CN112184714B - 图像分割方法、装置、电子设备及介质 - Google Patents
图像分割方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN112184714B CN112184714B CN202011245248.6A CN202011245248A CN112184714B CN 112184714 B CN112184714 B CN 112184714B CN 202011245248 A CN202011245248 A CN 202011245248A CN 112184714 B CN112184714 B CN 112184714B
- Authority
- CN
- China
- Prior art keywords
- image
- image set
- segmentation
- pixel
- convolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003709 image segmentation Methods 0.000 title claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims abstract description 132
- 238000012545 processing Methods 0.000 claims abstract description 94
- 210000004072 lung Anatomy 0.000 claims abstract description 34
- 238000011049 filling Methods 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 238000012546 transfer Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 36
- 238000011176 pooling Methods 0.000 claims description 24
- 230000007797 corrosion Effects 0.000 claims description 13
- 238000005260 corrosion Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000000746 purification Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000011800 void material Substances 0.000 claims description 6
- 238000004378 air conditioning Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000013507 mapping Methods 0.000 description 12
- 239000000047 product Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术,揭露一种图像分割方法,包括:获取原始图像集,对所述原始图像集进行下采样及上采样操作,将得到的特征图像集与编码图像集进行图像传递处理,得到细节图像集,将所述细节图像集中的多张细节图像进行特征融合,得到区域分割图像,对所述区域分割图像进行先腐蚀后膨胀及像素标记处理,得到目标粗分割图像,进一步对所述目标粗分割图像进行标签填充处理,得到目标细分割图像。本发明还涉及区块链技术,所述目标细分割图像等可以存储在区块链节点中。本发明还揭露一种图像分割装置、电子设备及存储介质。本发明可应用于小样本肺叶的分割。本发明可以解决传统图像分割时准确度不高的问题。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像分割方法、装置、电子设备及计算机可读存储介质。
背景技术
医学图像分割技术是医学图像处理与分析领域的重要课题之一,也是近年来备受研究人员关注的热点问题。医学图像分割的目的是把图像中具有特殊含义的不同区域分割开来,并使分割结果尽可能的接近解剖结构。
医学图像的分割对于很多疾病的筛查和精准判断都具有很重要的作用,例如对肺部疾病进行研究时,肺叶上不同区域的鉴别对肺部疾病的评估以及治疗起着重要的作用,需要对肺叶进行分割处理从而根据分割后的肺叶情况精准判断对应的疾病种类。
传统的肺叶分割算法往往是提取肺裂的基础上进一步生成肺叶分割结果,因为受到部分容积效应以及患者运动的影响,肺裂可能会模糊不清,从而使得肺裂提取难度增大,故传统的肺叶分割算法进行肺叶分割时准确度不高。
发明内容
本发明提供一种图像分割方法、装置、电子设备及计算机可读存储介质,其主要目的在于解决传统的肺叶分割算法进行肺叶分割时准确度不高的问题。
为实现上述目的,本发明提供的一种图像分割方法,包括:
获取原始图像集,利用预设的坐标卷积机制对所述原始图像集进行坐标卷积处理,得到坐标信息图像集,对所述坐标信息图像集进行下采样,得到特征图像集;
对所述特征图像集进行上采样,得到解码图像集;
将所述特征图像集与所述解码图像集进行图像传递处理,得到细节图像集;
将所述细节图像集中的多张细节图像进行特征融合,得到区域分割图像;
利用训练好的像素标记模型对所述区域分割图像进行像素标记处理,得到目标粗分割图像;
对所述目标粗分割图像进行先腐蚀再膨胀的操作,得到提纯分割图像,对所述提纯分割图像进行标签填充处理,得到目标细分割图像。
可选地,所述对所述坐标信息图像集进行下采样,得到特征图像集,包括:
利用预构建的卷积神经网络中编码器的卷积层对所述坐标信息图像集进行空洞卷积处理,得到卷积图像集;
利用所述编码器的池化层对所述卷积图像集进行池化处理,得到特征图像集。
可选地,所述利用预构建的卷积神经网络中编码器的卷积层对所述坐标信息图像集进行空洞卷积处理,得到卷积图像集,包括:
