层、第四卷积层连接,第三卷积层与第四卷积层连接;在此网络结构的基础上,可选地,如图5a所示,上述S102可以包括:
S401,将第一分辨率图像和第一分割结果分别输入第二待训练图像分割网络的上采样层,通过上采样层将第一分辨率图像上采样至与第二分辨率图像尺寸相同的空间域上、以及将第一分割结果上采样至与第二分辨率图像尺寸相同的空间域上。
S402,将上采样后的第一分辨率图像和第二分辨率图像通道连接后输入第二待训练图像分割网络的第三卷积层,通过第三卷积层对上采样后的第一分辨率图像中的像素点特征和第二分辨率图像中的像素点特征进行提取融合,得到第二特征图。
S403,将第二特征图和上采样后的第一分割结果通道连接后输入第二待训练图像分割网络的第四卷积层,得到第二分割结果。
具体地,首先通过第二待训练图像分割网络中的上采样层,将第一分辨率图像和第一分割结果分别上采样至与第二分辨率图像尺寸相同的空间域上;可选地,可以采用最近邻插值或线性插值方法,将第一分辨率图像和第一分割结果统一到第二分辨率图像空间上;可选地,还可以使用转置卷积,通过设置卷积核大小和步长等参数改变第一分辨率图像的尺寸,转换到第二分辨率图像空间上。然后可以将上采样后的第一分辨率图像和第二分辨率图像通道连接后输入第三卷积层,使用该第三卷积层的卷积操作提取两个图像中的像素点特征并进行融合,得到融合特征图(即第二特征图),其中,第三卷积层在卷积过程中没有改变两个图像的分辨率,得到的融合特征图与第二分辨率图像具有相同的尺寸大小(或分辨率)。最后再使用第四卷积层借鉴上采样后的第一分割结果对融合特征图对应的像素点进行类别标注,进而得到第二分割结果,其中,第四卷积层在卷积过程同样中没有改变通道连接后的图像分辨率,得到的第二分割结果与第二分辨率图像也具有相同的尺寸大小。
可选地,计算机设备还可以直接将上采样后的第一分辨率图像、第二分辨率图像、上采样后的第一分割结果通过三个通道一同输入卷积层中,进行卷积操作以得到第二分割结果。
本实施例提供的图像分割网络的训练方法,计算机设备还可以将第一分辨率图像、第二分辨率图像以及第一分割结果共同输入第二待训练图像分割网络中,由第二待训练图像分割网络充分综合低分辨图像和分割结果的特征对高分辨率图像进行分割,可紧密高分辨率图像与低分辨率图像之间的联系;那么在后续损失函数回传时,可提高回传至低分辨率图像分割网络时损失的准确性,进而准确的调整低分辨率图像分割网络的网络参数,提高低分辨率图像分割网络的网络精度。
可选地,在一个实施例中,上述第一分辨率图像的获取方式,可以包括:根据第一分辨率图像中像素点与第二分辨率图像中像素点之间的映射关系,对第二分辨率图像进行图像映射,生成所述第一分辨率图像。具体地,对于第一分辨率图像中任一像素点索引i,都会在第二分辨率图像中存在像素点索引集合Si和映射关系f,使得那么根据该映射关系,计算机设备可以对第二分辨率图像进行图像映射,生成第一分辨率图像。
上述实施例介绍的是图像分割网络的训练方法的实现过程,当第一图像分割网络训练完成后,便可以用于低分辨率图像的分割任务。在一个实施例中,提供了一种图像分割方法,涉及的是使用第一图像分割网络对医学图像进行分割处理的具体过程。如图6所示,该方法包括:
S501,获取第一医学图像;
S502,将第一医学图像输入第一图像分割网络中,得到图像分割结果;其中,第一图像分割网络的训练方法包括上述实施例中的方法。
具体地,第一医学图像为低分辨率图像,该第一医学图像可以为直接由医疗设备采集得到的,也可以为由高分辨率图像进行图像映射得到的。可选地,第一医学图像的获取方法可以包括:获取第二医学图像(即高分辨图像),对第二医学图像进行图像映射,生成第一医学图像;而图像映射的具体过程可以参见上述实施例的描述,第一图像分割网络的处理过程和上述第一待训练图像分割网络的处理过程类似,在此不再赘述。
本实施例提供的图像分割方法,第一图像分割网络是利用高分辨率图像和对应的分割标注数据进行指导训练得到的,进而由该第一图像分割网络对低分辨率图像进行分割标注,可大大提高分割标注结果的准确性。
应该理解的是,虽然图2-图6的流程图中各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-图6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种图像分割网络的训练装置,包括:第一分割模块11、第二分割模块12和参数调整模块13。
具体地,第一分割模块11,用于将第一分辨率图像输入第一待训练图像分割网络中,得到第一分割结果;第一分辨率图像为对第二分辨率图像进行图像映射所得到的,第一分辨率图像的分辨率低于第二分辨率图像的分辨率;
第二分割模块12,用于将第二分辨率图像和第一分割结果输入第二待训练图像分割网络中,得到第二分割结果;
参数调整模块13,用于根据第二分割结果和第二分辨率图像对应的分割标注数据,调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数,以得到训练收敛的第一图像分割网络。
本实施例提供的图像分割网络的训练装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,上述装置还包括设置模块,用于设置第二待训练图像分割网络的学习率和第一待训练图像分割网络的学习率;其中第二待训练图像分割网络的学习率小于第一待训练图像分割网络的学习率,使得第二待训练图像分割网络的收敛速度与第一待训练图像分割网络的收敛速度匹配。
