CN111932563B - 图片区域分割方法、装置、电子设备及存储介质 - Google Patents

图片区域分割方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111932563B
CN111932563B CN202011011830.6A CN202011011830A CN111932563B CN 111932563 B CN111932563 B CN 111932563B CN 202011011830 A CN202011011830 A CN 202011011830A CN 111932563 B CN111932563 B CN 111932563B
Authority
CN
China
Prior art keywords
picture
training
picture set
model
initial
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
CN202011011830.6A
Other languages
English (en)
Other versions
CN111932563A (zh
Inventor
李楠楠
叶苓
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 CN202011011830.6A priority Critical patent/CN111932563B/zh
Publication of CN111932563A publication Critical patent/CN111932563A/zh
Application granted granted Critical
Publication of CN111932563B publication Critical patent/CN111932563B/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
    • G06T7/11—Region-based segmentation
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]

Landscapes

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

Abstract

本发明涉及人工智能，揭露一种图片区域分割方法，包括：利用对第一初始图片集进行噪声添加得到的第一训练图片集训练得到图片降噪模型；利用对第一初始图片集进行分辨率降低得到的第二训练图片集训练得到高分辨率模型；利用第二初始图片集训练得到图片分割模型；根据所述图片降噪模型、所述高分辨率模型及所述图片分割模型对所述待分割图片进行分割处理，得到分割结果。本发明还涉及区块链，所述待分割图片可以存储在区块链节点中。本发明还提出一种图片区域分割装置、电子设备以及一种计算机可读存储介质。本发明可以应用于胸部CT图片中胸腔积液区域的分割。本发明可以提高图片分割的准确度。

