CN111932547B - 图像中目标物的分割方法、装置、电子设备及存储介质 - Google Patents

图像中目标物的分割方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111932547B
CN111932547B CN202011015764.XA CN202011015764A CN111932547B CN 111932547 B CN111932547 B CN 111932547B CN 202011015764 A CN202011015764 A CN 202011015764A CN 111932547 B CN111932547 B CN 111932547B
Authority
CN
China
Prior art keywords
image
segmentation
target object
classification
coding
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
Application number
CN202011015764.XA
Other languages
English (en)
Other versions
CN111932547A (zh
Inventor
叶苓
李楠楠
刘新卉
黄凌云
刘玉宇
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011015764.XA priority Critical patent/CN111932547B/zh
Publication of CN111932547A publication Critical patent/CN111932547A/zh
Priority to PCT/CN2020/131993 priority patent/WO2021189913A1/zh
Application granted granted Critical
Publication of CN111932547B publication Critical patent/CN111932547B/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
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06F18/24—Classification techniques
    • 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
    • G06T2207/10116—X-ray image
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术，揭露了一种图像中目标物的分割方法，包括：对标注图像集进行编码，得到第一编码特征和第二编码特征；对第一编码特征和第二编码特征分别进行分类处理；对第一编码特征进行分割处理；根据分类处理和分割处理的结果构建分割损失函数和构建分类损失函数并优化目标物分割模型，得到标准目标物分割模型；利用标准目标物分割模型对待分割图像进行目标物分割，得到分割结果。本发明还提出了图像中目标物的分割装置、设备及存储介质。此外，本发明还涉及区块链技术，标注图像集可存储于区块链节点中。本发明可应用于肺部病灶分割。本发明可以提高低精度标注数据数量多于高精度标注数据时图像中目标物分割的效率和准确率。

Description

图像中目标物的分割方法、装置、电子设备及存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像中目标物的分割方法、装置、电子设备及计算机可读存储介质。
背景技术
目前通过医学影像图片（如X光胸片）将病灶分割出来以进行疾病的早期判断，是提高患者健康最有效的途径。目前，随着人们健康意识的提升，各大医院与医疗机构的医学影像图片的数量呈爆炸式增长。
在对海量的医学影像图片进行病灶分割时，现有的处理方法通常是针对同一病灶分别训练不同的神经网络模型以利用多个神经网络模型共同实现病灶的分割。例如，X光胸片中病灶的分割需要训练病灶外部位排阴模型、病灶位置的检测模型、病灶边缘的勾勒模型等。然而，若无法获得大量高精度标注数据，训练出来的模型对病灶进行分割的精确度较差，即高精度标注数据的数量小于低精度标注数据的数量时，病灶分割的精确度较差。并且，多个单独的模型分别对图像进行不同操作以共同实现病灶分割时会出现每个模型的效率不一致造成总体分割过程中分割的效率不高。因此，如何在低精度标注数据数量多于高精度标注数据时进行高效和准确的病灶分割，成为亟待解决的问题。
发明内容
本发明提供一种图像中目标物的分割方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高低精度标注数据数量多于高精度标注数据时病灶分割的效率和准确率。
为实现上述目的，本发明提供的一种图像中目标物的分割方法，包括：
获取目标物分割模型，其中，所述目标物分割模型中包含预处理子模型、共享编码子模型、分类子模型和分割子模型；
获取标注图像集，其中，所述标注图像集包括弱标注图像子集和强标注图像子集，所述弱标注图像子集中的弱标注图像标注出图像内是否含有目标物，所述强标注图像子集中的强标注图像标注出目标物及目标物的位置；
利用所述预处理子模型对所述标注图像集进行图像预处理；
利用所述共享编码子模型对预处理后的所述标注图像集进行编码，得到所述标注图像集的编码特征，其中，所述标注图像集的编码特征包括强标注图像子集中强标注图像的第一编码特征和弱标注图像子集中弱标注图像的第二编码特征；
利用所述分类子模型对所述第一编码特征和所述第二编码特征分别进行分类处理，得到强标注图像分类结果以及弱标注图像分类结果；
利用所述分割子模型对所述强标注图像子集中强标注图像的第一编码特征进行分割处理，得到强标注图像分割结果；
根据所述强标注图像分类结果与所述强标注图像分割结果构建分割损失函数，根据所述弱标注图像分类结果构建分类损失函数；
利用所述分割损失函数及分类损失函数对所述目标物分割模型进行优化，得到标准目标物分割模型；
获取待分割图像，利用所述标准目标物分割模型对所述待分割图像进行目标物分割，得到分割结果。
可选地，所述利用所述共享编码子模型对预处理后的所述标注图像集进行编码，得到所述标注图像集的编码特征，包括：
利用所述共享编码子模型对预处理后的所述标注图像集中的所有标注图像进行卷积处理，得到卷积图像集；
对所述卷积图像集中的所有卷积图像进行池化处理，得到所述标注图像集的编码特征。
可选地，所述利用所述分类子模型对所述第一编码特征进行分类处理，得到强标注图像分类结果，包括：
利用所述分类子模型对所述强标注图像子集中强标注图像的第一编码特征进行全连接处理，得到全连接特征；
利用第一激活函数计算所述全连接特征属于第一预设类别的第一类别概率；
根据所述第一类别概率对所述强标注图像子集中强标注图像的第一编码特征进行分类处理，得到强标注图像分类结果。
可选地，所述利用所述分割子模型对所述强标注图像子集中强标注图像的第一编码特征进行分割处理，得到强标注图像分割结果，包括：
将所述强标注图像子集中强标注图像的第一编码特征进行第一阈值倍数的上采样，得到中间特征图；
将所述中间特征图进行第二阈值倍数的上采样，得到复原图像；