在一个实施例中,参数调整模块13,具体用于计算第二分割结果和分割标注数据之间的第一损失,根据第一损失调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数。
在一个实施例中,参数调整模块13,具体用于根据预设规则,计算第一分割结果和分割标注数据之间的第二损失;该预设规则用于表征第二分辨率图像的像素点中,与第一分辨率图像中当前像素点所对应的像素点的分割标注数据分布;根据第一损失和第二损失,调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数。
在一个实施例中,第二分割模块12,具体用于将第一分割结果输入第二待训练图像分割网络的上采样层,通过上采样层将第一分割结果上采样至与第二分辨率图像尺寸相同的空间域上;将第二分辨率图像输入第二待训练图像分割网络的第一卷积层,通过第一卷积层对第二分辨率图像中的像素点特征进行提取,得到第一特征图;将上采样后的第一分割结果和第一特征图通道连接后输入第二待训练图像分割网络的第二卷积层,得到第二分割结果。
在一个实施例中,第二分割模块12,具体用于将第一分辨率图像、第二分辨率图像和第一分割结果输入第二待训练图像分割网络中,得到第二分割结果。
在一个实施例中,第二分割模块12,具体用于将第一分辨率图像和第一分割结果分别输入第二待训练图像分割网络的上采样层,通过上采样层将第一分辨率图像上采样至与第二分辨率图像尺寸相同的空间域上、以及将第一分割结果上采样至与第二分辨率图像尺寸相同的空间域上;将上采样后的第一分辨率图像和第二分辨率图像通道连接后输入第二待训练图像分割网络的第三卷积层,通过第三卷积层对上采样后的第一分辨率图像中的像素点特征和第二分辨率图像中的像素点特征进行提取融合,得到第二特征图;将第二特征图和上采样后的第一分割结果通道连接后输入第二待训练图像分割网络的第四卷积层,得到第二分割结果。
在一个实施例中,上述装置还包括图像生成模块,用于根据第一分辨率图像中像素点与第二分辨率图像中像素点之间的映射关系,对第二分辨率图像进行图像映射,生成第一分辨率图像。
在一个实施例中,如图8所示,提供了一种图像分割装置,包括:获取模块21和第三分割模块22。
具体地,获取模块21,用于获取第一医学图像;
第三分割模块22,用于将第一医学图像输入第一图像分割网络中,得到图像分割结果,第一图像分割网络的训练方法包括上述图像分割网络的训练装置所执行的方法。
本实施例提供的图像分割装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于图像分割网络的训练装置和图像分割装置的具体限定可以参见上文中对于图像分割网络的训练方法和图像分割方法的限定,在此不再赘述。上述图像分割网络的训练装置和图像分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像分割网络的训练方法或图像分割方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
将第一分辨率图像输入第一待训练图像分割网络中,得到第一分割结果;第一分辨率图像为对第二分辨率图像进行图像映射所得到的,第一分辨率图像的分辨率低于第二分辨率图像的分辨率;
将第二分辨率图像和第一分割结果输入第二待训练图像分割网络中,得到第二分割结果;
根据第二分割结果和第二分辨率图像对应的分割标注数据,调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数,以得到训练收敛的第一图像分割网络。
本实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
设置第二待训练图像分割网络的学习率和第一待训练图像分割网络的学习率;其中第二待训练图像分割网络的学习率小于第一待训练图像分割网络的学习率,使得第二待训练图像分割网络的收敛速度与第一待训练图像分割网络的收敛速度匹配。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
计算第二分割结果和分割标注数据之间的第一损失,根据第一损失调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据预设规则,计算第一分割结果和分割标注数据之间的第二损失;该预设规则用于表征第二分辨率图像的像素点中,与第一分辨率图像中当前像素点所对应的像素点的分割标注数据分布;
相应的,处理器执行计算机程序时还实现以下步骤:
根据第一损失和第二损失,调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将第一分割结果输入第二待训练图像分割网络的上采样层,通过上采样层将第一分割结果上采样至与第二分辨率图像尺寸相同的空间域上;
将第二分辨率图像输入第二待训练图像分割网络的第一卷积层,通过第一卷积层对第二分辨率图像中的像素点特征进行提取,得到第一特征图;