Description

图片区域分割方法、装置、电子设备及存储介质
技术领域
本发明涉及人工智能领域，尤其涉及一种图片区域分割方法、装置、电子设备及存储介质。
背景技术
随着人工智能的发展，图片区域分割模型的应用越来越广泛，不仅应用到了日常生活中，还应用到了数字医疗中，极大的辅助了医生的诊断和治疗，例如：利用图片分割模型对胸部CT图片中胸腔积液区域进行分割，辅助医生进行诊疗。
但是目前一些图片的质量较差，导致图片区域分割模型对图片进行分割的准确度较低，难以满足临床高精度需要。
发明内容
本发明提供一种图片区域分割方法、装置、电子设备及存储介质，其主要目的在于提高图片区域分割的准确度。
为实现上述目的，本发明提供的一种图片区域分割方法，包括：
获取第一初始图片集，对所述第一初始图片集进行噪声添加处理，得到第一训练图片集；
利用所述第一训练图片集对预构建的第一生成对抗网络模型进行训练，得到图片降噪模型；
对所述第一初始图片集进行分辨率降低处理，得到第二训练图片集；
利用所述第二训练图片集对预构建的第二生成对抗网络模型进行训练，得到高分辨率模型；
获取第二初始图片集，利用所述第二初始图片集对预构建的深度学习模型进行训练，得到图片分割模型；
当接收到待分割图片时，根据所述图片降噪模型、所述高分辨率模型及所述图片分割模型对所述待分割图片进行处理，得到分割结果。
可选地，所述对所述第一初始图片集进行噪声添加处理，得到第一训练图片集，包括：
对所述第一初始图片集中的每张图片添加预设强度范围的图片噪声，得到初始噪声图片集；
从所述初始噪声图片集中获取与所述第一初始图片集中的每张图片对应的噪声图片；
将所述初始图片集中的每张图片与对应的噪声图片构建为一个图片组；
整合所有构建的图片组，得到所述第一训练图片集。
可选地，所述利用所述第一训练图片集对预构建的第一生成对抗网络模型进行训练，得到图片降噪模型，包括：
构建第一损失函数；
基于所述第一损失函数，利用所述第一训练图片集对所述第一生成对抗网络模型进行生成器与鉴别器的交替迭代训练；
当所述第一损失函数的值达到第一预设阈值时，停止训练，得到所述图片降噪模型。
可选地，所述对所述第一初始图片集进行分辨率降低处理，得到第二训练图片集，包括：
对所述第一初始图片集中的每张图片进行分辨率降低处理，得到初始低分辨率图片集；
将所述第一初始图片集中的图片与初始低分辨率图片集中对应的图片构建为一个图片组；
整合所有构建的图片组，得到所述第二训练图片集。
可选地，所述对所述第一初始图片集中的每张图片进行分辨率降低处理，得到初始低分辨率图片集，包括：
对所述第一初始图片集中的每张图片进行下采样处理，得到下采样图片集；
对所述下采样图片集中的每张图片进行高斯平滑处理，得到标准下采样图片集；
将所述标准下采样图片集中的每张图片上采样为预设大小的图片，得到所述初始低分辨率图片集。
可选地，所述利用所述第二初始图片集对预构建的深度学习模型进行训练，得到图片分割模型，包括：
对所述第二初始图片集中的图片进行水平随机翻转、随机旋转及边缘裁剪处理，得到标准训练图片集；
构建第三损失函数，基于所述第三损失函数以及所述标准训练图片集对所述深度学习模型进行迭代训练；
当所述第三损失函数的值达到第三预设阈值时，停止训练，得到所述图片分割模型。
可选地，所述待分割图片为待分割胸腔积液区域的胸部CT图片。
为了解决上述问题，本发明还提供一种图片区域分割装置，所述装置包括：
图片降噪模型生成模块，用于获取第一初始图片集，对所述第一初始图片集进行噪声添加处理，得到第一训练图片集；利用所述第一训练图片集对预构建的第一生成对抗网络模型进行训练，得到图片降噪模型；
高分辨率模型生成模块，用于对所述第一初始图片集进行分辨率降低处理，得到第二训练图片集；利用所述第二训练图片集对预构建的第二生成对抗网络模型进行训练，得到高分辨率模型；
图片分割模块，用于当接收到待分割图片时，根据所述图片降噪模型、所述高分辨率模型及所述图片分割模型对所述待分割图片进行分割处理，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指令，所述计算机程序指令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上述所述的图片区域分割方法。
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，存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的图片区域分割方法。
本发明实施例中，对所述第一初始图片集进行噪声添加处理，得到第一训练图片集，利用所述第一训练图片集对预构建的第一生成对抗网络模型进行训练，得到图片降噪模型，保证了图片降噪模型有良好的降噪效果；对所述第一初始图片集进行分辨率降低处理，得到第二训练图片集，利用所述第二训练图片集对预构建的第二生成对抗网络模型进行训练，得到高分辨率模型，保证了高分辨率模型有良好的分辨率增强的效果；获取第二初始图片集，利用所述第二初始图片集对预构建的深度学习模型进行训练，得到图片分割模型；当接收到待分割图片时，根据所述图片降噪模型、所述高分辨率模型及所述图片分割模型对所述待分割图片进行处理，对待分割图片进行降噪及分辨率增强，同时将降噪的待分割图片、分辨率增强的待分割图片及待分割图片，提升了待分割图片的图片质量，从而提高了图片分割的准确度。
附图说明
图1为本发明实施例提供的图片区域分割方法的流程示意图；
图2为图1提供的图片区域分割方法中其中一个步骤的流程示意图；
图3为图1提供的图片区域分割方法中另外一个步骤的流程示意图；
图4为本发明实施例提供的图片区域分割装置的模块示意图；