利用第二激活函数计算所述复原图像中各像素点属于第二预设类别的第二类别概率；
根据所述第二类别概率对所述强标注图像子集中强标注图像的第一编码特征进行分割处理，得到强标注图像分割结果。
可选地，所述利用所述分割损失函数及分类损失函数对所述目标物分割模型进行优化，包括：
确定所述目标物分割模型的目标迭代次数；
计算所述分类损失函数的分类损失值；
计算所述分割损失函数的分割损失值；
利用梯度下降算法轮流基于所述分类损失值与所述分割损失值对所述目标物分割模型的参数进行更新，直至目标物分割模型的迭代次数达到所述目标迭代次数。
可选地，所述分割损失函数为：
Figure 186245DEST_PATH_IMAGE001
其中，
Figure 557183DEST_PATH_IMAGE002
为基于所述强标注图像分类结果构建的分类子函数，
Figure DEST_PATH_IMAGE003
为基于所述强标注图像分割结果构建的分割子函数，
Figure 990175DEST_PATH_IMAGE004
与
Figure DEST_PATH_IMAGE005
为预设参数。
可选地，所述标注图像集包括带有标签的生物体组织的医学图像。
为了解决上述问题，本发明还提供一种图像中目标物的分割装置，所述装置包括：
模型获取模块，用于获取目标物分割模型，其中，所述目标物分割模型中包含预处理子模型、共享编码子模型、分类子模型和分割子模型；
标注图像获取模块，用于获取标注图像集，其中，所述标注图像集包括弱标注图像子集和强标注图像子集，所述弱标注图像子集中的弱标注图像标注出图像内是否含有目标物，所述强标注图像子集中的强标注图像标注出目标物及目标物的位置；
标注图像预处理模块，用于利用所述预处理子模型对所述标注图像集进行图像预处理；
标注图像编码模块，用于利用所述共享编码子模型对预处理后的所述标注图像集进行编码，得到所述标注图像集的编码特征，其中，所述标注图像集的编码特征包括强标注图像子集中强标注图像的第一编码特征和弱标注图像子集中弱标注图像的第二编码特征；
特征分类模块，用于利用所述分类子模型对所述第一编码特征和所述第二编码特征分别进行分类处理，得到强标注图像分类结果以及弱标注图像分类结果；
特征分割模块，用于利用所述分割子模型对所述强标注图像子集中强标注图像的第一编码特征进行分割处理，得到强标注图像分割结果；
损失函数获取模块，用于根据所述强标注图像分类结果与所述强标注图像分割结果构建分割损失函数，根据所述弱标注图像分类结果构建分类损失函数；
模型优化模块，用于利用所述分割损失函数及分类损失函数对所述目标物分割模型进行优化，得到标准目标物分割模型；
图像分割模块，用于获取待分割图像，利用所述标准目标物分割模型对所述待分割图像进行目标物分割，得到分割结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的图像中目标物的分割方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，其中，所述存储数据区存储创建的数据，所述存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如上所述的图像中目标物的分割方法。
本发明实施例中，获取包含预处理子模型、共享编码子模型、分类子模型和分割子模型的目标物分割模型，以实现利用目标物分割模型对图像中的目标物进行分割，无需单独训练多个模型对图像进行分割，避免了不同单独模型之间效率的不一致造成目标物分割效率低下，提高图像中目标物分割的效率；通过大量的弱标注图像和少量的强标注图像对目标物分割模型进行训练，根据训练结果利用分割损失函数和分类损失函数共同对模型进行优化，提高了模型的精确度，从而提高了目标物分割模型对图像中目标物进行分割的准确率。因此本发明提出的图像中目标物的分割方法、装置及计算机可读存储介质，可以提高低精度标注数据数量多于高精度标注数据时病灶分割的效率和准确率。
附图说明
图1为本发明一实施例提供的图像中目标物的分割方法的流程示意图；
图2为本发明一实施例提供的通过分类子模型对第一编码特征进行分类处理的流程示意图；
图3为本发明一实施例提供的通过分割子模型对第一编码特征进行分割处理的流程示意图；
图4为本发明一实施例提供的对所述目标物分割模型进行优化的流程示意图；
图5为本发明一实施例提供的图像中目标物的分割装置的模块示意图；
图6为本发明一实施例提供的实现图像中目标物的分割方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供的图像中目标物的分割方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述图像中目标物的分割方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
本发明提供一种图像中目标物的分割方法。参照图1所示，为本发明一实施例提供的图像中目标物的分割方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，图像中目标物的分割方法包括：
S1、获取目标物分割模型，其中，所述目标物分割模型中包含预处理子模型、共享编码子模型、分类子模型和分割子模型。
本发明实施例中，所述目标物分割模型为具有图像分类与图像分割功能的卷积神经网络，所述卷积神经网络包括卷积层、池化层和全连接层。
具体的，所述目标物分割模型包括以下一层或多层的组合：
卷积层，用于对图像进行卷积处理，对于图片中的每一个特征首先局部感知，然后更高层次对局部进行综合操作，从而得到全局信息；
池化层，对卷积后的图像进行池化处理，用于特征降维，有利于减小数据和参数的数量，以及提高模型的容错性；
全连接层，用于线性分类，具体用于在提取的高层特征向量上进行线性组合并且输出最后的图像分类结果。
较佳地，本发明实施例中，所述目标物分割模型中包含预处理子模型、共享编码子模型、分类子模型和分割子模型。其中，所述预处理子模型用于对输入的图像进行预处理，共享编码子模型用于对输入的图像进行编码，所述分类子模型用于判定模型输入的图像中是否含有目标病灶，所述分割子模型用于对分类子模型判定为含有目标病灶的图像进行病灶分割。
S2、获取标注图像集，其中，所述标注图像集包括弱标注图像子集和强标注图像子集，所述弱标注图像子集中的弱标注图像标注出图像内是否含有目标物，所述强标注图像子集中的强标注图像标注出目标物及目标物的位置。
本发明实施例中，所述标注图像集包括带有标签的生物体组织的医学图像。
例如，标注图像集为医疗机构所产生的医疗图像（如X光片图像）。
本发明实施例可利用具有数据抓取功能的python语句从用于存储医疗图像的区块链节点中获取标注图像集，利用区块链的数据高吞吐性，可提高获取标注图像集的效率。
进一步地，本发明实施例中，所述标注图像集包括弱标注图像子集（弱标注图像的集合）和强标注图像子集（强标注图像的集合），且所述弱标注图像子集中图像的数量大于所述强标注图像子集中图像的数量，例如，弱标注图像的数量为标注图像集的80%，强标注图像的数量为标注图像集的20%。
其中，弱标注图像子集包含的弱标注图像为标注精度低的标注数据，强标注图像子集包含的强标注图像为标注精度高的标注数据，所述弱标注图像子集中的弱标注图像标注出图像内是否含有目标物，所述强标注图像子集中的强标注图像标注出目标物及目标物的位置。
例如，所述弱标注图像子集中的弱标注图像只标注出图像内是否含有目标物，所述强标注图像子集中的强标注图像标注出目标物所在的位置。