将上采样后的第一分割结果和第一特征图通道连接后输入第二待训练图像分割网络的第二卷积层,得到第二分割结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将第一分辨率图像、第二分辨率图像和第一分割结果输入第二待训练图像分割网络中,得到第二分割结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将第一分辨率图像和第一分割结果分别输入第二待训练图像分割网络的上采样层,通过上采样层将第一分辨率图像上采样至与第二分辨率图像尺寸相同的空间域上、以及将第一分割结果上采样至与第二分辨率图像尺寸相同的空间域上;
将上采样后的第一分辨率图像和第二分辨率图像通道连接后输入第二待训练图像分割网络的第三卷积层,通过第三卷积层对上采样后的第一分辨率图像中的像素点特征和第二分辨率图像中的像素点特征进行提取融合,得到第二特征图;
将第二特征图和上采样后的第一分割结果通道连接后输入第二待训练图像分割网络的第四卷积层,得到第二分割结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据第一分辨率图像中像素点与第二分辨率图像中像素点之间的映射关系,对第二分辨率图像进行图像映射,生成第一分辨率图像。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取第一医学图像;
将第一医学图像输入第一图像分割网络中,得到图像分割结果;第一图像分割网络的训练方法包括上述实施例中的方法。
本实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
将第一分辨率图像输入第一待训练图像分割网络中,得到第一分割结果;第一分辨率图像为对第二分辨率图像进行图像映射所得到的,第一分辨率图像的分辨率低于第二分辨率图像的分辨率;
将第二分辨率图像和第一分割结果输入第二待训练图像分割网络中,得到第二分割结果;
根据第二分割结果和第二分辨率图像对应的分割标注数据,调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数,以得到训练收敛的第一图像分割网络。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
设置第二待训练图像分割网络的学习率和第一待训练图像分割网络的学习率;其中第二待训练图像分割网络的学习率小于第一待训练图像分割网络的学习率,使得第二待训练图像分割网络的收敛速度与第一待训练图像分割网络的收敛速度匹配。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
计算第二分割结果和分割标注数据之间的第一损失,根据第一损失调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据预设规则,计算第一分割结果和分割标注数据之间的第二损失;该预设规则用于表征第二分辨率图像的像素点中,与第一分辨率图像中当前像素点所对应的像素点的分割标注数据分布;
相应的,计算机程序被处理器执行时还实现以下步骤:
根据第一损失和第二损失,调整第一待训练图像分割网络和第二待训练图像分割网络的网络参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将第一分割结果输入第二待训练图像分割网络的上采样层,通过上采样层将第一分割结果上采样至与第二分辨率图像尺寸相同的空间域上;
将第二分辨率图像输入第二待训练图像分割网络的第一卷积层,通过第一卷积层对第二分辨率图像中的像素点特征进行提取,得到第一特征图;
将上采样后的第一分割结果和第一特征图通道连接后输入第二待训练图像分割网络的第二卷积层,得到第二分割结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将第一分辨率图像、第二分辨率图像和第一分割结果输入第二待训练图像分割网络中,得到第二分割结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将第一分辨率图像和第一分割结果分别输入第二待训练图像分割网络的上采样层,通过上采样层将第一分辨率图像上采样至与第二分辨率图像尺寸相同的空间域上、以及将第一分割结果上采样至与第二分辨率图像尺寸相同的空间域上;
将上采样后的第一分辨率图像和第二分辨率图像通道连接后输入第二待训练图像分割网络的第三卷积层,通过第三卷积层对上采样后的第一分辨率图像中的像素点特征和第二分辨率图像中的像素点特征进行提取融合,得到第二特征图;
将第二特征图和上采样后的第一分割结果通道连接后输入第二待训练图像分割网络的第四卷积层,得到第二分割结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据第一分辨率图像中像素点与第二分辨率图像中像素点之间的映射关系,对第二分辨率图像进行图像映射,生成第一分辨率图像。
在一个实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取第一医学图像;