图5为本发明实施例提供的实现图片区域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。
本发明提供一种图片区域分割方法。参照图1所示，为本发明一实施例提供的图片区域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，图片区域分割方法包括：
S1、获取第一初始图片集，对所述第一初始图片集进行噪声添加处理，得到第一训练图片集；
本发明实施例中，所述第一初始图片集为高质量的医学影像图片的集合，如：薄层胸部CT图片集合。
通常，为了保证后续模型有良好的降噪能力，需要获取包含有噪声图片和无噪声图片的训练样本，其中，无噪声图片的图片质量直接影响模型的训练效果。为了提高模型的训练效果，本发明实施例采用向无噪声图片中添加噪声的方法获取质量可控的训练样本。因此本发明实施例对所述第一初始图片集进行噪声添加处理，得到第一训练图片集。
详细地，本发明实施例中所述对所述第一初始图片集进行噪声添加处理，包括：对所述第一初始图片集中的每张图片添加预设强度范围的图片噪声，得到初始噪声图片集；将所述第一初始图片集中的图片与初始噪声图片集中对应的图片构建为一个图片组；整合所有构建的图片组，得到所述第一训练图片集。
例如：所述第一初始图片集中共有两张无噪声图片A、B，所述初始噪声图片集包含噪声图片a、b；噪声图片a为无噪声图片A添加噪声生成，因此，本发明实施例将无噪声图片A及对应的噪声图片a构成一个图片组（A，a）；噪声图片b为无噪声图片B添加噪声生成，因此，本发明实施例将无噪声图片B及对应的噪声图片b构成一个图片组（B，b）；汇总图片组（A，a）与（B，b）得到第一训练图片集。
较佳地，本发明实施例中，所述图片噪声为高斯白噪声，所述强度范围为所述图片噪声方差σ∈(0，50]。
S2、利用所述第一训练图片集对预构建的第一生成对抗网络模型进行训练，得到图片降噪模型；
较佳地，本发明实施例中，所述第一生成对抗网络模型为条件生成对抗网络模型。
所述第一生成对抗网络模型分为生成器和鉴别器两个部分。在训练过程中，生成器用来对所述第一训练图片集中每组图片中的噪声图片进行去噪处理得到生成图片，所述鉴别器用来判断所述生成图片是生成器生成的还是所述第一训练图片集中每组图片中噪声图片对应的无噪声图片，使生成器对噪声图片进行去噪处理得到生成图片，能逼近所述第一训练图片集中每组图片中噪声图片对应的无噪声图片，根据此时的生成网络得到一个生成模型，用来对图片进行图片降噪。
详细地，本发明实施例构建第一损失函数；基于所述第一损失函数，利用所述第一训练图片集对所述第一生成对抗网络模型进行生成器与鉴别器的交替迭代训练；当所述第一损失函数的值达到第一预设阈值时，停止训练，得到所述图片降噪模型。
其中，所述第一损失函数为：
Figure 233091DEST_PATH_IMAGE001
Figure 665210DEST_PATH_IMAGE002
Figure 86964DEST_PATH_IMAGE003
其中，所述
Figure 415177DEST_PATH_IMAGE004
为所述第一损失函数的损失值，
Figure 555171DEST_PATH_IMAGE005
为预构建的对抗损失函数，
Figure 259822DEST_PATH_IMAGE006
为预构建的L1范式目标损失函数，
Figure 303127DEST_PATH_IMAGE007
为预设损失系数，
Figure 802241DEST_PATH_IMAGE008
为所述降噪图片集中每组图片中的无噪声图片，
Figure 960690DEST_PATH_IMAGE009
为所述降噪图片集中每组图片中的噪声图片，
Figure 203452DEST_PATH_IMAGE010
表示预设的随机参数变量，
Figure 599799DEST_PATH_IMAGE011
为所述第一生成对抗网络模型中的生成器，
Figure 473077DEST_PATH_IMAGE012
为所述第一生成对抗网络模型中的鉴别器，
Figure 587663DEST_PATH_IMAGE013
为所述第一训练图片集的概率分布，
Figure 368537DEST_PATH_IMAGE014
为期望值计算函数。
S3、对所述第一初始图片集进行分辨率降低处理，得到第二训练图片集；
本发明实施例为了后续模型有更好的降噪能力，需要利用模型学习图片低分辨率和高分辨率的差别，因此为了获取图片质量可控的训练样本，本发明实施例对所述第一初始图片集进行分辨率降低操作，得到第二训练图片集。
详细地，本发明实施例中，参照图2所示，所述对所述第一初始图片集进行分辨率降低处理，包括：
S31、对所述第一初始图片集中的每张图片进行分辨率降低处理，得到初始低分辨率图片集；
详细地，本发明实施例中，所述对所述第一初始图片集中的每张图片进行分辨率降低处理，包括：对所述第一初始图片集中的每张图片进行下采样处理，得到下采样图片集；对所述下采样图片集中的每张图片进行高斯平滑处理，得到标准下采样图片集；将所述标准下采样图片集中的每张图片上采样为预设大小的图片，得到初始低分辨率图片集。
S32、将所述第一初始图片集中的图片与初始低分辨率图片集中对应的图片构建为一个图片组；
S33、整合所有构建的图片组，得到所述第二训练图片集。
例如：所述第一初始图片集中共有两张高分辨率图片T、U，所述初始低分辨率图片集低分辨率图片t、u；低分辨率图片t是通过高分辨率图片T进行分辨率降低处理得到，所以高分辨率图片T及对应的低分辨率图片t构成一个图片组（T，t）；低分辨率图片u是通过高分辨率图片U进行分辨率降低处理得到，因此，高分辨率图片U及对应的低分辨率图片u构成一个图片组（U，u）；汇总图片组（T，t）与（U，u）得到第二训练图片集。