实际应用中，强标注图像子集需要大量人力去精准地标注目标物，因此很难获取，导致所述弱标注图像的数量大于所述强标注图像的数量。
S3、利用所述预处理子模型对所述标注图像集进行图像预处理。
本发明实施例中，所述对所述标注图像集进行图像预处理，包括：
利用所述预处理子模型将所述标注图像集进行像素归一化处理。
详细地，本发明实施例利用如下归一化算法将所述标注图像集中标注图像进行像素归一化处理：
Figure 220299DEST_PATH_IMAGE006
其中，
Figure 218342DEST_PATH_IMAGE007
为所述标注图像中原始像素值，
Figure 443787DEST_PATH_IMAGE008
为标注图像中归一化后的像素值。
本发明实施例中，获取的所述标注图像集中的标注图像可能无法满足医学图像分析的条件，因此利用预处理子模型对所述标注图像集中的标注图像进行归一化，利用归一化操作去除标注图像中的噪点像素，提高后续对标注图像进行分割或分类的精确度。
S4、利用所述共享编码子模型对预处理后的所述标注图像集进行编码，得到所述标注图像集的编码特征，其中，所述标注图像集的编码特征包括强标注图像子集中强标注图像的第一编码特征和弱标注图像子集中弱标注图像的第二编码特征。
本发明实施例中，所述利用所述共享编码子模型对预处理后的所述标注图像集进行编码，得到所述标注图像集的编码特征，包括：
利用所述共享编码子模型对预处理后的所述标注图像集中的所有标注图像进行卷积处理，得到卷积图像集；
对所述卷积图像集中的所有卷积图像进行池化处理，得到所述标注图像集的编码特征。
详细地，所述标注图像集的编码特征包括强标注图像子集中强标注图像的第一编码特征和弱标注图像子集中弱标注图像的第二编码特征。
具体的，第一编码特征的数量为多个，第二编码特征的数量也为多个。
本发明实施对标注图像集进行编码，有利于减少标注图像集中无用的数据量，提高数据处理的效率。
S5、利用所述分类子模型对所述第一编码特征和所述第二编码特征分别进行分类处理，得到强标注图像分类结果以及弱标注图像分类结果。
本发明实施例利用分类子模型对所述第一编码特征进行分类处理可得到强标注图像子集中每张强标注图像的分类结果；利用分类子模型对所述第二编码特征进行分类处理可得到弱标注图像子集中每张弱标注图像的分类结果。
图2为本发明一实施例提供的通过分类子模型对第一编码特征进行分类处理的流程示意图。
本发明实施例中，参图2所示，所述利用所述分类子模型对所述第一编码特征进行分类处理，得到强标注图像分类结果，包括：
S51、利用所述分类子模型对所述强标注图像子集中强标注图像的第一编码特征进行全连接处理，得到全连接特征；
S52、利用第一激活函数计算所述全连接特征属于第一预设类别的第一类别概率；
S53、根据所述第一类别概率对所述强标注图像子集中强标注图像的第一编码特征进行分类处理，得到强标注图像分类结果。
详细地，所述第一预设类别中包括多个预设类别，根据所述第一类别概率对所述强标注图像子集中某一强标注图像的第一编码特征进行分类处理，得到强标注图像分类结果，即确定所述第一类别概率值最大的预设类别为强标注图像分类结果。
例如，第一预设类别中包括类别A、类别B与类别C，全连接特征属于第一预设类别中类别A的概率为50%，全连接特征属于第一预设类别中类别B的概率为80%，全连接特征属于第一预设类别中类别C的概率为30%，则确定强标注图像分类结果为类别B。
进一步地，对所述第二编码特征进行与所述第一编码特征相同的分类处理，得到弱标注图像分类结果。
详细地，所述第一激活函数包括但不限于softmax激活函数，利用激活函数可计算得到全连接特征为第一预设类别的第一类别概率。
S6、利用所述分割子模型对所述强标注图像子集中强标注图像的第一编码特征进行分割处理，得到强标注图像分割结果。
图3为本发明一实施例提供的通过分割子模型对第一编码特征进行分割处理的流程示意图。
本发明实施例中，参图3所示，所述利用所述分割子模型对所述强标注图像子集中强标注图像的第一编码特征进行分割处理，得到强标注图像分割结果，包括：
S61、将所述强标注图像子集中强标注图像的第一编码特征进行第一阈值倍数的上采样，得到中间特征图；
S62、将所述中间特征图进行第二阈值倍数的上采样，得到复原图像；
S63、利用第二激活函数计算所述复原图像中各像素点属于第二预设类别的第二类别概率；
S64、根据所述第二类别概率对所述强标注图像子集中强标注图像的第一编码特征进行分割处理，得到强标注图像分割结果。
详细地，所述分割处理包括对复原图像中像素点进行分类，所述第二预设类别中包括多个预设类别，所述根据所述第二类别概率对所述第一编码特征进行分割处理，得到强标注图像分割结果，即确定所述第二类别概率值最大的预设类别为强标注图像分割结果。
例如，第一预设类别中包括类别D、类别E与类别F，复原图像中目标像素点为第二预设类别中类别D的概率为20%，复原图像中目标像素点为第二预设类别中类别E的概率为70%，复原图像中目标像素点为第二预设类别中类别F的概率为40%，则确定复原图像中目标像素点为类别E，当所述复原图像中所有像素点均完成所述分割操作，得到强标注图像分割结果。
本发明实施例中将第一编码特征进行第一阈值倍数的上采样，得到中间特征图，再将中间特征图进行第二阈值倍数的上采样，得到复原图像，避免直接将第一编码特征上采样至复原图像时上采样倍数过大导致复原图像中图像特征的丢失，提高了复原图像中特征信息的完整性。
S7、根据所述强标注图像分类结果与所述强标注图像分割结果构建分割损失函数，根据所述弱标注图像分类结果构建分类损失函数。
本发明实施例中，所述分割损失函数为：
Figure 767452DEST_PATH_IMAGE001
其中，
Figure 343927DEST_PATH_IMAGE002
为基于所述强标注图像分类结果构建的分类子函数，
Figure 145661DEST_PATH_IMAGE003
为基于所述强标注图像分割结果构建的分割子函数，
Figure 960033DEST_PATH_IMAGE004
与
Figure 454599DEST_PATH_IMAGE005
为预设参数。
详细地，所述基于所述强标注图像分类结果构建的分类子函数
Figure 987212DEST_PATH_IMAGE002
与基于所述强标注图像分割结果构建的分割子函数
Figure 717270DEST_PATH_IMAGE009
分别为：
Figure 527095DEST_PATH_IMAGE010
Figure 317196DEST_PATH_IMAGE011
其中，
Figure 478050DEST_PATH_IMAGE012
为所述强标注图像子集中强标注图像的数量；
Figure 746220DEST_PATH_IMAGE013
为所述强标注图像子集中第
Figure 673201DEST_PATH_IMAGE014
个强标注图像的预设标准标签，
Figure 775149DEST_PATH_IMAGE015
为所述强标注图像子集中第
Figure 547933DEST_PATH_IMAGE014
个强标注图像的强标注图像分类结果；
Figure 495160DEST_PATH_IMAGE016
表示每张强标注图像的总像素值，
Figure 669789DEST_PATH_IMAGE017
为强标注图像子集中第
Figure 677060DEST_PATH_IMAGE014