将第一医学图像输入第一图像分割网络中,得到图像分割结果;第一图像分割网络的训练方法包括上述实施例中的方法。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像分割网络的训练方法,其特征在于,所述方法包括:
将第一分辨率图像输入第一待训练图像分割网络中,得到第一分割结果;所述第一分辨率图像为对第二分辨率图像进行图像映射所得到的,所述第一分辨率图像的分辨率低于所述第二分辨率图像的分辨率;
将所述第二分辨率图像和所述第一分割结果输入第二待训练图像分割网络中,得到第二分割结果;
根据所述第二分割结果和所述第二分辨率图像对应的分割标注数据,调整所述第一待训练图像分割网络和所述第二待训练图像分割网络的网络参数,以得到训练收敛的第一图像分割网络。
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:
设置所述第二待训练图像分割网络的学习率和所述第一待训练图像分割网络的学习率;其中所述第二待训练图像分割网络的学习率小于所述第一待训练图像分割网络的学习率,使得所述第二待训练图像分割网络的收敛速度与所述第一待训练图像分割网络的收敛速度匹配。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第二分割结果和所述第二分辨率图像对应的分割标注数据,调整所述第一待训练图像分割网络和所述第二待训练图像分割网络的网络参数,包括:
计算所述第二分割结果和所述分割标注数据之间的第一损失,根据所述第一损失调整所述第一待训练图像分割网络和所述第二待训练图像分割网络的网络参数。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
根据预设规则,计算所述第一分割结果和所述分割标注数据之间的第二损失;所述预设规则用于表征所述第二分辨率图像的像素点中,与第一分辨率图像中当前像素点所对应的像素点的分割标注数据分布;
相应的,所述根据所述第一损失调整所述第一待训练图像分割网络和所述第二待训练图像分割网络的网络参数,包括:
根据所述第一损失和所述第二损失,调整所述第一待训练图像分割网络和所述第二待训练图像分割网络的网络参数。
5.根据权利要求1所述的方法,其特征在于,所述将所述第二分辨率图像和所述第一分割结果输入第二待训练图像分割网络中,得到第二分割结果,包括:
将所述第一分割结果输入所述第二待训练图像分割网络的上采样层,通过所述上采样层将所述第一分割结果上采样至与所述第二分辨率图像尺寸相同的空间域上;
将所述第二分辨率图像输入所述第二待训练图像分割网络的第一卷积层,通过所述第一卷积层对所述第二分辨率图像中的像素点特征进行提取,得到第一特征图;
将上采样后的第一分割结果和所述第一特征图通道连接后输入所述第二待训练图像分割网络的第二卷积层,得到所述第二分割结果。
6.根据权利要求1所述的方法,其特征在于,所述将所述第二分辨率图像和所述第一分割结果输入第二待训练图像分割网络中,得到第二分割结果,包括:
将所述第一分辨率图像、所述第二分辨率图像和所述第一分割结果输入所述第二待训练图像分割网络中,得到第二分割结果。
7.根据权利要求6所述的方法,其特征在于,所述将所述第一分辨率图像、所述第二分辨率图像和所述第一分割结果输入所述第二待训练图像分割网络中,得到第二分割结果,包括:
将所述第一分辨率图像和所述第一分割结果分别输入所述第二待训练图像分割网络的上采样层,通过所述上采样层将所述第一分辨率图像上采样至与所述第二分辨率图像尺寸相同的空间域上、以及将所述第一分割结果上采样至与所述第二分辨率图像尺寸相同的空间域上;
将上采样后的第一分辨率图像和所述第二分辨率图像通道连接后输入所述第二待训练图像分割网络的第三卷积层,通过所述第三卷积层对上采样后的第一分辨率图像中的像素点特征和所述第二分辨率图像中的像素点特征进行提取融合,得到第二特征图;
将所述第二特征图和上采样后的第一分割结果通道连接后输入所述第二待训练图像分割网络的第四卷积层,得到所述第二分割结果。
8.根据权利要求1所述的方法,其特征在于,所述第一分辨率图像的获取方式,包括:
根据第一分辨率图像中像素点与第二分辨率图像中像素点之间的映射关系,对所述第二分辨率图像进行图像映射,生成所述第一分辨率图像。
9.一种图像分割方法,其特征在于,所述方法包括:
获取第一医学图像;
将所述第一医学图像输入第一图像分割网络中,得到图像分割结果;其中,所述第一图像分割网络的训练方法包括权利要求1-8中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010374114.8A CN111583264B (zh) | 2020-05-06 | 2020-05-06 | 图像分割网络的训练方法、图像分割方法和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010374114.8A CN111583264B (zh) | 2020-05-06 | 2020-05-06 | 图像分割网络的训练方法、图像分割方法和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111583264A true CN111583264A (zh) | 2020-08-25 |