根据预设的空洞率参数对所述坐标信息图像集中的坐标信息图像进行采样,得到采样图像;
根据预设的卷积核的大小,按照从上往下,从左往右的顺序划分所述采样图像,得到多个采样子图像;
将所述预设的卷积核中的像素值与所述采样子图像中的像素值相乘,得到像素乘积值;
对所述像素乘积值进行求和,得到目标像素值;及
在所述坐标信息图像集中所有图像完成空洞卷积操作后汇总得到所述卷积图像集。
可选地,所述对所述区域分割图像进行像素标记处理,包括:
生成训练图像集和所述训练图像集对应的标记结果;
将所述训练图像集输入至预先构建的标签标记模型进行像素标记,得到训练结果;
利用预设的损失函数对所述训练结果与标记结果进行损失值计算,得到损失值;
当所述损失值大于或等于预设的损失阈值时,调整所述像素提取模型的参数,返回上述将所述训练图像集输入至预先构建的标签标记模型进行像素标记的步骤;
当所述损失值小于所述损失阈值时,得到训练完成的像素标记模型;
利用所述训练完成的像素标记模型对所述区域分割图像进行像素标记处理,并生成目标标签。
可选地,所述利用预设的损失函数包括:
其中,为损失值,/>为所述训练结果,Y为所述标记结果,α表示预设的误差因子。
可选地,所述对所述提纯分割图像进行标签填充处理,得到目标细分割图像,包括:
连通步骤:提取所述提纯分割图像中各目标标签对应的连通区域,得到标签区域;
计算步骤:获取所述各个标签区域的质心;
分类步骤:分别计算所述提纯分割图像中在区域的每个未标记的像素点与所述各个标签区域的质心之间的距离;
根据所述距离,将与未标记的像素点的距离最近的质心所属标签作为所述未标记的像素点的标签;
重复上述计算步骤及分类步骤,直到将所述提纯分割图像中所有未标记的像素点进行标记,得到目标细分割图像。
可选地,所述原始图像集包括肺部CT图像。
为了解决上述问题,本发明还提供一种图像分割装置,所述装置包括:
下采样模块,用于获取原始图像集,利用预设的坐标卷积机制对所述原始图像集进行坐标卷积处理,得到坐标信息图像集,对所述坐标信息图像集进行下采样,得到特征图像集;
上采样模块,用于对所述特征图像集进行上采样,得到解码图像集;
细节图像集生成模块,用于将所述特征图像集与所述解码图像集进行图像传递处理,得到细节图像集;
特征融合模块,用于将所述细节图像集中的多张细节图像进行特征融合,得到区域分割图像;
像素标记模块,用于利用训练好的像素标记模型对所述区域分割图像进行像素标记处理,得到目标粗分割图像;
标签填充模块,用于对所述目标粗分割图像进行先腐蚀再膨胀的操作,得到提纯分割图像,对所述提纯分割图像进行标签填充处理,得到目标细分割图像。
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的图像分割方法。
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的图像分割方法。
本发明实施例首先通过下采样及上采样操作,可以提取出图像中的特征数据,将特征图像集与所述解码图像集进行图像传递处理,得到细节图像集,以进一步丰富特征数据中的细节,进一步将所述细节图像集中的多张细节图像进行特征融合,得到区域分割图像,实现了目标物的初步分割,进一步地,本发明实施例对所述区域分割图像进行像素标记处理,得到目标粗分割图像并对所述目标粗分割图像进行先腐蚀再膨胀和标签填充处理,得到目标细分割图像。所述标签填充处理将未填充的遗漏区域进行筛选补充,确保了目标分割图像的准确性。因此,本发明提出的图像分割方法、装置及计算机可读存储介质,可以提高图像分割方法的效率,解决传统的肺叶分割算法进行肺叶分割时准确度不高的问题。
附图说明
图1为本发明实施例提供的图像分割方法的流程示意图;
图2为图1所示的图像分割方法中其中一个步骤的流程示意图;
图3为图1所示的图像分割方法中另外一个步骤的流程示意图;
图4为图1所示的图像分割方法中另外一个步骤的流程示意图;
图5为图1所示的图像分割方法中另外一个步骤的流程示意图;
图6为本发明实施例提供的图像分割装置的模块示意图;
图7为本发明实施例提供的实现图像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。
本发明实施例提供一种图像分割方法,所述图像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。
参照图1所示,为本发明实施例提供的一种图像分割方法的流程示意图。在本实施例中,所述图像分割方法包括:
S1、获取原始图像集,利用预设的坐标卷积机制对所述原始图像集进行坐标卷积处理,得到坐标信息图像集,对所述坐标信息图像集进行下采样,得到特征图像集。
在本发明实施例中,所述原始图像集包括,但不限于正常肺部CT图像及/或病变肺部CT图像。
具体地,所述利用预设的坐标卷积机制对所述原始图像集进行坐标卷积处理,得到坐标信息图像集,利用预设的坐标卷积层(CoordConv)对所述原始图像集进行计算,利用如下公式:
Fcoord=Hcoord*ILR
其中,Hcoord为坐标卷积运算,Fcoord为坐标信息图像集,ILR为所述原始图像集。
详细地,本发明实施例中,所述坐标卷积处理将原始图像集中的图像像素的坐标信息加入到后续网络模型中,从而使得模型对图像区域的整体结构信息能更加充分地学习。较佳地,本发明实施例利用预构建的卷积神经网络的编码器对所述坐标信息图像集进行下采样。
具体地,参阅图2所示,所述对所述坐标信息图像集进行下采样,得到下特征图像集,包括:
S10、利用预构建的卷积神经网络中编码器的卷积层对所述坐标信息图像集进行空洞卷积处理,得到卷积图像集;
S11、利用所述编码器中的池化层对所述卷积图像集进行池化处理,得到特征图像集。
其中,向下采样的次数越多,对应生成的特征图像集中特征图像的尺度越小,即分辨率越低,所述特征图像的语义特征越强,特征越明显。
进一步地,参阅图3所示,所述利用所述编码器中的卷积层对所述坐标信息图像集进行空洞卷积处理,得到卷积图像集,包括:
S100、根据预设的空洞率(rate)参数对所述坐标信息图像集中的坐标信息图像进行采样,得到采样图像;
S101、根据预设的卷积核的大小,按照从上往下,从左往右的顺序划分所述采样图像,得到多个采样子图像;
S102、将所述预设的卷积核中的像素值与所述采样子图像中的像素值相乘,得到像素乘积值;
S103、对所述像素乘积值进行求和,得到目标像素值,根据所述目标像素值得到目标图像;
S104、判断所述坐标信息图像集中的坐标信息图像是否全部完成空洞卷积操作。
任何一个坐标信息图像没有完成所述空洞卷积操作时,重复上述的S100至S103,直到所述坐标信息图像集中所有图像完成空洞卷积操作,执行S105,对经过空洞卷积操作后得到的目标图像进行汇总,得到所述卷积图像集。
其中,所述空洞卷积是一种线性运算,对所述坐标信息图像集进行空洞卷积处理不仅可以消除噪声、增强特征,而且可以增大了感受野,从而使得所述预构建的卷积神经网络模型能够提取到更丰富的特征信息,弥补下采样过程中内部数据结构丢失,空间层级信息丢失等信息损失。
详细地,当预设的空洞率参数为1时,所述坐标信息图像不丢失任何信息采样,此时所述空洞卷积处理就是标准的卷积处理,当预设的rate参数大于1时,在所述坐标信息图像上每隔(rate-1)个像素进行采样,得到所述采样图像。
具体地,所述利用所述编码器中的池化层对所述卷积图像集进行池化处理,得到特征图像集,包括:将所述卷积图像集中的卷积图像按照从左至右,从上至下的顺序划分出N*N的区块;利用所述编码器中的池化层对所述卷积图像中的若干区块进行池化处理,得到特征图像;将所述经过池化处理得到的特征图像进行汇总,得到所述特征图像集。
所述池化处理能对所述卷积图像集进行特征选择和信息过滤,通过降低特征的维度并保留有效信息,在一定程度上避免过拟合,保持旋转、平移、伸缩不变形。
S2、对所述特征图像集进行上采样,得到解码图像集。
详细地,本发明实施例利用所述预构建的卷积神经网络的解码器对所述特征图像集进行上采样,得到解码图像集。其中,本发明实施例中,所述上采样是采用空洞反卷积处理。
详细地,参阅图4所示,所述对所述特征图像集进行上采样,得到解码图像集,包括:
S20、对所述特征图像集进行填充像素处理,得到初始特征图像集;
所述下采样图像集中下采样图像的边缘像素可能不会位于预设的卷积核的中心,这样会使得所述边缘像素对预设的卷积神经网络的影响小于位于中心点的像素的影响,不利于抽取特征,故需要对所述下采样图像集进行填充像素处理,得到初始特征图像集。
S21、根据预设的空洞率参数对所述初始特征图像集中的初始特征图像进行采样,得到初始采样图像;
S22、根据预设的卷积核的大小,按照从上往下,从左往右的顺序划分所述初始采样图像,得到多个初始采样子图像;
S23、将所述预设的卷积核中的像素值与所述初始采样子图像中的像素值相乘,得到像素乘积值;
S24、对所述像素乘积值进行求和,得到初始目标像素值,根据所述初始目标像素值得到初始目标图像;
S25、判断所述特征图像集中的初始特征图像是否全部完成了空洞反卷积操作。
当所述特征图像集中任何一个图像没有执行空洞反卷积操作时,重复执行上述的S21至S24,直到所述特征图像集中所有图像完成空洞反卷积操作,执行S26、对经过空洞反卷积操作后的图像进行汇总,得到所述解码图像集。
所述预构建的卷积神经网络中的解码器利用所述空洞反卷积处理对所述特征图像集进行上采样,恢复编码过程中损失的图像特征信息。
S3、将所述特征图像集与所述解码图像集进行图像传递处理,得到细节图像集。
详细地,本发明实施例建立跳跃连接通道,利用所述跳跃连接通道将所述下采样图像集中的下采样图像传递至所述上采样图像集并进行图像传递处理,得到所述细节图像集。
其中,所述跳跃连接通道是所述预构建的卷积神经网络中用于将下采样结果和上采样结果进行连接的通道,所述图像传递处理为卷积处理。
通过利用所述跳跃连接通道将解码图像集中的解码图像传递至所述特征图像集中,能进一步丰富图像细节。
S4、将所述细节图像集中的多张细节图像进行特征融合,得到区域分割图像。
本发明实施例利用FPN(Feature Pyramid Network,特征提取网络)构建特征金字塔,利用所述特征金字塔对所述细节图像集中的多张细节图像进行特征融合,得到区域分割图像。
详细地,所述FPN是指构建从底向上的通道、从顶向下的通道和横向连接通道。从底向上的通道、从顶向下的通道和横向连接通道是指特征金字塔中图像特征传递的路径。
本发明实施例中,所述特征金字塔包含四个层级,分别用于存放不同尺寸的细节图像。通过所述特征金字塔可以实现利用预设的映射通道对不同尺寸的细节图像进行逐层映射,保证映射过程中细节图像中包含的信息不会丢失。
具体地,所述利用特征金字塔将所述细节图像集中的多张细节图像进行特征融合,得到区域分割图像,包括:将所述细节图像集中的多张细节图像依次输入至所述特征金字塔的不同层级;利用所述特征金字塔中的映射通道将所述特征金字塔中较高层级的图像逐层向下映射至所述特征金字塔最底层的图像中,对映射后所述特征金字塔底层的多张映射图像进行特征融合,得到所述区域分割图像。
由于特征金字塔高层中的图像经历过较多次的卷积和池化处理,导致图像的分辨率比较低,但含有的图像特征更明显,所述特征金字塔低层的图像因为卷积和池化处理的次数较少,故所述细节图像的分辨率比较高,拥有更多的图像细节,但含有的图像特征不明显,因此利用所述特征金字塔将不同尺寸的细节图像逐层映射,保证了最终区域分割图像的精确性。
S5、利用训练好的像素标记模型对所述区域分割图像进行像素标记处理,得到目标粗分割图像。
本发明实施例中,所述利用训练好的像素标记模型对所述区域分割图像进行像素标记处理,包括:
步骤a:生成训练图像集和所述训练图像集对应的标记结果;
步骤b:将所述训练图像集输入至预先构建的标签标记模型进行像素标记,得到训练结果;
步骤c:利用预设的损失函数对所述训练结果与标记结果进行损失值计算,得到损失值;
步骤d:当所述损失值大于或等于预设的损失阈值时,调整所述像素提取模型的参数,返回上述将所述训练图像集输入至预先构建的标签标记模型进行像素标记的步骤;