S4、利用所述第二训练图片集对预构建的第二生成对抗网络模型进行训练，得到高分辨率模型；
较佳地，本发明实施例中，所述第二生成对抗网络模型为高分辨率生成对抗网络模型。
本发明实施例中，所述高分辨率生成对抗网络模型分为生成器和鉴别器两个部分。在训练过程中，生成器用来对所述第二训练图片集中每组图片中的低分辨率图片进行分辨率增强，得到生成图片，所述鉴别器用来判断生成图片是生成器生成的，还是所述第二训练图片集中每组图片中低分辨率图片对应的高分辨率图片，使生成器对低分辨率图片进行分辨率增强得到的生成图片能逼近所述第二训练图片集中每组图片中低分辨率图片对应的高分辨率图片，根据此时的生成网络得到一个生成模型，用来对图片进行分辨率增强。
进一步地，本发明实施例中，所述利用所述第二训练图片集对预构建的第二生成对抗网络模型进行训练，包括：构建第二损失函数，基于所述第二损失函数以所述第二训练图片集对预构建的第二生成对抗网络模型进行生成器与鉴别器的交替迭代训练，当所述第二损失函数的值达到第二预设阈值时，停止训练，得到所述图片高分辨率模型。
详细地，本发明实施例中，所述第二损失函数与所述第一损失函数为同一类别的损失函数。
S5、获取第二初始图片集，利用所述第二初始图片集对预构建的深度学习模型进行训练，得到图片分割模型；
本发明实施例中，所述第二初始图片集为带有位置标签及标签坐标信息的高质量的医学影像图片的集合，较佳地，所述位置标签为胸腔积液病灶区域分割金标准值，所述标签坐标信息为胸腔积液病灶区域的像素坐标。
详细地，本发明实施例中为了增强模型泛化能力与鲁棒性，对所述第二初始图片集中的图片进行水平随机翻转、随机旋转及边缘裁剪处理，得到标准训练图片集。
进一步地，本发明实施例中构建第三损失函数，基于第三损失函数以所述标准训练图片集对所述深度学习模型进行迭代训练，当所述第三损失函数的值第三预设阈值时，停止训练，得到所述图片分割模型。
较佳地，本发明实施例中所述深度学习模型为带有坐标卷积层的深度学习模型，例如：ResUnet34模型，其中，所述坐标卷积层相比于普通卷积层的增加的额外的像素坐标信息，更有利于对图片进行分割。
详细地，本发明实施例中，所述第三损失函数如下：
Figure 386434DEST_PATH_IMAGE015
其中，
Figure 227351DEST_PATH_IMAGE016
为所述第三损失函数，
Figure 829234DEST_PATH_IMAGE017
表示所述标准训练图片集中图片的数量；T表示所述标准训练图片集中每张图片的总像素值，
Figure 413799DEST_PATH_IMAGE018
表示所述标准训练图片集中第
Figure 784738DEST_PATH_IMAGE019
张图片的第j个像素的预测值，
Figure 796556DEST_PATH_IMAGE020
表示所述标准训练图片集中第
Figure 620155DEST_PATH_IMAGE019
张图像的第j个像素的分割金标准值。
S6、当接收到待分割图片时，根据所述图片降噪模型、所述高分辨率模型及所述图片分割模型对所述待分割图片进行分割处理，得到分割结果。
本发明实施例中，所述待分割图片可以为医疗科技中的医学影像图片，如：待分割胸腔积液区域的胸部CT图片。
进一步地，本发明实施例中，参照图3所示，所述根据所述图片降噪模型、所述高分辨率模型及所述图片分割模型对所述待分割图片进行处理，包括：
S61、利用所述图片降噪模型对所述待分割图片进行降噪处理，得到待分割降噪图片；
S62、利用所述高分辨率模型对所述待分割图片进行分辨率增强处理，得到待分割高分辨率图片；
S63、将所述待分割降噪图片、所述待分割高分辨率图片及所述待分割图片进行通道合成，得到标准待分割图片。
本发明实施例中通过上述通道合成提高了所述待分割图片的图片质量，提高了后续分割模型的分割准确率。
S64、利用所述图片分割模型对所述标准待分割图片进行分割处理，得到所述分割结果。
本发明的另一实施例中，为了保证数据的隐私性，所述待分割图片可以存储在区块链节点中。
本发明实施例中，对所述第一初始图片集进行噪声添加处理，得到第一训练图片集，利用所述第一训练图片集对预构建的第一生成对抗网络模型进行训练，得到图片降噪模型，保证了图片降噪模型有良好的降噪效果；对所述第一初始图片集进行分辨率降低处理，得到第二训练图片集，利用所述第二训练图片集对预构建的第二生成对抗网络模型进行训练，得到高分辨率模型，保证了高分辨率模型有良好的分辨率增强的效果；获取第二初始图片集，利用所述第二初始图片集对预构建的深度学习模型进行训练，得到图片分割模型；当接收到待分割图片时，根据所述图片降噪模型、所述高分辨率模型及所述图片分割模型对所述待分割图片进行处理，对待分割图片进行降噪及分辨率增强，同时将降噪的待分割图片、分辨率增强的待分割图片及待分割图片，提升了待分割图片的图片质量，从而提高了图片分割的准确度。
如图4所示，是本发明图片区域分割装置的功能模块图。
本发明所述图片区域分割装置100可以安装于电子设备中。根据实现的功能，所述图片区域分割装置可以包括图片降噪模型生成模块101、高分辨率模型生成模块102、图片分割模型模块103及图片处理模块104。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：
所述图片降噪模型生成模块101用于获取第一初始图片集，对所述第一初始图片集进行噪声添加处理，得到第一训练图片集，利用所述第一训练图片集对预构建的第一生成对抗网络模型进行训练，得到图片降噪模型。
本发明实施例中，所述第一初始图片集为高质量的医学影像图片的集合，如：薄层胸部CT图片集合。