CN111583264B CN111583264B (zh) | 2024-02-27 |
Family
ID=72111974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010374114.8A Active CN111583264B (zh) | 2020-05-06 | 2020-05-06 | 图像分割网络的训练方法、图像分割方法和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111583264B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950553A (zh) * | 2021-02-05 | 2021-06-11 | 慧影医疗科技(北京)有限公司 | 一种多尺度肺叶分割方法、系统、存储介质及电子设备 |
CN116612146A (zh) * | 2023-07-11 | 2023-08-18 | 淘宝(中国)软件有限公司 | 图像处理方法、装置、电子设备以及计算机存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180061091A1 (en) * | 2016-08-31 | 2018-03-01 | International Business Machines Corporation | Anatomy segmentation through low-resolution multi-atlas label fusion and corrective learning |
CN108665475A (zh) * | 2018-05-15 | 2018-10-16 | 北京市商汤科技开发有限公司 | 神经网络训练、图像处理方法、装置、存储介质和电子设备 |
CN109919954A (zh) * | 2019-03-08 | 2019-06-21 | 广州视源电子科技股份有限公司 | 目标对象的识别方法和装置 |
CN110363774A (zh) * | 2019-06-17 | 2019-10-22 | 上海联影智能医疗科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN110570407A (zh) * | 2019-08-29 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 图像处理方法、存储介质及计算机设备 |
US20190392267A1 (en) * | 2018-06-20 | 2019-12-26 | International Business Machines Corporation | Framework for integrating deformable modeling with 3d deep neural network segmentation |
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 |
CN110809784A (zh) * | 2017-09-27 | 2020-02-18 | 谷歌有限责任公司 | 高分辨率图像分割的端到端网络模型 |
-
2020
- 2020-05-06 CN CN202010374114.8A patent/CN111583264B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180061091A1 (en) * | 2016-08-31 | 2018-03-01 | International Business Machines Corporation | Anatomy segmentation through low-resolution multi-atlas label fusion and corrective learning |
CN110809784A (zh) * | 2017-09-27 | 2020-02-18 | 谷歌有限责任公司 | 高分辨率图像分割的端到端网络模型 |
CN108665475A (zh) * | 2018-05-15 | 2018-10-16 | 北京市商汤科技开发有限公司 | 神经网络训练、图像处理方法、装置、存储介质和电子设备 |
US20190392267A1 (en) * | 2018-06-20 | 2019-12-26 | International Business Machines Corporation | Framework for integrating deformable modeling with 3d deep neural network segmentation |
CN109919954A (zh) * | 2019-03-08 | 2019-06-21 | 广州视源电子科技股份有限公司 | 目标对象的识别方法和装置 |