步骤e:当所述损失值小于所述损失阈值时,得到训练完成的像素标记模型;
步骤f:利用所述训练完成的像素标记模型对所述区域分割图像进行像素标记处理,并生成目标标签。
详细地,本发明实施例利用预设的损失函数包括:
其中,为损失值,/>为所述训练结果,Y为所述标记结果,α表示预设的误差因子。
本发明实施例中,通过训练像素标记模型来对所述区域分割图像进行像素标记处理,所述像素标记模型可识别出所述区域分割图像中不同目标,并进行标记,从而提高分析效率,且通过训练模型可提高像素标记的精度,避免人工手动进行像素标记时,出现失误。
优选地,本发明实施例可利用梯度下降算法来调整所述像素标记模型的参数,所述梯度下降算法是目前机器学习里最常用的参数调整方法,可以根据预设的训练目标和训练得到的结果计算出所述调整所述像素标记模型的参数,本发明实施例中,将所述训练结果集和所述标记结果集输入至所述梯度下降算法中,即可获取所述卷积神经网络的详细参数。所述梯度下降算法包括随机梯度下降算法、批量梯度下降算法、小批量梯度下降算法等。
在本发明实施例中,利用预构建的像素标记模型对所述区域分割图像进行像素标记处理,得到目标粗分割图像,可实现对所述肺区分割图像进行像素标记,得到肺叶粗分割图像,所述肺叶粗分割图像上由各个目标标签进行标记,不同的目标标签标记肺叶上的不同区域,所述预构建的像素标记模型对所述肺区分割图像提取肺叶的空间特征,从而使得肺叶分割的结果更准确。
S6、对所述目标粗分割图像进行先腐蚀再膨胀的操作,得到提纯分割图像,对所述提纯分割图像进行标签填充处理,得到目标细分割图像。
本发明实施例中,所述对所述目标粗分割图像进行先腐蚀再膨胀的操作,得到提纯分割图像,包括:
对所述目标粗分割图像进行二值化处理,得到二值化图像;
获取预设的结构元,利用所述结构元在所述二值化图像上滑动,将所述结构元上锚点位置的图像像素点的灰度值设置为所述结构元值为1的区域对应图像区域像素的最小值,得到腐蚀图像;
利用所述结构元在所述腐蚀图像上滑动,将所述结构元上锚点位置的图像像素点的灰度值设置为所述结构元值为1的区域对应图像区域像素的最大值,得到提纯分割图像。
其中,所述结构元可以是任意形状,所述结构元中的值可以是0或者1,所述锚点为所述结构元的中心。
在本发明实施例中,对所述目标粗分割图像进行先腐蚀再膨胀的操作,可以即利用先腐蚀再膨胀的操作来消除杂乱的边界标签,从而提纯边界处所属的肺叶标签。
详细地,参阅图5所示,本发明实施例中,所述对所述提纯分割图像进行标签填充处理,得到目标细分割图像,包括:
S61、提取所述提纯分割图像中各目标标签对应的连通区域,得到标签区域;
S62、获取所述各个标签区域的质心;
S63、分别计算所述目标粗分割图像中每个未标记的像素点与所述各个标签区域的质心之间的距离;
S64、根据所述距离,将与未标记的像素点的距离最近的质心所属标签作为所述未标记的像素点的标签;
S65、判断所述提纯分割图像中所有未标记的像素点是否都已经进行标记。
重复S61至S64,直到将所述提纯分割图像中所有未标记的像素点进行标记,执行S66、得到目标细分割图像。
其中,所述连通区域是指提纯分割图像中每种目标标签对应的连通区域,所述未标记的像素点是指在区域分割图像中标记而在提纯分割图像中未标记的像素点。
具体地,本发明实施例利用平方欧几里得距离公式计算分别计算所述提纯分割图像中在区域的每个未标记的像素点与所述各个标签区域的质心之间的距离,其中,所述平方欧几里得距离公式为:
其中,d(x,y)2是指所述连通区域中每个未标记的像素点与所述各个标签区域的质心之间的距离,x为未标记的像素点,y为各个标签区域质心的坐标点,j是指各个标签区域质心个数。
本发明实施例中,对所述提纯分割图像进行标签填充处理,可以解决图像边界处标签混乱,部分区域未分配标签的情况。
例如,本发明实施例中,在所述肺叶提纯分割图像中,将肺叶粗略划分成五个标签区域,所述五个标签区域可以利用不同颜色标签进行标记,如包括红色区域、绿色区域、蓝色区域、黄色区域、青色区域,分别计算所述五个标签区域的质心,计算所述连通区域中每个未标记的像素点到所述五个标签区域的质心之间的距离,选择距离最近的标签区域的标签作为未标记像素点的标签,若计算出来未标记像素点到红色区域的距离值最小,则将所述未标记像素点标记为红色。
如图7所示,是本发明实施例提供的图像分割装置的模块示意图。
本发明所述图像分割装置100可以安装于电子设备中。根据实现的功能,所述图像分割装置100可以包括下采样模块101、上采样模块102、细节图像集生成模块103、特征融合模块104、像素标记模块105、标签填充模块106。本发明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:
所述下采样模块101,用于获取原始图像集,利用预设的坐标卷积机制对所述原始图像集进行坐标卷积处理,得到坐标信息图像集,对所述坐标信息图像集进行下采样,得到特征图像集;
所述上采样模块102,用于对所述特征图像集进行上采样,得到解码图像集;
所述细节图像集生成模块103,用于将所述特征图像集与所述解码图像集进行图像传递处理,得到细节图像集;
所述特征融合模块104,用于将所述细节图像集中的多张细节图像进行特征融合,得到区域分割图像;
所述像素标记模块105,用于利用训练好的像素标记模型对所述区域分割图像进行像素标记处理,得到目标粗分割图像;
所述标签填充模块106,用于对所述目标粗分割图像进行先腐蚀再膨胀的操作,得到提纯分割图像,对所述提纯分割图像进行标签填充处理,得到目标细分割图像。
详细地,所述图像分割装置100各模块的具体实施方式如下:
步骤一、所述下采样模块101获取原始图像集,利用预设的坐标卷积机制对所述原始图像集进行坐标卷积处理,得到坐标信息图像集,对所述坐标信息图像集进行下采样,得到特征图像集。
在本发明实施例中,所述原始图像集包括,但不限于正常肺部CT图像及/或病变肺部CT图像。
具体地,所述利用预设的坐标卷积机制对所述原始图像集进行坐标卷积处理,得到坐标信息图像集,利用预设的坐标卷积层(CoordConv)对所述原始图像集进行计算,利用如下公式:
Fcoord=Hcoord*ILR
其中,Hcoord为坐标卷积运算,Fcoord为坐标信息图像集,ILR为所述原始图像集。
详细地,本发明实施例中,所述坐标卷积处理将原始图像集中的图像像素的坐标信息加入到后续网络模型中,从而使得模型对图像区域的整体结构信息能更加充分地学习。
较佳地,本发明实施例所述下采样模块101利用预构建的卷积神经网络的编码器对所述坐标信息图像集进行下采样。
具体地,参阅图2所示,所述下采样模块101对所述坐标信息图像集进行下采样,得到特征图像集,包括:
利用预构建的卷积神经网络中编码器的卷积层对所述坐标信息图像集进行空洞卷积处理,得到卷积图像集;
利用所述编码器中的池化层对所述卷积图像集进行池化处理,得到特征图像集。
其中,向下采样的次数越多,对应生成的特征图像集中特征图像的尺度越小,即分辨率越低,所述特征图像的语义特征越强,特征越明显。
进一步地,参阅图3所示,所述利用所述编码器中的卷积层对所述坐标信息图像集进行空洞卷积处理,得到卷积图像集,包括:
根据预设的空洞率参数对所述坐标信息图像集中的坐标信息图像进行采样,得到采样图像;
根据预设的卷积核的大小,按照从上往下,从左往右的顺序划分所述采样图像,得到多个采样子图像;
将所述预设的卷积核中的像素值与所述采样子图像中的像素值相乘,得到像素乘积值;
对所述像素乘积值进行求和,得到目标像素值,根据所述目标像素值得到目标图像;
判断所述坐标信息图像集中的坐标信息图像是否全部完成空洞卷积操作,对经过空洞卷积操作后得到的目标图像进行汇总,得到所述卷积图像集。
其中,所述空洞卷积是一种线性运算,对所述坐标信息图像集进行空洞卷积处理不仅可以消除噪声、增强特征,而且可以增大了感受野,从而使得所述预构建的卷积神经网络模型能够提取到更丰富的特征信息,弥补下采样过程中内部数据结构丢失,空间层级信息丢失等信息损失。
详细地,当预设的空洞率参数为1时,所述坐标信息图像不丢失任何信息采样,此时所述空洞卷积处理就是标准的卷积处理,当预设的rate参数大于1时,在所述坐标信息图像上每隔(rate-1)个像素进行采样,得到所述采样图像。
具体地,所述利用所述编码器中的池化层对所述卷积图像集进行池化处理,得到特征图像集,包括:
将所述卷积图像集中的卷积图像按照从左至右,从上至下的顺序划分出N*N的区块;
利用所述编码器中的池化层对所述卷积图像中的若干区块进行池化处理,得到特征图像;
将所述经过池化处理得到的特征图像进行汇总,得到所述特征图像集。
所述池化处理能对所述卷积图像集进行特征选择和信息过滤,通过降低特征的维度并保留有效信息,在一定程度上避免过拟合,保持旋转、平移、伸缩不变形。
步骤二、所述上采样模块102对所述特征图像集进行上采样,得到解码图像集。详细地,本发明实施例所述上采样模块102利用所述预构建的卷积神经网络的解码器对所述下采样图像集进行上采样,得到上采样图像集。其中,本发明实施例中,所述上采样是采用空洞反卷积处理。
详细地,参阅图4所示,所述上采样模块102对所述特征图像集进行上采样,得到解码图像集,包括:
对所述特征图像集进行填充像素处理,得到初始特征图像集;
所述下采样图像集中下采样图像的边缘像素可能不会位于预设的卷积核的中心,这样会使得所述边缘像素对预设的卷积神经网络的影响小于位于中心点的像素的影响,不利于抽取特征,故需要对所述下采样图像集进行填充像素处理,得到初始特征图像集。
根据预设的空洞率参数对所述初始特征图像集中的初始特征图像进行采样,得到初始采样图像;
根据预设的卷积核的大小,按照从上往下,从左往右的顺序划分所述初始采样图像,得到多个初始采样子图像;
将所述预设的卷积核中的像素值与所述初始采样子图像中的像素值相乘,得到像素乘积值;
对所述像素乘积值进行求和,得到初始目标像素值,根据所述初始目标像素值得到初始目标图像;
判断所述特征图像集中的初始特征图像是否全部完成了空洞反卷积操作,对经过空洞反卷积操作后的图像进行汇总,得到所述解码图像集。
所述预构建的卷积神经网络中的解码器利用所述空洞反卷积处理对所述特征图像集进行上采样,恢复编码过程中损失的图像特征信息。
步骤三、所述细节图像集生成模块103将所述特征图像集与所述解码图像集进行图像传递处理,得到细节图像集。
详细地,本发明实施例所述细节图像集生成模块103建立跳跃连接通道,利用所述跳跃连接通道将所述下采样图像集中的下采样图像传递至所述上采样图像集并进行图像传递处理,得到所述细节图像集。
其中,所述跳跃连接通道是所述预构建的卷积神经网络中用于将下采样结果和上采样结果进行连接的通道,所述图像传递处理为卷积处理。
通过利用所述跳跃连接通道将解码图像集中的解码图像传递至所述特征图像集中,能进一步丰富图像细节。
步骤四、所述特征融合模块104将所述细节图像集中的多张细节图像进行特征融合,得到区域分割图像。
本发明实施例所述特征融合模块104利用FPN(Feature Pyramid Network,特征提取网络)构建特征金字塔,利用所述特征金字塔对所述细节图像集中的多张细节图像进行特征融合,得到区域分割图像。
详细地,所述FPN是指构建从底向上的通道、从顶向下的通道和横向连接通道。从底向上的通道、从顶向下的通道和横向连接通道是指特征金字塔中图像特征传递的路径。
本发明实施例中,所述特征金字塔包含四个层级,分别用于存放不同尺寸的细节图像。通过所述特征金字塔可以实现利用预设的映射通道对不同尺寸的细节图像进行逐层映射,保证映射过程中细节图像中包含的信息不会丢失。
具体地,所述利用特征金字塔将所述细节图像集中的多张细节图像进行特征融合,得到区域分割图像,包括:
将所述细节图像集中的多张细节图像依次输入至所述特征金字塔的不同层级;
利用所述特征金字塔中的映射通道将所述特征金字塔中较高层级的图像逐层向下映射至所述特征金字塔最底层的图像中,对映射后所述特征金字塔底层的多张映射图像进行特征融合,得到所述区域分割图像。
由于特征金字塔高层中的图像经历过较多次的卷积和池化处理,导致图像的分辨率比较低,但含有的图像特征更明显,所述特征金字塔低层的图像因为卷积和池化处理的次数较少,故所述细节图像的分辨率比较高,拥有更多的图像细节,但含有的图像特征不明显,因此利用所述特征金字塔将不同尺寸的细节图像逐层映射,保证了最终区域分割图像的精确性。
步骤五、所述像素标记模块105利用训练好的像素标记模型对所述区域分割图像进行像素标记处理,得到目标粗分割图像。
本发明实施例中,所述像素标记模块105利用训练好的像素标记模型对所述区域分割图像进行像素标记处理,包括:
步骤a:生成训练图像集和所述训练图像集对应的标记结果;
步骤b:将所述训练图像集输入至预先构建的标签标记模型进行像素标记,得到训练结果;
步骤c:利用预设的损失函数对所述训练结果与标记结果进行损失值计算,得到损失值;
步骤d:当所述损失值大于或等于预设的损失阈值时,调整所述像素提取模型的参数,返回上述将所述训练图像集输入至预先构建的标签标记模型进行像素标记的步骤;
步骤e:当所述损失值小于所述损失阈值时,得到训练完成的像素标记模型;
步骤f:利用所述训练完成的像素标记模型对所述区域分割图像进行像素标记处理,并生成目标标签。
详细地,本发明实施例利用预设的损失函数包括:
其中,为损失值,/>为所述训练结果,Y为所述标记结果,α表示预设的误差因子。
本发明实施例中,通过训练像素标记模型来对所述区域分割图像进行像素标记处理,所述像素标记模型可识别出所述区域分割图像中不同目标,并进行标记,从而提高分析效率,且通过训练模型可提高像素标记的精度,避免人工手动进行像素标记时,出现失误。
优选地,本发明实施例可利用梯度下降算法来调整所述像素标记模型的参数,所述梯度下降算法是目前机器学习里最常用的参数调整方法,可以根据预设的训练目标和训练得到的结果计算出所述调整所述像素标记模型的参数,本发明实施例中,将所述训练结果集和所述标记结果集输入至所述梯度下降算法中,即可获取所述卷积神经网络的详细参数。所述梯度下降算法包括随机梯度下降算法、批量梯度下降算法、小批量梯度下降算法等。
在本发明实施例中,利用预构建的像素标记模型对所述区域分割图像进行像素标记处理,得到目标粗分割图像,可实现对所述肺区分割图像进行像素标记,得到肺叶粗分割图像,所述肺叶粗分割图像上由各个目标标签进行标记,不同的目标标签标记肺叶上的不同区域,所述预构建的像素标记模型对所述肺区分割图像提取肺叶的空间特征,从而使得肺叶分割的结果更准确。
步骤六、所述标签填充模块106对所述目标粗分割图像进行先腐蚀再膨胀的操作,得到提纯分割图像,对所述提纯分割图像进行标签填充处理,得到目标细分割图像。
本发明实施例中,所述对所述目标粗分割图像进行先腐蚀再膨胀的操作,得到提纯分割图像,包括:
对所述目标粗分割图像进行二值化处理,得到二值化图像;
获取预设的结构元,利用所述结构元在所述二值化图像上滑动,将所述结构元上锚点位置的图像像素点的灰度值设置为所述结构元值为1的区域对应图像区域像素的最小值,得到腐蚀图像;
利用所述结构元在所述腐蚀图像上滑动,将所述结构元上锚点位置的图像像素点的灰度值设置为所述结构元值为1的区域对应图像区域像素的最大值,得到提纯分割图像。
其中,所述结构元可以是任意形状,所述结构元中的值可以是0或者1,所述锚点为所述结构元的中心。
在本发明实施例中,对所述目标粗分割图像进行先腐蚀再膨胀的操作,可以即利用先腐蚀再膨胀的操作来消除杂乱的边界标签,从而提纯边界处所属的肺叶标签。
详细地,参阅图6所示,本发明实施例中,所述标签填充模块106对所述提纯分割图像进行标签填充处理,得到目标细分割图像,包括:
提取所述提纯分割图像中各目标标签对应的连通区域,得到标签区域;
获取所述各个标签区域的质心;
分别计算所述提纯分割图像中在区域的每个未标记的像素点与所述各个标签区域的质心之间的距离;
根据所述距离,将与未标记的像素点的距离最近的质心所属标签作为所述未标记的像素点的标签;
直到将所述提纯分割图像中所有未标记的像素点进行标记,得到目标细分割图像。
其中,所述连通区域是指提纯分割图像中每种目标标签对应的连通区域,所述未标记的像素点是指在区域分割图像中标记而在提纯分割图像中未标记的像素点。
具体地,本发明实施例利用平方欧几里得距离公式计算分别计算所述提纯分割图像中在区域的每个未标记的像素点与所述各个标签区域的质心之间的距离,其中,所述平方欧几里得距离公式为:
其中,d(x,y)2是指所述连通区域中每个未标记的像素点与所述各个标签区域的质心之间的距离,x为未标记的像素点,y为各个标签区域质心的坐标点,j是指各个标签区域质心个数。
本发明实施例中,对所述提纯分割图像进行标签填充处理,可以解决图像边界处标签混乱,部分区域未分配标签的情况。
例如,本发明实施例中,在所述肺叶提纯分割图像中,将肺叶粗略划分成五个标签区域,所述五个标签区域可以利用不同颜色标签进行标记,如包括红色区域、绿色区域、蓝色区域、黄色区域、青色区域,分别计算所述五个标签区域的质心,计算所述连通区域中每个未标记的像素点到所述五个标签区域的质心之间的距离,选择距离最近的标签区域的标签作为未标记像素点的标签,若计算出来未标记像素点到红色区域的距离值最小,则将所述未标记像素点标记为红色。
如图7所示,是本发明实现图像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7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7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:
获取原始图像集,利用预设的坐标卷积机制对所述原始图像集进行坐标卷积处理,得到坐标信息图像集,对所述坐标信息图像集进行下采样,得到特征图像集;
对所述特征图像集进行上采样,得到解码图像集;
将所述特征图像集与所述解码图像集进行图像传递处理,得到细节图像集;
将所述细节图像集中的多张细节图像进行特征融合,得到区域分割图像;
利用训练好的像素标记模型对所述区域分割图像进行像素标记处理,得到目标粗分割图像;
对所述目标粗分割图像进行先腐蚀再膨胀的操作,得到提纯分割图像,对所述提纯分割图像进行标签填充处理,得到目标细分割图像。
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。
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 (7)
1.一种图像分割方法,其特征在于,所述方法包括:
获取原始图像集,利用预设的坐标卷积机制对所述原始图像集进行坐标卷积处理,得到坐标信息图像集,对所述坐标信息图像集进行下采样,得到特征图像集;
对所述特征图像集进行上采样,得到解码图像集;
将所述特征图像集与所述解码图像集进行图像传递处理,得到细节图像集;
将所述细节图像集中的多张细节图像进行特征融合,得到区域分割图像;
利用训练好的像素标记模型对所述区域分割图像进行像素标记处理,得到目标粗分割图像;
对所述目标粗分割图像进行先腐蚀再膨胀的操作,得到提纯分割图像,对所述提纯分割图像进行标签填充处理,得到目标细分割图像;
其中,所述对所述坐标信息图像集进行下采样,得到特征图像集,包括:利用预构建的卷积神经网络中编码器的卷积层对所述坐标信息图像集进行空洞卷积处理,得到卷积图像集;利用所述编码器的池化层对所述卷积图像集进行池化处理,得到特征图像集;
所述对所述区域分割图像进行像素标记处理,包括:生成训练图像集和所述训练图像集对应的标记结果;将所述训练图像集输入至预先构建的标签标记模型进行像素标记,得到训练结果;利用预设的损失函数对所述训练结果与标记结果进行损失值计算,得到损失值;当所述损失值大于或等于预设的损失阈值时,调整所述像素提取模型的参数,返回上述将所述训练图像集输入至预先构建的标签标记模型进行像素标记的步骤;当所述损失值小于所述损失阈值时,得到训练完成的像素标记模型;利用所述训练完成的像素标记模型对所述区域分割图像进行像素标记处理,并生成目标标签;
所述对所述提纯分割图像进行标签填充处理,得到目标细分割图像,包括:连通步骤:提取所述提纯分割图像中各目标标签对应的连通区域,得到标签区域,并获取各个标签区域的质心;计算步骤:计算所述提纯分割图像中每个未标记的像素点与所述各个标签区域的质心之间的距离;分类步骤:根据所述距离,将与未标记的像素点的距离最近的质心所属标签作为所述未标记的像素点的标签;重复上述计算步骤及分类步骤,直到将所述提纯分割图像中所有未标记的像素点进行标记,得到目标细分割图像。
2.如权利要求1所述的图像分割方法,其特征在于,所述利用预构建的卷积神经网络中编码器的卷积层对所述坐标信息图像集进行空洞卷积处理,得到卷积图像集,包括:
根据预设的空洞率参数对所述坐标信息图像集中的坐标信息图像进行采样,得到采样图像;
根据预设的卷积核的大小,按照从上往下,从左往右的顺序划分所述采样图像,得到多个采样子图像;
将所述预设的卷积核中的像素值与所述采样子图像中的像素值相乘,得到像素乘积值;
对所述像素乘积值进行求和,得到目标像素值;及
在所述坐标信息图像集中所有图像完成空洞卷积操作后汇总得到所述卷积图像集。
3.如权利要求1所述的图像分割方法,其特征在于,所述利用预设的损失函数包括:
其中,为损失值,/>为所述训练结果,Y为所述标记结果,a表示预设的误差因子。
4.如权利要求1至3中任意一项所述的图像分割方法,其特征在于,所述原始图像集包括肺部CT图像。
5.一种图像分割装置,用于实现如权利要求1至4中任一项所述的图像分割方法,其特征在于,所述装置包括:
下采样模块,用于获取原始图像集,利用预设的坐标卷积机制对所述原始图像集进行坐标卷积处理,得到坐标信息图像集,对所述坐标信息图像集进行下采样,得到特征图像集;
上采样模块,用于对所述特征图像集进行上采样,得到解码图像集;
细节图像集生成模块,用于将所述特征图像集与所述解码图像集进行图像传递处理,得到细节图像集;
特征融合模块,用于将所述细节图像集中的多张细节图像进行特征融合,得到区域分割图像;
像素标记模块,用于利用训练好的像素标记模型对所述区域分割图像进行像素标记处理,得到目标粗分割图像;
标签填充模块,用于对所述目标粗分割图像进行先腐蚀再膨胀的操作,得到提纯分割图像,对所述提纯分割图像进行标签填充处理,得到目标细分割图像。
6.一种电子设备,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4中任一项所述的图像分割方法。
7.一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4中任一项所述的图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011245248.6A CN112184714B (zh) | 2020-11-10 | 2020-11-10 | 图像分割方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011245248.6A CN112184714B (zh) | 2020-11-10 | 2020-11-10 | 图像分割方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112184714A CN112184714A (zh) | 2021-01-05 |
CN112184714B true CN112184714B (zh) | 2023-08-22 |
Family
ID=73916576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011245248.6A Active CN112184714B (zh) | 2020-11-10 | 2020-11-10 | 图像分割方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184714B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113034518A (zh) * | 2021-04-16 | 2021-06-25 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于卷积神经网络的肝脏病灶分割方法 |