张图像的第
Figure 812506DEST_PATH_IMAGE018
个像素的强标注图像分割结果，
Figure 156900DEST_PATH_IMAGE019
为强标注图像集中第
Figure 186036DEST_PATH_IMAGE014
张图像的第
Figure 833049DEST_PATH_IMAGE018
个像素的预设标准分割结果。
具体地，所述分类损失函数即为基于所述强标注图像分类结果构建的分类子函数
Figure 580425DEST_PATH_IMAGE002
。
S8、利用所述分割损失函数及分类损失函数对所述目标物分割模型进行优化，得到标准目标物分割模型。
本发明实施例中，对目标物分割模型进行优化，即调整目标物分割模型中预设的超参数的值，从而得到新的目标物分割模型，即标准目标物分割模型。
图4为本发明一实施例提供的对所述目标物分割模型进行优化的流程示意图。
进一步地，参图4所示，所述利用所述分割损失函数及分类损失函数对所述目标物分割模型进行优化，包括：
S81、确定所述目标物分割模型的目标迭代次数；
S82、计算所述分类损失函数的分类损失值；
S83、计算所述分割损失函数的分割损失值；
S84、利用梯度下降算法轮流基于所述分类损失值与所述分割损失值对所述目标物分割模型的参数进行更新，直至目标物分割模型的迭代次数达到所述目标迭代次数。
例如，目标物分割模型的目标迭代次数为8000次，第一次利用梯度下降算法基于分类损失值对所述目标物分割模型的参数进行更新；第二次利用梯度下降算法基于所述分割损失值对所述目标物分割模型的参数进行更新；第三次利用梯度下降算法基于分类损失值对所述目标物分割模型的参数进行更新；第四次利用梯度下降算法基于所述分割损失值对所述目标物分割模型的参数进行更新，以此类推，基于所述分类损失值和所述分割损失值轮流对目标物分割模型的参数进行更新直至目标物分割模型的迭代次数达到8000次，得到标准目标物分割模型。
本发明实施例利用分类损失函数与分割损失函数共同对目标物分割模型进行限制，提高了目标物分割模型对图像进行分类与分割的精确度，利用梯度下降算法轮流基于所述分类损失值与所述分割损失值对所述目标物分割模型的参数进行更新，避免了分类损失函数与分割损失函数同时对目标物分割模型进行更新导致出现参数矛盾的情况，有利于提高模型的准确性。
本发明实施例中，不断利用梯度下降算法迭代更新网络的参数，使得目标损失函数不断减小，直到目标损失函数数值稳定达到收敛条件，得到标准病灶分割模型。
本发明实施例中，通过分类损失函数与分割损失函数的共同学习，能增加目标物分割模型从标注图像集中提取到的信息量，克服了训练过程中高精度的强标注图像的数据量较少的问题；通过分类损失函数与分割损失函数共同确定目标物分割模型的参数，可以避免目标物分割模型过拟合，使得目标物分割模型具有更强的泛化能力。
S9、获取待分割图像，利用所述标准目标物分割模型对所述待分割图像进行目标物分割，得到分割结果。
本发明实施例中，所述待分割图像可以是由用户上传的，当获取到待分割图像后，将所述待分割图像输入至标准病灶分割模型进行目标物分割，得到分割结果。
本发明实施例中，获取包含预处理子模型、共享编码子模型、分类子模型和分割子模型的目标物分割模型，以实现利用目标物分割模型对图像中的目标物进行分割，无需单独训练多个模型对图像进行分割，避免了不同单独模型之间效率的不一致造成目标物分割效率低下，提高图像中目标物分割的效率；通过大量的弱标注图像和少量的强标注图像对目标物分割模型进行训练，根据训练结果利用分割损失函数和分类损失函数共同对模型进行优化，提高了模型的精确度，从而提高了目标物分割模型对图像中目标物进行分割的准确率。因此本发明提出的图像中目标物的分割方法，可以提高低精度标注数据数量多于高精度标注数据时病灶分割的效率和准确率。
如图5所示，是本发明图像中目标物的分割装置的模块示意图。
本发明所述图像中目标物的分割装置100可以安装于电子设备中。根据实现的功能，所述图像中目标物的分割装置可以包括模型获取模块101、标注图像获取模块102、标注图像预处理模块103、标注图像编码模块104、特征分类模块105、特征分割模块106、损失函数获取模块107、模型优化模块108和图像分割模块109。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述模型获取模块101，用于获取目标物分割模型，其中，所述目标物分割模型中包含预处理子模型、共享编码子模型、分类子模型和分割子模型；
所述标注图像获取模块102，用于获取标注图像集，其中，所述标注图像集包括弱标注图像子集和强标注图像子集，所述弱标注图像子集中的弱标注图像标注出图像内是否含有目标物，所述强标注图像子集中的强标注图像标注出目标物及目标物的位置；
所述标注图像预处理模块103，用于利用所述预处理子模型对所述标注图像集进行图像预处理；
所述标注图像编码模块104，用于利用所述共享编码子模型对预处理后的所述标注图像集进行编码，得到所述标注图像集的编码特征，其中，所述标注图像集的编码特征包括强标注图像子集中强标注图像的第一编码特征和弱标注图像子集中弱标注图像的第二编码特征；
所述特征分类模块105，用于利用所述分类子模型对所述第一编码特征和所述第二编码特征分别进行分类处理，得到强标注图像分类结果以及弱标注图像分类结果；
所述特征分割模块106，用于利用所述分割子模型对所述强标注图像子集中强标注图像的第一编码特征进行分割处理，得到强标注图像分割结果；
所述损失函数获取模块107，用于根据所述强标注图像分类结果与所述强标注图像分割结果构建分割损失函数，根据所述弱标注图像分类结果构建分类损失函数；
所述模型优化模块108，用于利用所述分割损失函数及分类损失函数对所述目标物分割模型进行优化，得到标准目标物分割模型；
所述图像分割模块109，用于获取待分割图像，利用所述标准目标物分割模型对所述待分割图像进行目标物分割，得到分割结果。
详细地，所述图像中目标物的分割装置各模块的具体实施方式如下：
所述模型获取模块101，用于获取目标物分割模型，其中，所述目标物分割模型中包含预处理子模型、共享编码子模型、分类子模型和分割子模型。
本发明实施例中，所述目标物分割模型为具有图像分类与图像分割功能的卷积神经网络，所述卷积神经网络包括卷积层、池化层和全连接层。
具体的，所述目标物分割模型包括以下一层或多层的组合：
卷积层，用于对图像进行卷积处理，对于图片中的每一个特征首先局部感知，然后更高层次对局部进行综合操作，从而得到全局信息；
池化层，对卷积后的图像进行池化处理，用于特征降维，有利于减小数据和参数的数量，以及提高模型的容错性；
全连接层，用于线性分类，具体用于在提取的高层特征向量上进行线性组合并且输出最后的图像分类结果。
较佳地，本发明实施例中，所述目标物分割模型中包含预处理子模型、共享编码子模型、分类子模型和分割子模型。其中，所述预处理子模型用于对输入的图像进行预处理，共享编码子模型用于对输入的图像进行编码，所述分类子模型用于判定模型输入的图像中是否含有目标病灶，所述分割子模型用于对分类子模型判定为含有目标病灶的图像进行病灶分割。
所述标注图像获取模块102，用于获取标注图像集，其中，所述标注图像集包括弱标注图像子集和强标注图像子集，所述弱标注图像子集中的弱标注图像标注出图像内是否含有目标物，所述强标注图像子集中的强标注图像标注出目标物及目标物的位置。
本发明实施例中，所述标注图像集包括带有标签的生物体组织的医学图像。