CN110363774A (zh) * | 2019-06-17 | 2019-10-22 | 上海联影智能医疗科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN110570407A (zh) * | 2019-08-29 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 图像处理方法、存储介质及计算机设备 |
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 |
Non-Patent Citations (2)
Title |
---|
SHIHAO ZHANG ET AL.: "guided M-Net for high-resolution biomedical image segmentation with weak boundaries", 《OPHTHALMIC MEDICAL IMAGE ANALYSIS》, 8 October 2019 (2019-10-08), pages 43 - 51 * |
贺光华;祝汉灿;梁克维;: "低分辨率医学图像的多图谱分割方法", 高校应用数学学报A辑, no. 03, 15 September 2017 (2017-09-15), pages 123 - 130 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950553A (zh) * | 2021-02-05 | 2021-06-11 | 慧影医疗科技(北京)有限公司 | 一种多尺度肺叶分割方法、系统、存储介质及电子设备 |
CN116612146A (zh) * | 2023-07-11 | 2023-08-18 | 淘宝(中国)软件有限公司 | 图像处理方法、装置、电子设备以及计算机存储介质 |
CN116612146B (zh) * | 2023-07-11 | 2023-11-17 | 淘宝(中国)软件有限公司 | 图像处理方法、装置、电子设备以及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111583264B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240160937A1 (en) | Training image-to-image translation neural networks | |
CN109493417B (zh) | 三维物体重建方法、装置、设备和存储介质 | |
CN109858333B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN111027563A (zh) | 一种文本检测方法、装置及识别系统 | |
CN110751149B (zh) | 目标对象标注方法、装置、计算机设备和存储介质 | |
KR20210036845A (ko) | 실내 위치추정을 위한 준지도 변분 오토인코더 | |
CN111161269B (zh) | 图像分割方法、计算机设备和可读存储介质 | |
WO2023035531A1 (zh) | 文本图像超分辨率重建方法及其相关设备 | |
US20220375211A1 (en) | Multi-layer perceptron-based computer vision neural networks | |
CN110211195B (zh) | 生成图像集合的方法、装置、电子设备和计算机可读存储介质 | |
CN111583264B (zh) | 图像分割网络的训练方法、图像分割方法和存储介质 | |
CN111583184A (zh) | 图像分析方法、网络、计算机设备和存储介质 | |
CN111488872A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN110969641A (zh) | 图像处理方法和装置 | |
CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
CN114387289B (zh) | 输配电架空线路三维点云语义分割方法和装置 | |
CN116843901A (zh) | 医学图像分割模型训练方法和医学图像分割方法 | |
CN110309855B (zh) | 图像分割的训练方法、计算机设备及存储介质 | |
CN115984856A (zh) | 文档图像矫正模型的训练方法、文档图像的矫正方法 | |
CN113516697A (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 | |
CN113592881A (zh) | 图片指代性分割方法、装置、计算机设备和存储介质 | |
CN111489318B (zh) | 医学图像增强方法和计算机可读存储介质 | |
CN111898619A (zh) | 图片特征提取方法、装置、计算机设备和可读存储介质 | |
CN110717405B (zh) | 人脸特征点定位方法、装置、介质及电子设备 | |
CN117332766A (zh) | 流程图生成方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |