CN112233125A - 图像分割方法、装置、电子设备及计算机可读存储介质 - Google Patents
图像分割方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112233125A CN112233125A CN202011103254.8A CN202011103254A CN112233125A CN 112233125 A CN112233125 A CN 112233125A CN 202011103254 A CN202011103254 A CN 202011103254A CN 112233125 A CN112233125 A CN 112233125A
- Authority
- CN
- China
- Prior art keywords
- image
- image set
- training
- image segmentation
- segmentation model
- 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 183
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 124
- 238000012545 processing Methods 0.000 claims abstract description 88
- 238000005070 sampling Methods 0.000 claims abstract description 82
- 238000012360 testing method Methods 0.000 claims abstract description 56
- 230000011218 segmentation Effects 0.000 claims abstract description 43
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 238000011176 pooling Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000009466 transformation Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 210000004940 nucleus Anatomy 0.000 description 10
- 210000004085 squamous epithelial cell Anatomy 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000012795 verification Methods 0.000 description 6
- 210000003679 cervix uteri Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 210000003855 cell nucleus Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (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:对医学图像集分割得到训练图像集及测试图像集并进行标签标记,生成标签图像集,利用图像分割模型对训练图像集执行上采样、下采样及二值化处理处理,得到标准特征图像集,根据所述标准特征图像集与所述标签图像集之间误差值调整图像分割模型的内部参数,得到初始图像分割模型,利用测试图像集对初始图像分割模型进行验证调整,得到标准图像分割模型,利用标准图像分割模型对待分割图像进行分割处理,得到图像分割结果。本发明还涉及区块链技术,所述标签图像集可以存储在区块链中。本发明还揭露一种图像分割装置、电子设备及存储介质。本发明可以提高图像分割的准确性。
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都具有很重要的作用,例如在进行宫颈检查时,需要根据宫颈的鳞状上皮细胞核的数量来判断女性宫颈病状,因此,需要分割出宫颈的鳞状上皮细胞核区域,然而鳞状上皮细胞核区域和鳞状细胞质区域通常难以精准分割,导致计数困难。
目前采用的方法是通过阈值对鳞状上皮细胞核区域和鳞状细胞质区域进行分割这种分割方法,对于前景和背景复杂的医学图片效果十分不理想。