CN113284047A (zh) * | 2021-05-27 | 2021-08-20 | 平安科技(深圳)有限公司 | 基于多重特征的目标物分割方法、装置、设备及存储介质 |
CN113554656B (zh) * | 2021-07-13 | 2022-02-11 | 中国科学院空间应用工程与技术中心 | 基于图神经网络的光学遥感图像实例分割方法及装置 |
CN113610856B (zh) * | 2021-08-18 | 2023-11-07 | 京东科技信息技术有限公司 | 训练图像分割模型和图像分割的方法和装置 |
CN115081467B (zh) * | 2022-07-22 | 2023-02-03 | 深圳市成为信息股份有限公司 | 一种手持机采集原始图像的方法、手持机及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711413A (zh) * | 2018-12-30 | 2019-05-03 | 陕西师范大学 | 基于深度学习的图像语义分割方法 |
CN110363134A (zh) * | 2019-07-10 | 2019-10-22 | 电子科技大学 | 一种基于语义分割的人脸遮挡区定位方法 |
CN111192274A (zh) * | 2019-12-30 | 2020-05-22 | 中南大学 | 一种空间敏感的视盘视杯联合分割方法、系统和可读存储介质 |
CN111815731A (zh) * | 2020-07-15 | 2020-10-23 | 山东省眼科研究所 | 图像处理方法、装置及计算机可读存储介质 |
-
2020
- 2020-11-10 CN CN202011245248.6A patent/CN112184714B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711413A (zh) * | 2018-12-30 | 2019-05-03 | 陕西师范大学 | 基于深度学习的图像语义分割方法 |
CN110363134A (zh) * | 2019-07-10 | 2019-10-22 | 电子科技大学 | 一种基于语义分割的人脸遮挡区定位方法 |
CN111192274A (zh) * | 2019-12-30 | 2020-05-22 | 中南大学 | 一种空间敏感的视盘视杯联合分割方法、系统和可读存储介质 |
CN111815731A (zh) * | 2020-07-15 | 2020-10-23 | 山东省眼科研究所 | 图像处理方法、装置及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
多孔全卷积网络的语义分割算法研究;戴伟达 等;南京邮电大学学报(自然科学版)(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112184714A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184714B (zh) | 图像分割方法、装置、电子设备及介质 | |
WO2022121156A1 (zh) | 图像中目标物检测方法、装置、电子设备及可读存储介质 | |
CN111932482B (zh) | 图像中目标物的检测方法、装置、电子设备及存储介质 | |
CN112233125B (zh) | 图像分割方法、装置、电子设备及计算机可读存储介质 | |
CN111652845A (zh) | 异常细胞自动标注方法、装置、电子设备及存储介质 | |
CN110889449A (zh) | 一种增强边缘的、多尺度的遥感影像建筑物语义特征提取方法 | |
CN111932547B (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN111461232A (zh) | 一种基于多策略批量式主动学习的核磁共振图像分类方法 | |
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 | |
CN112699775A (zh) | 基于深度学习的证件识别方法、装置、设备及存储介质 | |
CN112418216A (zh) | 一种复杂自然场景图像中的文字检测方法 | |
CN110781980B (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
CN111815731B (zh) | 图像处理方法、装置及计算机可读存储介质 | |
CN112446544A (zh) | 交通流预测模型训练方法、装置、电子设备及存储介质 | |
CN112581522A (zh) | 图像中目标物位置检测方法、装置、电子设备及存储介质 | |
CN111696082A (zh) | 图像分割方法、装置、电子设备及计算机可读存储介质 | |
CN111639704A (zh) | 目标识别方法、装置及计算机可读存储介质 | |
CN113642585A (zh) | 图像处理方法、装置、设备、存储介质及计算机程序产品 | |
CN114723636A (zh) | 基于多特征融合的模型生成方法、装置、设备及存储介质 | |
CN113240585A (zh) | 基于生成对抗网络的图像处理方法、装置及存储介质 | |
CN116450880B (zh) | 一种语义检测的车载视频智能处理方法 | |
CN111862034A (zh) | 图像检测方法、装置、电子设备及介质 | |
CN113989269B (zh) | 一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法 | |
CN113705686B (zh) | 图像分类方法、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 |