通常，为了保证后续模型有良好的降噪能力，需要获取包含有噪声图片和无噪声图片的训练样本，其中，无噪声图片的图片质量直接影响模型的训练效果。为了提高模型的训练效果，本发明实施例采用向无噪声图片中添加噪声的方法获取质量可控的训练样本。因此本发明实施例利用所述图片降噪模型生成模块101对所述第一初始图片集进行噪声添加处理，得到第一训练图片集。
详细地，本发明实施例中所述图片降噪模型生成模块101利用如下手段对所述第一初始图片集进行噪声添加处理，包括：对所述第一初始图片集中的每张图片添加预设强度范围的图片噪声，得到初始噪声图片集；将所述第一初始图片集中的图片与初始噪声图片集中对应的图片构建为一个图片组；整合所有构建的图片组，得到所述第一训练图片集。
例如：所述第一初始图片集中共有两张无噪声图片A、B，所述初始噪声图片集包含噪声图片a、b；噪声图片a为无噪声图片A添加噪声生成，因此，本发明实施例将无噪声图片A及对应的噪声图片a构成一个图片组（A，a）；噪声图片b为无噪声图片B添加噪声生成，因此，本发明实施例将无噪声图片B及对应的噪声图片b构成一个图片组（B，b）；汇总图片组（A，a）与（B，b）得到第一训练图片集。
较佳地，本发明实施例中，所述图片噪声为高斯白噪声，所述强度范围为所述图片噪声方差σ∈(0，50]。
较佳地，本发明实施例中，所述第一生成对抗网络模型为条件生成对抗网络模型。
所述第一生成对抗网络模型分为生成器和鉴别器两个部分。在训练过程中，生成器用来对所述第一训练图片集中每组图片中的噪声图片进行去噪处理得到生成图片，所述鉴别器用来判断所述生成图片是生成器生成的还是所述第一训练图片集中每组图片中噪声图片对应的无噪声图片，使生成器对噪声图片进行去噪处理得到生成图片，能逼近所述第一训练图片集中每组图片中噪声图片对应的无噪声图片，根据此时的生成网络得到一个生成模型，用来对图片进行图片降噪。
详细地，本发明实施例所述图片降噪模型生成模块101构建第一损失函数；基于所述第一损失函数，利用所述第一训练图片集对所述第一生成对抗网络模型进行生成器与鉴别器的交替迭代训练；当所述第一损失函数的值达到第一预设阈值时，停止训练，得到所述图片降噪模型。
其中，所述第一损失函数为：
Figure 8411DEST_PATH_IMAGE001
Figure 735321DEST_PATH_IMAGE002
Figure 183620DEST_PATH_IMAGE003
其中，所述
Figure 760095DEST_PATH_IMAGE004
为所述第一损失函数的损失值，
Figure 686463DEST_PATH_IMAGE005
为预构建的对抗损失函数，
Figure 500835DEST_PATH_IMAGE006
为预构建的L1范式目标损失函数，
Figure 385614DEST_PATH_IMAGE007
为预设损失系数，
Figure 183806DEST_PATH_IMAGE008
为所述降噪图片集中每组图片中的无噪声图片，
Figure 913865DEST_PATH_IMAGE009
为所述降噪图片集中每组图片中的噪声图片，
Figure 349787DEST_PATH_IMAGE010
表示预设的随机参数变量，
Figure 139889DEST_PATH_IMAGE011
为所述第一生成对抗网络模型中的生成器，
Figure 425377DEST_PATH_IMAGE012
为所述第一生成对抗网络模型中的鉴别器，
Figure 693547DEST_PATH_IMAGE013
为所述第一训练图片集的概率分布，
Figure 748091DEST_PATH_IMAGE014
为期望值计算函数。
所述高分辨率模型生成模块102用于对所述第一初始图片集进行分辨率降低处理，得到第二训练图片集，利用所述第二训练图片集对预构建的第二生成对抗网络模型进行训练，得到高分辨率模型。
本发明实施例为了后续模型有更好的降噪能力，需要利用模型学习图片低分辨率和高分辨率的差别，因此为了获取图片质量可控的训练样本，本发明实施例对所述第一初始图片集进行分辨率降低操作，得到第二训练图片集。
详细地，本发明实施例中，所述高分辨率模型生成模块102利用如下手段对所述第一初始图片集进行分辨率降低处理，包括：
步骤a、对所述第一初始图片集中的每张图片进行分辨率降低处理，得到初始低分辨率图片集；
详细地，本发明实施例中，所述对所述第一初始图片集中的每张图片进行分辨率降低处理，包括：对所述第一初始图片集中的每张图片进行下采样处理，得到下采样图片集；对所述下采样图片集中的每张图片进行高斯平滑处理，得到标准下采样图片集；将所述标准下采样图片集中的每张图片上采样为预设大小的图片，得到初始低分辨率图片集。
步骤b、将所述第一初始图片集中的图片与初始低分辨率图片集中对应的图片构建为一个图片组；
步骤c、整合所有构建的图片组，得到所述第二训练图片集。
例如：所述第一初始图片集中共有两张高分辨率图片T、U，所述初始低分辨率图片集低分辨率图片t、u；低分辨率图片t是通过高分辨率图片T进行分辨率降低处理得到，所以高分辨率图片T及对应的低分辨率图片t构成一个图片组（T，t）；低分辨率图片u是通过高分辨率图片U进行分辨率降低处理得到，因此，高分辨率图片U及对应的低分辨率图片u构成一个图片组（U，u）；汇总图片组（T，t）与（U，u）得到第二训练图片集。
较佳地，本发明实施例中，所述第二生成对抗网络模型为高分辨率生成对抗网络模型。
本发明实施例中，所述高分辨率生成对抗网络模型分为生成器和鉴别器两个部分。在训练过程中，生成器用来对所述第二训练图片集中每组图片中的低分辨率图片进行分辨率增强，得到生成图片，所述鉴别器用来判断生成图片是生成器生成的，还是所述第二训练图片集中每组图片中低分辨率图片对应的高分辨率图片，使生成器对低分辨率图片进行分辨率增强得到的生成图片能逼近所述第二训练图片集中每组图片中低分辨率图片对应的高分辨率图片，根据此时的生成网络得到一个生成模型，用来对图片进行分辨率增强。
进一步地，本发明实施例中，所述高分辨率模型生成模块102利用如下手段对预构建的第二生成对抗网络模型进行训练，包括：构建第二损失函数，基于所述第二损失函数以所述第二训练图片集对所述第二生成对抗网络模型进行生成器与鉴别器的交替迭代训练，当所述第二损失函数的值达到第二预设阈值时，停止训练，得到所述图片高分辨率模型。
详细地，本发明实施例中，所述第二损失函数与所述第一损失函数为同一类别的损失函数。
所述图片分割模型模块103用于获取第二初始图片集，利用所述第二初始图片集对预构建的深度学习模型进行训练，得到图片分割模型。
本发明实施例中，所述第二初始图片集为带有位置标签及标签坐标信息的高质量的医学影像图片的集合，较佳地，所述位置标签为胸腔积液病灶区域分割金标准值，所述标签坐标信息为胸腔积液病灶区域的像素坐标。
详细地，本发明实施例中为了增强模型泛化能力与鲁棒性，对所述第二初始图片集中的图片进行水平随机翻转、随机旋转及边缘裁剪处理，得到标准训练图片集。
进一步地，本发明实施例中所述图片分割模型模块103构建第三损失函数，基于第三损失函数以所述标准训练图片集对所述深度学习模型进行迭代训练，当所述第三损失函数的值第三预设阈值时，停止训练，得到所述图片分割模型。
较佳地，本发明实施例中所述深度学习模型为带有坐标卷积层的深度学习模型，例如：ResUnet34模型，其中，所述坐标卷积层相比于普通卷积层的增加的额外的像素坐标信息，更有利于对图片进行分割。
详细地，本发明实施例中，所述第三损失函数如下：
Figure 709093DEST_PATH_IMAGE015
其中，
Figure 216298DEST_PATH_IMAGE016
为所述第三损失函数，
Figure 288159DEST_PATH_IMAGE017
表示所述标准训练图片集中图片的数量；T表示所述标准训练图片集中每张图片的总像素值，
Figure 964254DEST_PATH_IMAGE018
表示所述标准训练图片集中第
Figure 830578DEST_PATH_IMAGE019
张图片的第j个像素的预测值，
Figure 90658DEST_PATH_IMAGE020
表示所述标准训练图片集中第
Figure 700631DEST_PATH_IMAGE019
张图像的第j个像素的分割金标准值。
所述图片处理模块104用于当接收到待分割图片时，根据所述图片降噪模型、所述高分辨率模型及所述图片分割模型对所述待分割图片进行分割处理，得到分割结果。
本发明实施例中，所述待分割图片可以为医疗科技中的医学影像图片，如：待分割胸腔积液区域的胸部CT图片。
进一步地，本发明实施例中，所述图片处理模块104利用如下手段对所述待分割图片进行处理，包括：
步骤A、利用所述图片降噪模型对所述待分割图片进行降噪处理，得到待分割降噪图片；
步骤B、利用所述高分辨率模型对所述待分割图片进行分辨率增强处理，得到待分割高分辨率图片；
步骤C、将所述待分割降噪图片、所述待分割高分辨率图片及所述待分割图片进行通道合成，得到标准待分割图片；
本发明实施例中通过上述通道合成提高了所述待分割图片的图片质量，提高了后续分割模型的分割准确率。
步骤D、利用所述图片分割模型对所述标准待分割图片进行分割处理，得到所述分割结果。
本发明的另一实施例中，为了保证数据的隐私性，所述待分割图片可以存储在区块链节点中。
如图5所示，是本发明实现图片区域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，如图片区域分割程序。
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，例如图片区域分割程序的代码等，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（例如图片区域分割程序等），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5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5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存储的图片区域分割程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取第一初始图片集，对所述第一初始图片集进行噪声添加处理，得到第一训练图片集；
利用所述第一训练图片集对预构建的第一生成对抗网络模型进行训练，得到图片降噪模型；
对所述第一初始图片集进行分辨率降低处理，得到第二训练图片集；
利用所述第二训练图片集对预构建的第二生成对抗网络模型进行训练，得到高分辨率模型；
获取第二初始图片集，利用所述第二初始图片集对预构建的深度学习模型进行训练，得到图片分割模型；
当接收到待分割图片时，根据所述图片降噪模型、所述高分辨率模型及所述图片分割模型对所述待分割图片进行分割处理，得到分割结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至3对应实施例中相关步骤的描述，在此不赘述。
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标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 (8)

1.一种图片区域分割方法，其特征在于，所述方法包括：
获取第一初始图片集，对所述第一初始图片集进行噪声添加处理，得到第一训练图片集；
构建第一损失函数，所述第一损失函数为：
Figure 473217DEST_PATH_IMAGE001
其中，所述
Figure 455604DEST_PATH_IMAGE002
为所述第一损失函数的损失值，
Figure 766500DEST_PATH_IMAGE003
为预构建的对抗损失函数，
Figure 958447DEST_PATH_IMAGE004
为预构建的L1范式目标损失函数，
Figure 569557DEST_PATH_IMAGE005
为预设损失系数，
Figure 188757DEST_PATH_IMAGE006
为降噪图片集中每组图片中的无噪声图片，
Figure 986949DEST_PATH_IMAGE007
为所述降噪图片集中每组图片中的噪声图片，
Figure 982586DEST_PATH_IMAGE008
表示预设的随机参数变量，
Figure 182624DEST_PATH_IMAGE009
为第一生成对抗网络模型中的生成器，
Figure 972725DEST_PATH_IMAGE010
为所述第一生成对抗网络模型中的鉴别器，
Figure 258213DEST_PATH_IMAGE011
为所述第一训练图片集的概率分布，
Figure 791962DEST_PATH_IMAGE012
为期望值计算函数；
基于所述第一损失函数，利用所述第一训练图片集对所述第一生成对抗网络模型进行生成器与鉴别器的交替迭代训练；
当所述第一损失函数的值达到第一预设阈值时，停止训练，得到图片降噪模型；
对所述第一初始图片集进行分辨率降低处理，得到第二训练图片集；
利用所述第二训练图片集对预构建的第二生成对抗网络模型进行训练，得到高分辨率模型；
获取第二初始图片集，对所述第二初始图片集中的图片进行水平随机翻转、随机旋转及边缘裁剪处理，得到标准训练图片集；
构建第三损失函数，基于所述第三损失函数以及所述标准训练图片集对深度学习模型进行迭代训练，所述第三损失函数如下：
Figure 846506DEST_PATH_IMAGE013
其中，
Figure 335738DEST_PATH_IMAGE014
为所述第三损失函数，
Figure 108522DEST_PATH_IMAGE015
表示所述标准训练图片集中图片的数量；T表示所述标准训练图片集中每张图片的总像素值，
Figure 914804DEST_PATH_IMAGE016
表示所述标准训练图片集中第
Figure 355012DEST_PATH_IMAGE017
张图片的第j个像素的预测值，
Figure 486916DEST_PATH_IMAGE018
表示所述标准训练图片集中第
Figure 746996DEST_PATH_IMAGE017
张图像的第j个像素的分割金标准值；
当所述第三损失函数的值达到第三预设阈值时，停止训练，得到图片分割模型；
当接收到待分割图片时，根据所述图片降噪模型、所述高分辨率模型及所述图片分割模型对所述待分割图片进行分割处理，得到分割结果。
2.如权利要求1所述的图片区域分割方法，其特征在于，所述对所述第一初始图片集进行噪声添加处理，得到第一训练图片集，包括：
对所述第一初始图片集中的每张图片添加预设强度范围的图片噪声，得到初始噪声图片集；
将所述第一初始图片集中的图片与初始噪声图片集中对应的图片构建为一个图片组；
整合所有构建的图片组，得到所述第一训练图片集。
3.如权利要求1所述的图片区域分割方法，其特征在于，所述对所述第一初始图片集进行分辨率降低处理，得到第二训练图片集，包括：
对所述第一初始图片集中的每张图片进行分辨率降低处理，得到初始低分辨率图片集；
将所述第一初始图片集中的图片与初始低分辨率图片集中对应的图片构建为一个图片组；
整合所有构建的图片组，得到所述第二训练图片集。
4.如权利要求3所述的图片区域分割方法，其特征在于，所述对所述第一初始图片集中的每张图片进行分辨率降低处理，得到初始低分辨率图片集，包括：
对所述第一初始图片集中的每张图片进行下采样处理，得到下采样图片集；
对所述下采样图片集中的每张图片进行高斯平滑处理，得到标准下采样图片集；
将所述标准下采样图片集中的每张图片上采样为预设大小的图片，得到所述初始低分辨率图片集。
5.如权利要求1所述的图片区域分割方法，其特征在于，所述待分割图片为待分割胸腔积液区域的胸部CT图片。
6.一种图片区域分割装置，其特征在于，所述装置包括：
图片降噪模型生成模块，用于获取第一初始图片集，对所述第一初始图片集进行噪声添加处理，得到第一训练图片集；构建第一损失函数，所述第一损失函数为：
Figure 622548DEST_PATH_IMAGE001
其中，所述
Figure 917263DEST_PATH_IMAGE002
为所述第一损失函数的损失值，
Figure 485648DEST_PATH_IMAGE003
为预构建的对抗损失函数，
Figure 233024DEST_PATH_IMAGE004
为预构建的L1范式目标损失函数，
Figure 646688DEST_PATH_IMAGE005
为预设损失系数，
Figure 795910DEST_PATH_IMAGE006
为降噪图片集中每组图片中的无噪声图片，
Figure 538125DEST_PATH_IMAGE007
为所述降噪图片集中每组图片中的噪声图片，
Figure 772797DEST_PATH_IMAGE008
表示预设的随机参数变量，
Figure 990152DEST_PATH_IMAGE009
为第一生成对抗网络模型中的生成器，
Figure 525039DEST_PATH_IMAGE010
为所述第一生成对抗网络模型中的鉴别器，
Figure 169647DEST_PATH_IMAGE011
为所述第一训练图片集的概率分布，
Figure 626036DEST_PATH_IMAGE012
为期望值计算函数；基于所述第一损失函数，利用所述第一训练图片集对所述第一生成对抗网络模型进行生成器与鉴别器的交替迭代训练；当所述第一损失函数的值达到第一预设阈值时，停止训练，得到图片降噪模型；
高分辨率模型生成模块，用于对所述第一初始图片集进行分辨率降低处理，得到第二训练图片集；利用所述第二训练图片集对预构建的第二生成对抗网络模型进行训练，得到高分辨率模型；
图片分割模型模块，用于获取第二初始图片集，对所述第二初始图片集中的图片进行水平随机翻转、随机旋转及边缘裁剪处理，得到标准训练图片集；构建第三损失函数，基于所述第三损失函数以及所述标准训练图片集对深度学习模型进行迭代训练，所述第三损失函数如下：
Figure 647081DEST_PATH_IMAGE013
其中，
Figure 505316DEST_PATH_IMAGE014
为所述第三损失函数，
Figure 320825DEST_PATH_IMAGE015
表示所述标准训练图片集中图片的数量；T表示所述标准训练图片集中每张图片的总像素值，
Figure 795669DEST_PATH_IMAGE016
表示所述标准训练图片集中第
Figure 620405DEST_PATH_IMAGE017
张图片的第j个像素的预测值，
Figure 861375DEST_PATH_IMAGE018
表示所述标准训练图片集中第
Figure 847786DEST_PATH_IMAGE017
张图像的第j个像素的分割金标准值；当所述第三损失函数的值达到第三预设阈值时，停止训练，得到图片分割模型；
图片处理模块，用于当接收到待分割图片时，根据所述图片降噪模型、所述高分辨率模型及所述图片分割模型对所述待分割图片进行分割处理，得到分割结果。
7.一种电子设备，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指令，所述计算机程序指令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5中任一所述的图片区域分割方法。
8.一种计算机可读存储介质，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如权利要求1至5中任一所述的图片区域分割方法。
CN202011011830.6A 2020-09-23 2020-09-23 图片区域分割方法、装置、电子设备及存储介质 Active CN111932563B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011011830.6A CN111932563B (zh) 2020-09-23 2020-09-23 图片区域分割方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011011830.6A CN111932563B (zh) 2020-09-23 2020-09-23 图片区域分割方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111932563A CN111932563A (zh) 2020-11-13
CN111932563B true CN111932563B (zh) 2021-07-06