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图像分割不精确的问题。
为实现上述目的,本发明提供的一种图像分割方法,包括:
获取医学图像集,从所述医学图像集中分割出训练图像集及测试图像集,对所述训练图像集及测试图像集进行标签标记,生成标签图像集;
基于Unet网络构建图像分割模型,利用所述图像分割模型对所述训练图像集执行上采样及下采样处理,得到特征图像集;
对所述特征图像集执行二值化处理,得到标准特征集,并计算所述标准特征集和所述训练图像集对应的标签图集之间的误差值;
根据所述误差值调整所述图像分割模型的内部参数,直到所述误差值小于预设阈值,得到初始图像分割模型;
利用所述测试图像集对所述初始图像分割模型进行验证调整,得到标准图像分割模型;
利用所述标准图像分割模型对待分割图像进行分割处理,得到图像分割结果。
可选地,所述获取医学图像集,包括:
获取区域扫描的医学图像,对所述区域扫描的医学图像执行拼接操作,
得到拼接图像;
对所述拼接图像进行切分处理,得到医学图像集。
可选地,所述对所述拼接图像进行切分处理,得到医学图像集,包括:
将所述拼接图像映射到预设的二维坐标系上;
获取所述拼接图像的坐标起始点,并根据预设的切分步长,按照从左往右,由上至下的顺序对所述拼接图像进行切分,得到医学图像集。
可选地,所述利用所述图像分割模型对所述训练图像集执行上采样及下采样处理,得到特征图像集,包括:
利用所述图像分割模型对所述训练图像集进行下采样,得到下采样图像集;
利用所述图像分割模型对所述下采样图像集进行上采样,得到上采样图像集;
对所述下采样图像集和所述上采样图像集进行特征融合,得到特征图像集。
可选地,所述对所述训练图像集进行下采样,得到下采样图像集,包括:
利用所述图像分割模型中的卷积层对所述训练图像集进行卷积处理,得到卷积图像集;
利用所述图像分割模型中的池化层对所述卷积图像集进行池化处理,得到下采样图像集。
可选地,所述利用所述图像分割模型中的卷积层对所述训练图像集进行卷积处理,得到卷积图像集,包括:
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训练图像集中的训练图像,得到多个训练子图像;
将所述预设的卷积核中的像素值与所述训练子图像中的像素值进行相乘,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;
直到所述训练图像集中的训练图像完成卷积操作,得到所述卷积图像集。
可选地,所述对所述特征图像集执行二值化处理,得到标准特征集,包括:
提取所述特征图像集中特征图像的感兴趣区域;
将所述感兴趣区域上的像素点的灰度值转化为预设的第一灰度值,将所述特征图像中所述感兴趣区域之外的像素点的灰度值转化为预设的第二灰度值,得到标准特征集。
为了解决上述问题,本发明还提供一种图像分割方法装置,所述装置包括:
数据处理模块,用于获取医学图像集,从所述医学图像集中分割出训练图像集及测试图像集,对所述训练图像集及测试图像集进行标签标记,生成标签图像集;
模型训练模块,用于基于Unet网络构建图像分割模型,利用所述图像分割模型对所述训练图像集执行上采样及下采样处理,得到特征图像集,所述特征图像集执行二值化处理,得到标准特征集,并计算所述标准特征集和所述训练图像集对应的标签图集之间的误差值;根据所述误差值调整所述图像分割模型的内部参数,直到所述误差值小于预设阈值,得到初始图像分割模型;利用所述测试图像集对所述初始图像分割模型进行验证调整,得到标准图像分割模型;
分割模块,利用所述标准图像分割模型对待分割图像进行分割处理,得到图像分割结果。
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:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现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。
本发明实施例对医学图像集进行分割,得到训练图像集及测试图像集并进行标签标记,生成标签图像集,得到的训练图像集用于训练模型,保证模型训练的精确性,测试图像集用于后续对模型进行验证,防止模型过拟合,基于Unet网络构建图像分割模型对所述训练图像集进行上采样、下采样处理,从而结合了低分辨率和高分辨率的图像特征,进一步对图像特征执行二值化处理得到感兴趣区域,从而提高了感兴趣区域的分割效果。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,解决图像分割不精确的问题。
附图说明
图1为本发明一实施例提供的图像分割方法的流程示意图;
图2为本发明一实施例提供的图像分割方法中其中一个步骤的流程示意图;
图3为本发明一实施例提供的图像分割方法中其中一个步骤的流程示意图;
图4为本发明一实施例提供的图像分割方法中其中一个步骤的流程示意图;
图5为本发明一实施例提供的图像分割方法的模块示意图;
图6为本发明一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。
本申请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图像分割方法的流程示意图。本实施例中,所述图像分割方法包括:
S1、获取医学图像集,从所述医学图像集中分割出训练图像集及测试图像集,对所述训练图像集及测试图像集进行标签标记,生成标签图像集。
在本发明实施例中,所述医学图像集包含宫颈的鳞状上皮细胞涂片的扫描图片。
具体地,参阅图2所示,所述获取医学图像集,包括:
S101、获取区域扫描的医学图像,对所述区域扫描的医学图像执行拼接操作,得到拼接图像;
S102、对所述拼接图像进行切分处理,得到医学图像集。
由于传统的医学图像的尺寸较大且用于扫描所述医学图像的扫描仪光学分辨率很高,导致传统的医学图像数据较大,为了提高计算机的处理速度,本发明实施例获取区域扫描的医学图像,并对所述区域扫描的医学图像执行拼接操作以去除图片之间的重复数据,并进一步地,对所述拼接图像进行切分,得到小尺寸的医学图像。
具体地,所述对所述拼接图像进行切分处理,得到医学图像集,包括:将所述拼接图像映射到预设的二维坐标系上;获取所述拼接图像的坐标起始点,并根据预设的切分步长,按照从左往右,由上至下的顺序对所述拼接图像进行切分,得到医学图像集。
其中,本发明实施例中,所述拼接图像的坐标起始点可以是拼接图像的左上角像素坐标,以及所述切分步长可以是预设的图像长宽。
进一步地,本发明实施例按照预设的比例从所述医学图像集中分割出训练图像集及测试图像集,所述训练图像集可用于后续的模型训练,以及所述测试图像集可用于后续的模型验证,以防止模型在训练过程中产生的过拟合。
优选地,所述预设的比例可以为7:3。
进一步地,所述对所述训练图像集及测试图像集进行标签标记,生成标签图像集,包括:
利用现有的标记技术对所述训练图像集及测试图像集中的感兴趣区域进行边缘画线,得到分割图像集;
对所述分割图像集进行二值化处理,得到标签图像集。
详细地,利用现有的标记技术对所述训练图像集及测试图像集进行标记,对图像中的感兴趣区域边缘画线,分割出感兴趣区域,得到分割图像。
具体地,所述对所述分割图像集进行二值化处理,令所述分割图像集中的感兴趣区域上的像素点的灰度值转化为预设的第一灰度值,将所述分割图像中所述感兴趣区域之外的像素点的灰度值转化为预设的第二灰度值。例如,将所述感兴趣区域上的像素点的灰度值转化为255,以及将所述分割图像中所述感兴趣区域之外的像素点的灰度值转化为0,使得感兴趣区域为白色,背景为黑色。
S2、基于Unet网络构建图像分割模型,利用所述图像分割模型对所述训练图像集执行上采样及下采样处理,得到特征图像集。
本发明实施例中,参阅图3所示,所述利用所述图像分割模型对所述训练图像集执行上采样及下采样处理,得到特征图像集,包括:
S21、利用所述图像分割模型对所述训练图像集进行下采样,得到下采样图像集;
S22、利用所述图像分割模型对所述下采样图像集进行上采样,得到上采样图像集;
S23、对所述下采样图像集和所述上采样图像集进行特征融合,得到特征图像集。
具体地,所述利用所述图像分割模型对所述训练图像集进行下采样,得到下采样图像集,包括:
利用所述图像分割模型中的卷积层对所述训练图像集进行卷积处理,得到卷积图像集;
利用所述图像分割模型中的池化层对所述卷积图像集进行池化处理,得到下采样图像集。
其中,向下采样的次数越多,对应生成的所述下采样图像集中图像的尺度越小,即分辨率越低,所述下采样图像集中的图像的语义特征越强,特征越明显。
进一步地,所述利用所述图像分割模型中的卷积层对所述训练图像集进行卷积处理,得到卷积图像集,包括:
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训练图像集中的训练图像,得到多个训练子图像;
将所述预设的卷积核中的像素值与所述训练子图像中的像素值进行相乘,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;
直到所述训练图像集中的训练图像完成卷积操作,得到所述卷积图像集。