例如，标注图像集为医疗机构所产生的医疗图像（如X光片图像）。
本发明实施例可利用具有数据抓取功能的python语句从用于存储医疗图像的区块链节点中获取标注图像集，利用区块链的数据高吞吐性，可提高获取标注图像集的效率。
进一步地，本发明实施例中，所述标注图像集包括弱标注图像子集（弱标注图像的集合）和强标注图像子集（强标注图像的集合），且所述弱标注图像子集中图像的数量大于所述强标注图像子集中图像的数量，例如，弱标注图像的数量为标注图像集的80%，强标注图像的数量为标注图像集的20%。
其中，弱标注图像子集包含的弱标注图像为标注精度低的标注数据，强标注图像子集包含的强标注图像为标注精度高的标注数据，所述弱标注图像子集中的弱标注图像标注出图像内是否含有目标物，所述强标注图像子集中的强标注图像标注出目标物及目标物的位置。
例如，所述弱标注图像子集中的弱标注图像只标注出图像内是否含有目标物，所述强标注图像子集中的强标注图像标注出目标物所在的位置。
实际应用中，强标注图像子集需要大量人力去精准地标注目标物，因此很难获取，导致所述弱标注图像的数量大于所述强标注图像的数量。
所述标注图像预处理模块103，用于利用所述预处理子模型对所述标注图像集进行图像预处理。
本发明实施例中，所述标注图像预处理模块103具体用于：
利用所述预处理子模型将所述标注图像集进行像素归一化处理。
详细地，本发明实施例利用如下归一化算法将所述标注图像集中标注图像进行像素归一化处理：
Figure 728509DEST_PATH_IMAGE006
其中，
Figure 487518DEST_PATH_IMAGE007
为所述标注图像中原始像素值，
Figure 695645DEST_PATH_IMAGE008
为标注图像中归一化后的像素值。
本发明实施例中，获取的所述标注图像集中的标注图像可能无法满足医学图像分析的条件，因此利用预处理子模型对所述标注图像集中的标注图像进行归一化预处理，利用归一化操作去除标注图像中的噪点像素，提高后续对标注图像进行分割或分类的精确度。
所述标注图像编码模块104，用于利用所述共享编码子模型对预处理后的所述标注图像集进行编码，得到所述标注图像集的编码特征，其中，所述标注图像集的编码特征包括强标注图像子集中强标注图像的第一编码特征和弱标注图像子集中弱标注图像的第二编码特征。
本发明实施例中，所述标注图像编码模块104具体用于：
利用所述共享编码子模型对预处理后的所述标注图像集中的所有标注图像进行卷积处理，得到卷积图像集；
对所述卷积图像集中的所有卷积图像进行池化处理，得到所述标注图像集的编码特征。
详细地，所述标注图像集的编码特征包括强标注图像子集中强标注图像的第一编码特征和弱标注图像子集中弱标注图像的第二编码特征。
具体的，第一编码特征的数量为多个，第二编码特征的数量也为多个。
本发明实施对标注图像集进行编码，有利于减少标注图像集中无用的数据量，提高数据处理的效率。
所述特征分类模块105，用于利用所述分类子模型对所述第一编码特征和所述第二编码特征分别进行分类处理，得到强标注图像分类结果以及弱标注图像分类结果。
本发明实施例利用分类子模型对所述第一编码特征进行分类处理可得到强标注图像子集中每张强标注图像的分类结果；利用分类子模型对所述第二编码特征进行分类处理可得到弱标注图像子集中每张弱标注图像的分类结果。
本发明实施例中，所述特征分类模块105具体用于：
利用所述分类子模型对所述强标注图像子集中强标注图像的第一编码特征进行全连接处理，得到全连接特征；
利用第一激活函数计算所述全连接特征属于第一预设类别的第一类别概率；
根据所述第一类别概率对所述强标注图像子集中强标注图像的第一编码特征进行分类处理，得到强标注图像分类结果。
详细地，所述第一预设类别中包括多个预设类别，根据所述第一类别概率对所述强标注图像子集中某一强标注图像的第一编码特征进行分类处理，得到强标注图像分类结果，即确定所述第一类别概率值最大的预设类别为强标注图像分类结果。
例如，第一预设类别中包括类别A、类别B与类别C，全连接特征属于第一预设类别中类别A的概率为50%，全连接特征属于第一预设类别中类别B的概率为80%，全连接特征属于第一预设类别中类别C的概率为30%，则确定强标注图像分类结果为类别B。
进一步地，对所述第二编码特征进行与所述第一编码特征相同的分类处理，得到弱标注图像分类结果。
详细地，所述第一激活函数包括但不限于softmax激活函数，利用激活函数可计算得到全连接特征为第一预设类别的第一类别概率。
所述特征分割模块106，用于利用所述分割子模型对所述强标注图像子集中强标注图像的第一编码特征进行分割处理，得到强标注图像分割结果。
本发明实施例中，所述特征分割模块106具体用于：
将所述强标注图像子集中强标注图像的第一编码特征进行第一阈值倍数的上采样，得到中间特征图；
将所述中间特征图进行第二阈值倍数的上采样，得到复原图像；
利用第二激活函数计算所述复原图像中各像素点属于第二预设类别的第二类别概率；
根据所述第二类别概率对所述强标注图像子集中强标注图像的第一编码特征进行分割处理，得到强标注图像分割结果。
详细地，所述分割处理包括对复原图像中像素点进行分类，所述第二预设类别中包括多个预设类别，所述根据所述第二类别概率对所述第一编码特征进行分割处理，得到强标注图像分割结果，即确定所述第二类别概率值最大的预设类别为强标注图像分割结果。
例如，第一预设类别中包括类别D、类别E与类别F，复原图像中目标像素点为第二预设类别中类别D的概率为20%，复原图像中目标像素点为第二预设类别中类别E的概率为70%，复原图像中目标像素点为第二预设类别中类别F的概率为40%，则确定复原图像中目标像素点为类别E，当所述复原图像中所有像素点均完成所述分割操作，得到强标注图像分割结果。
本发明实施例中将第一编码特征进行第一阈值倍数的上采样，得到中间特征图，再将中间特征图进行第二阈值倍数的上采样，得到复原图像，避免直接将第一编码特征上采样至复原图像时上采样倍数过大导致复原图像中图像特征的丢失，提高了复原图像中特征信息的完整性。
所述损失函数获取模块107，用于根据所述强标注图像分类结果与所述强标注图像分割结果构建分割损失函数，根据所述弱标注图像分类结果构建分类损失函数。
本发明实施例中，所述分割损失函数为：
Figure 399159DEST_PATH_IMAGE001
其中，
Figure 960722DEST_PATH_IMAGE002
为基于所述强标注图像分类结果构建的分类子函数，
Figure 230029DEST_PATH_IMAGE003
为基于所述强标注图像分割结果构建的分割子函数，
Figure 221774DEST_PATH_IMAGE004
与
Figure 678164DEST_PATH_IMAGE005
为预设参数。
详细地，所述基于所述强标注图像分类结果构建的分类子函数
Figure 308996DEST_PATH_IMAGE002
与基于所述强标注图像分割结果构建的分割子函数
Figure 432810DEST_PATH_IMAGE009
分别为：
Figure 123685DEST_PATH_IMAGE010
Figure 801791DEST_PATH_IMAGE011
其中，
Figure 970736DEST_PATH_IMAGE012
为所述强标注图像子集中强标注图像的数量；
Figure 683477DEST_PATH_IMAGE013
为所述强标注图像子集中第
Figure 545254DEST_PATH_IMAGE014
个强标注图像的预设标准标签，
Figure 710656DEST_PATH_IMAGE015
为所述强标注图像子集中第
Figure 807925DEST_PATH_IMAGE014
个强标注图像的强标注图像分类结果；
Figure 984959DEST_PATH_IMAGE016
表示每张强标注图像的总像素值，
Figure 142271DEST_PATH_IMAGE017
为强标注图像子集中第
Figure 935915DEST_PATH_IMAGE014
张图像的第
Figure 571295DEST_PATH_IMAGE018
个像素的强标注图像分割结果，
Figure 133995DEST_PATH_IMAGE019
为强标注图像集中第
Figure 462208DEST_PATH_IMAGE014
张图像的第
Figure 336623DEST_PATH_IMAGE018
个像素的预设标准分割结果。
具体地，所述分类损失函数即为基于所述强标注图像分类结果构建的分类子函数
Figure 179290DEST_PATH_IMAGE002
。
所述模型优化模块108，用于利用所述分割损失函数及分类损失函数对所述目标物分割模型进行优化，得到标准目标物分割模型。
本发明实施例中，对目标物分割模型进行优化，即调整目标物分割模型中预设的超参数的值，从而得到新的目标物分割模型，即标准目标物分割模型。
进一步地，所述模型优化模块108具体用于：
确定所述目标物分割模型的目标迭代次数；
计算所述分类损失函数的分类损失值；
计算所述分割损失函数的分割损失值；
利用梯度下降算法轮流基于所述分类损失值与所述分割损失值对所述目标物分割模型的参数进行更新，直至目标物分割模型的迭代次数达到所述目标迭代次数。
例如，目标物分割模型的目标迭代次数为8000次，第一次利用梯度下降算法基于分类损失值对所述目标物分割模型的参数进行更新；第二次利用梯度下降算法基于所述分割损失值对所述目标物分割模型的参数进行更新；第三次利用梯度下降算法基于分类损失值对所述目标物分割模型的参数进行更新；第四次利用梯度下降算法基于所述分割损失值对所述目标物分割模型的参数进行更新，以此类推，基于所述分类损失值和所述分割损失值轮流对目标物分割模型的参数进行更新直至目标物分割模型的迭代次数达到8000次，得到标准目标物分割模型。
本发明实施例利用分类损失函数与分割损失函数共同对目标物分割模型进行限制，提高了目标物分割模型对图像进行分类与分割的精确度，利用梯度下降算法轮流基于所述分类损失值与所述分割损失值对所述目标物分割模型的参数进行更新，避免了分类损失函数与分割损失函数同时对目标物分割模型进行更新导致出现参数矛盾的情况，有利于提高模型的准确性。
本发明实施例中，不断利用梯度下降算法迭代更新网络的参数，使得目标损失函数不断减小，直到目标损失函数数值稳定达到收敛条件，得到标准病灶分割模型。
本发明实施例中，通过分类损失函数与分割损失函数的共同学习，能增加目标物分割模型从标注图像集中提取到的信息量，克服了训练过程中高精度的强标注图像的数据量较少的问题；通过分类损失函数与分割损失函数共同确定目标物分割模型的参数，可以避免目标物分割模型过拟合，使得目标物分割模型具有更强的泛化能力。
所述图像分割模块109，用于获取待分割图像，利用所述标准目标物分割模型对所述待分割图像进行目标物分割，得到分割结果。
本发明实施例中，所述待分割图像可以是由用户上传的，当获取到待分割图像后，将所述待分割图像输入至标准病灶分割模型进行目标物分割，得到分割结果。
本发明实施例中，获取包含预处理子模型、共享编码子模型、分类子模型和分割子模型的目标物分割模型，以实现利用目标物分割模型对图像中的目标物进行分割，无需单独训练多个模型对图像进行分割，避免了不同单独模型之间效率的不一致造成目标物分割效率低下，提高图像中目标物分割的效率；通过大量的弱标注图像和少量的强标注图像对目标物分割模型进行训练，根据训练结果利用分割损失函数和分类损失函数共同对模型进行优化，提高了模型的精确度，从而提高了目标物分割模型对图像中目标物进行分割的精确度。因此本发明提出的图像中目标物的分割装置，可以提高低精度标注数据数量多于高精度标注数据时病灶分割的效率和准确率。
如图6所示，是本发明实现图像中目标物的分割方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如图像中目标物的分割程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如图像中目标物的分割程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行图像中目标物的分割程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图6仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图6示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、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。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的图像中目标物的分割程序12是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取目标物分割模型，其中，所述目标物分割模型中包含预处理子模型、共享编码子模型、分类子模型和分割子模型；
获取标注图像集，其中，所述标注图像集包括弱标注图像子集和强标注图像子集，所述弱标注图像子集中的弱标注图像标注出图像内是否含有目标物，所述强标注图像子集中的强标注图像标注出目标物及目标物的位置；
利用所述预处理子模型对所述标注图像集进行图像预处理；
利用所述共享编码子模型对预处理后的所述标注图像集进行编码，得到所述标注图像集的编码特征，其中，所述标注图像集的编码特征包括强标注图像子集中强标注图像的第一编码特征和弱标注图像子集中弱标注图像的第二编码特征；
利用所述分类子模型对所述第一编码特征和所述第二编码特征分别进行分类处理，得到强标注图像分类结果以及弱标注图像分类结果；
利用所述分割子模型对所述强标注图像子集中强标注图像的第一编码特征进行分割处理，得到强标注图像分割结果；
根据所述强标注图像分类结果与所述强标注图像分割结果构建分割损失函数，根据所述弱标注图像分类结果构建分类损失函数；
利用所述分割损失函数及分类损失函数对所述目标物分割模型进行优化，得到标准目标物分割模型；
获取待分割图像，利用所述标准目标物分割模型对所述待分割图像进行目标物分割，得到分割结果。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
进一步地，所述计算机可用存储介质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、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种图像中目标物的分割方法，其特征在于，所述方法包括：
获取目标物分割模型，其中，所述目标物分割模型中包含预处理子模型、共享编码子模型、分类子模型和分割子模型；
获取标注图像集，其中，所述标注图像集包括弱标注图像子集和强标注图像子集，所述弱标注图像子集中的弱标注图像标注出图像内是否含有目标物，所述强标注图像子集中的强标注图像标注出目标物及目标物的位置，所述弱标注图像子集中图像的数量大于所述强标注图像子集中图像的数量；
利用所述预处理子模型对所述标注图像集进行图像预处理；
利用所述共享编码子模型对预处理后的所述标注图像集进行编码，得到所述标注图像集的编码特征，其中，所述标注图像集的编码特征包括强标注图像子集中强标注图像的第一编码特征和弱标注图像子集中弱标注图像的第二编码特征；
利用所述分类子模型对所述第一编码特征和所述第二编码特征分别进行分类处理，得到强标注图像分类结果以及弱标注图像分类结果；
利用所述分割子模型对所述强标注图像子集中强标注图像的第一编码特征进行分割处理，得到强标注图像分割结果；
根据所述强标注图像分类结果与所述强标注图像分割结果构建分割损失函数，根据所述弱标注图像分类结果构建分类损失函数；
利用所述分割损失函数及分类损失函数对所述目标物分割模型进行优化，得到标准目标物分割模型；
获取待分割图像，利用所述标准目标物分割模型对所述待分割图像进行目标物分割，得到分割结果；
所述利用所述分割子模型对所述强标注图像子集中强标注图像的第一编码特征进行分割处理，得到强标注图像分割结果，包括：
将所述强标注图像子集中强标注图像的第一编码特征进行第一阈值倍数的上采样，得到中间特征图；
将所述中间特征图进行第二阈值倍数的上采样，得到复原图像；
利用第二激活函数计算所述复原图像中各像素点属于第二预设类别的第二类别概率；
根据所述第二类别概率对所述强标注图像子集中强标注图像的第一编码特征进行分割处理，得到强标注图像分割结果。
2.如权利要求1所述的图像中目标物的分割方法，其特征在于，所述利用所述共享编码子模型对预处理后的所述标注图像集进行编码，得到所述标注图像集的编码特征，包括：
利用所述共享编码子模型对预处理后的所述标注图像集中的所有标注图像进行卷积处理，得到卷积图像集；
对所述卷积图像集中的所有卷积图像进行池化处理，得到所述标注图像集的编码特征。
3.如权利要求1所述的图像中目标物的分割方法，其特征在于，所述利用所述分类子模型对所述第一编码特征进行分类处理，得到强标注图像分类结果，包括：
利用所述分类子模型对所述强标注图像子集中强标注图像的第一编码特征进行全连接处理，得到全连接特征；
利用第一激活函数计算所述全连接特征属于第一预设类别的第一类别概率；
根据所述第一类别概率对所述强标注图像子集中强标注图像的第一编码特征进行分类处理，得到强标注图像分类结果。
4.如权利要求1所述的图像中目标物的分割方法，其特征在于，所述利用所述分割损失函数及分类损失函数对所述目标物分割模型进行优化，包括：
确定所述目标物分割模型的目标迭代次数；
计算所述分类损失函数的分类损失值；
计算所述分割损失函数的分割损失值；
利用梯度下降算法轮流基于所述分类损失值与所述分割损失值对所述目标物分割模型的参数进行更新，直至目标物分割模型的迭代次数达到所述目标迭代次数。
5.如权利要求1至4中任一项所述的图像中目标物的分割方法，其特征在于，所述分割损失函数为：
Figure FDA0002869930560000031
其中，Lcls为基于所述强标注图像分类结果构建的分类子函数，Lseg为基于所述强标注图像分割结果构建的分割子函数，σ1 2与σ2 2为预设参数。
6.如权利要求1所述的图像中目标物的分割方法，其特征在于，所述标注图像集包括带有标签的生物体组织的医学图像。
7.一种图像中目标物的分割装置，其特征在于，所述装置包括：
模型获取模块，用于获取目标物分割模型，其中，所述目标物分割模型中包含预处理子模型、共享编码子模型、分类子模型和分割子模型；
标注图像获取模块，用于获取标注图像集，其中，所述标注图像集包括弱标注图像子集和强标注图像子集，所述弱标注图像子集中的弱标注图像标注出图像内是否含有目标物，所述强标注图像子集中的强标注图像标注出目标物及目标物的位置；
标注图像预处理模块，用于利用所述预处理子模型对所述标注图像集进行图像预处理；
标注图像编码模块，用于利用所述共享编码子模型对预处理后的所述标注图像集进行编码，得到所述标注图像集的编码特征，其中，所述标注图像集的编码特征包括强标注图像子集中强标注图像的第一编码特征和弱标注图像子集中弱标注图像的第二编码特征；
特征分类模块，用于利用所述分类子模型对所述第一编码特征和所述第二编码特征分别进行分类处理，得到强标注图像分类结果以及弱标注图像分类结果；
特征分割模块，用于利用所述分割子模型对所述强标注图像子集中强标注图像的第一编码特征进行分割处理，得到强标注图像分割结果；
损失函数获取模块，用于根据所述强标注图像分类结果与所述强标注图像分割结果构建分割损失函数，根据所述弱标注图像分类结果构建分类损失函数；
模型优化模块，用于利用所述分割损失函数及分类损失函数对所述目标物分割模型进行优化，得到标准目标物分割模型；
图像分割模块，用于获取待分割图像，利用所述标准目标物分割模型对所述待分割图像进行目标物分割，得到分割结果。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的图像中目标物的分割方法。
9.一种计算机可读存储介质，包括存储数据区和存储程序区，其特征在于，所述存储数据区存储创建的数据，所述存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的图像中目标物的分割方法。
CN202011015764.XA 2020-09-24 2020-09-24 图像中目标物的分割方法、装置、电子设备及存储介质 Active CN111932547B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011015764.XA CN111932547B (zh) 2020-09-24 2020-09-24 图像中目标物的分割方法、装置、电子设备及存储介质
PCT/CN2020/131993 WO2021189913A1 (zh) 2020-09-24 2020-11-27 图像中目标物的分割方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011015764.XA CN111932547B (zh) 2020-09-24 2020-09-24 图像中目标物的分割方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111932547A CN111932547A (zh) 2020-11-13
CN111932547B true CN111932547B (zh) 2021-06-11

Family

ID=73334146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011015764.XA Active CN111932547B (zh) 2020-09-24 2020-09-24 图像中目标物的分割方法、装置、电子设备及存储介质

Country Status (2)

Country Link
CN (1) CN111932547B (zh)
WO (1) WO2021189913A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932547B (zh) * 2020-09-24 2021-06-11 平安科技（深圳）有限公司 图像中目标物的分割方法、装置、电子设备及存储介质
CN112465060A (zh) * 2020-12-10 2021-03-09 平安科技（深圳）有限公司 图像中目标物检测方法、装置、电子设备及可读存储介质
CN112925938A (zh) * 2021-01-28 2021-06-08 上海商汤智能科技有限公司 一种图像标注方法、装置、电子设备及存储介质
CN113222890B (zh) * 2021-03-30 2023-09-15 平安科技（深圳）有限公司 小目标物检测方法、装置、电子设备及存储介质
CN114170481B (zh) * 2022-02-10 2022-06-17 北京字节跳动网络技术有限公司 用于图像处理的方法、设备、存储介质和程序产品
TWI826316B (zh) * 2023-05-11 2023-12-11 宏碁股份有限公司 影像分割模型訓練方法及電子裝置
CN116309963B (zh) * 2023-05-18 2023-08-18 太初(无锡)电子科技有限公司 一种图像的批量标注方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009623A (zh) * 2019-04-10 2019-07-12 腾讯科技（深圳）有限公司 一种图像识别模型训练及图像识别方法、装置及系统
CN110543911A (zh) * 2019-08-31 2019-12-06 华南理工大学 一种结合分类任务的弱监督目标分割方法
CN111160367A (zh) * 2019-12-23 2020-05-15 上海联影智能医疗科技有限公司 图像分类方法、装置、计算机设备和可读存储介质
CN111178364A (zh) * 2019-12-31 2020-05-19 北京奇艺世纪科技有限公司 一种图像识别方法和装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10699412B2 (en) * 2017-03-23 2020-06-30 Petuum Inc. Structure correcting adversarial network for chest X-rays organ segmentation
CN108052937B (zh) * 2017-12-28 2019-05-31 百度在线网络技术（北京）有限公司 基于弱监督的字符检测器训练方法、装置、系统及介质
CN109636805B (zh) * 2018-11-19 2022-04-01 浙江大学山东工业技术研究院 一种基于分类先验的宫颈图像病变区域分割装置及方法
CN111598900B (zh) * 2020-05-18 2022-08-09 腾讯医疗健康(深圳)有限公司 一种图像区域分割模型训练方法、分割方法和装置
CN111932547B (zh) * 2020-09-24 2021-06-11 平安科技（深圳）有限公司 图像中目标物的分割方法、装置、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009623A (zh) * 2019-04-10 2019-07-12 腾讯科技（深圳）有限公司 一种图像识别模型训练及图像识别方法、装置及系统
CN110543911A (zh) * 2019-08-31 2019-12-06 华南理工大学 一种结合分类任务的弱监督目标分割方法
CN111160367A (zh) * 2019-12-23 2020-05-15 上海联影智能医疗科技有限公司 图像分类方法、装置、计算机设备和可读存储介质
CN111178364A (zh) * 2019-12-31 2020-05-19 北京奇艺世纪科技有限公司 一种图像识别方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一个神经网络可以有两个损失函数吗？;护花使者等;《知乎-https://www.zhihu.com/question/338559590》;20190809;第1-3页 *
上采样方法原理简介;井底蛙蛙呱呱呱;《简书-https://www.jianshu.com/p/587c3a45df67》;20190527;第1-3页 *

Also Published As

Publication number Publication date
CN111932547A (zh) 2020-11-13
WO2021189913A1 (zh) 2021-09-30

Similar Documents

Publication Publication Date Title
CN111932547B (zh) 图像中目标物的分割方法、装置、电子设备及存储介质
CN111932564B (zh) 图片识别方法、装置、电子设备及计算机可读存储介质
CN113283446B (zh) 图像中目标物识别方法、装置、电子设备及存储介质
WO2021189909A1 (zh) 病灶检测分析方法、装置、电子设备及计算机存储介质
CN111652845A (zh) 异常细胞自动标注方法、装置、电子设备及存储介质
CN112465060A (zh) 图像中目标物检测方法、装置、电子设备及可读存储介质
CN111932534B (zh) 医学影像图片分析方法、装置、电子设备及可读存储介质
CN111862096B (zh) 图像分割方法、装置、电子设备及存储介质
CN111476760B (zh) 医学图像的生成方法、装置、电子设备及介质
CN113065609B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN113298159A (zh) 目标检测方法、装置、电子设备及存储介质
CN112308853A (zh) 电子设备、医学图像指标生成方法、装置及存储介质
CN112885423A (zh) 疾病标签检测方法、装置、电子设备及存储介质
CN114708461A (zh) 基于多模态学习模型的分类方法、装置、设备及存储介质
CN111985449A (zh) 救援现场图像的识别方法、装置、设备及计算机介质
CN114022841A (zh) 人员监控识别方法、装置、电子设备及可读存储介质
CN113487621A (zh) 医学图像分级方法、装置、电子设备及可读存储介质
CN112990374A (zh) 图像分类方法、装置、电子设备及介质
CN114511569B (zh) 基于肿瘤标志物的医学图像识别方法、装置、设备及介质
CN115294426B (zh) 介入医学设备的跟踪方法、装置、设备及存储介质
CN112101481A (zh) 目标物的影响因子筛选方法、装置、设备及存储介质
CN112580505B (zh) 网点开关门状态识别方法、装置、电子设备及存储介质
CN115100103A (zh) 基于细菌数据的肿瘤预测方法及装置
CN113705686B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN112233194B (zh) 医学图片优化方法、装置、设备及计算机可读存储介质

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