Family

ID=73335087

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011011830.6A Active CN111932563B (zh) 2020-09-23 2020-09-23 图片区域分割方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111932563B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102454374B1 (ko) * 2021-10-07 2022-10-14 주식회사 피맥스 흉막 삼출의 검출 방법 및 이를 위한 장치
KR102639803B1 (ko) * 2021-10-07 2024-02-22 주식회사 피맥스 흉막 삼출의 검출 방법 및 이를 위한 장치

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106097347A (zh) * 2016-06-14 2016-11-09 福州大学 一种多模态医学图像配准与可视化方法
CN108710863A (zh) * 2018-05-24 2018-10-26 东北大学 基于深度学习的无人机航拍场景语义分割方法及系统
CN108765319A (zh) * 2018-05-09 2018-11-06 大连理工大学 一种基于生成对抗网络的图像去噪方法
CN110033003A (zh) * 2019-03-01 2019-07-19 华为技术有限公司 图像分割方法和图像处理装置
CN110321939A (zh) * 2019-06-21 2019-10-11 中国电子科技集团公司第二十八研究所 一种基于超分辨率重建的图像分类方法
CN110473215A (zh) * 2019-08-20 2019-11-19 贵州电网有限责任公司 一种用于架空配电线路监测场景的图像分割方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023220B (zh) * 2016-05-26 2018-10-19 史方 一种基于深度学习的车辆外观部件图像分割方法
US11234666B2 (en) * 2018-05-31 2022-02-01 Canon Medical Systems Corporation Apparatus and method for medical image reconstruction using deep learning to improve image quality in position emission tomography (PET)

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106097347A (zh) * 2016-06-14 2016-11-09 福州大学 一种多模态医学图像配准与可视化方法
CN108765319A (zh) * 2018-05-09 2018-11-06 大连理工大学 一种基于生成对抗网络的图像去噪方法
CN108710863A (zh) * 2018-05-24 2018-10-26 东北大学 基于深度学习的无人机航拍场景语义分割方法及系统
CN110033003A (zh) * 2019-03-01 2019-07-19 华为技术有限公司 图像分割方法和图像处理装置
CN110321939A (zh) * 2019-06-21 2019-10-11 中国电子科技集团公司第二十八研究所 一种基于超分辨率重建的图像分类方法
CN110473215A (zh) * 2019-08-20 2019-11-19 贵州电网有限责任公司 一种用于架空配电线路监测场景的图像分割方法

Also Published As

Publication number Publication date
CN111932563A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN111652845A (zh) 异常细胞自动标注方法、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
CN111932482B (zh) 图像中目标物的检测方法、装置、电子设备及存储介质
CN111696084B (zh) 细胞图像分割方法、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
CN111932547B (zh) 图像中目标物的分割方法、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
CN111862096B (zh) 图像分割方法、装置、电子设备及存储介质
CN111932563B (zh) 图片区域分割方法、装置、电子设备及存储介质
CN111932562B (zh) 基于ct序列的图像识别方法、装置、电子设备及介质
CN112233125A (zh) 图像分割方法、装置、电子设备及计算机可读存储介质
CN111476760B (zh) 医学图像的生成方法、装置、电子设备及介质
CN113034406A (zh) 扭曲文档恢复方法、装置、设备及介质
CN111932595A (zh) 图像配准方法、装置、电子设备及存储介质
CN111933274A (zh) 疾病分类诊断方法、装置、电子设备及存储介质
CN115205225A (zh) 医学图像识别模型的训练方法、装置、设备及存储介质
CN112862703B (zh) 基于移动拍照的图像校正方法、装置、电子设备及介质
CN113487621A (zh) 医学图像分级方法、装置、电子设备及可读存储介质
CN116563539A (zh) 肿瘤图像分割方法、装置、设备及计算机可读存储介质
CN115294426B (zh) 介入医学设备的跟踪方法、装置、设备及存储介质
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
CN112233194B (zh) 医学图片优化方法、装置、设备及计算机可读存储介质
WO2022227191A1 (zh) 非主动活体检测方法、装置、电子设备及存储介质
CN113705686A (zh) 图像分类方法、装置、电子设备及可读存储介质
CN113627394A (zh) 人脸提取方法、装置、电子设备及可读存储介质

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