其中,卷积处理是一种线性运算,对所述训练图像集进行所述卷积处理可以消除噪声、增强特征,使得所述预构建的图像分割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。
具体地,所述利用所述图像分割模型中的池化层对所述卷积图像集进行池化处理,得到下采样图像集,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;
利用所述图像分割模型中的池化层对所述卷积图像中的若干区块进行池化处理,得到下采样图像。
详细地,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在一定程度上避免过拟合,保持旋转、平移、伸缩不变形。
进一步地,所述利用所述图像分割模型对所述下采样图像集进行上采样,得到上采样图像集,包括:
对所述下采样图像集进行填充像素处理,得到填充图像集;
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填充图像集,得到多个填充子图像集;
将所述预设的卷积核中的像素值与所述填充子图像集中的像素值进行相乘,得到像素乘积值;
对所述像素乘积值进行求和,得到填充像素值;
直到所述填充图像集完成上采样处理,得到所述上采样图像集。
详细地,所述下采样图像集的边缘像素可能不会位于预设的卷积核的中心,这样会使得所述下采样图像集的边缘像素对所述图像分割模型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,得到填充图像集,方便后续处理。
所述图像分割模型对所述下采样图像集进行上采样,恢复编码过程中损失的图像特征信息。
进一步地,本发明实施例中,所述对所述下采样图像集和所述上采样图像集进行特征融合,得到特征图像集,包括:
对所述下采样图像集进行维度变换处理,得到变换图像集;
将所述上采样图像集与所述变换图像集进行加权处理,得到特征图像集。
具体地,可利用转置卷积操作对所述下采样图像集进行维度变换处理,得到变换图像集,所述转置卷积操作相当于正常卷积操作的反向传播,转置卷积操作不仅可对所述上采样图像集进行空间上的放大,还可根据所述上采样图像集的通道数对上采样图像集进行维度变换。
进一步地,将所述上采样图像集与所述变换图像集进行加权处理,得到特征图像集,即将所述变换图像集作为权重与所述上采样图像集进行相乘,这种加权方式可避免包含有较多语义信息的下采样图像集覆盖上采样图像集的细节信息,有助于使融合后的特征图像集包含着与所述上采样图像集相似的语义信息。
S3、对所述特征图像集执行二值化处理,得到标准特征集,并计算所述标准特征集和所述训练图像集对应的标签图集之间的误差值。
在本发明实施例中,参阅图4所示,所述对所述特征图像集执行二值化处理,得到标准特征集,包括:
S31、提取所述特征图像集中特征图像的感兴趣区域;
S32、将所述感兴趣区域上的像素点的灰度值转化为预设的第一灰度值,将所述特征图像中所述感兴趣区域之外的像素点的灰度值转化为预设的第二灰度值,得到二值化图像;
S33、当所述特征图像集中的特征图像经过二值化处理,得到标准特征集。
较佳地,所述第一灰度值可以为255,所述第二灰度值可以为0。
例如,在本发明实施例中,所述感兴趣区域是鳞状上皮细胞核,对所述特征图像进行二值化处理,将所述特征图像中位于鳞状上皮细胞核上的像素点的灰度值转化为255,位于鳞状上皮细胞核之外的像素点的灰度值转化为0,得到二值化图像。
进一步地,本发明实施例利用下述损失函数对所述标准特征集与标签图集进行误差值计算,得到误差值:
S4、判断所述误差值是否小于预设阈值。当所述误差值大于或者等于预设阈值时,执行S5、调整所述图像分割模型的内部参数,并返回上述的S2,直到所述判断所述误差值小于所述预设阈值时,执行S6,得到初始图像分割模型
本发明实施例中,根据所述误差值调整所述图像分割模型的内部参数,利用调整后的图像分割模型进行训练,计算所述误差值并于预设阈值进行比较,直到所述误差值小于预设阈值,得到初始图像分割模型。
优选地,所述内部参数可以是模型的权重、梯度等。
S7、利用所述测试图像集对所述初始图像分割模型进行验证调整,得到标准图像分割模型。
本发明实施例中,所述利用所述测试图像集对所述初始图像分割模型进行验证调整,将所述测试图像集输入至所述初始图像分割模型中,得到测试图像集输出的分割图像,将所述测试图像集输出的分割图像与测试图像集对应的标签图像进行对比,当相似度大于预设标准时,所述初始图像分割模型即为标准图像分割模型,当相似度小于或等于预设标准时,对所述初始图像分割模型进行参数调整。
详细地,将所述训练图像集输入至所述初始图像分割模型中进行训练,通常可能表现过好,此现象称之为过拟合,所述过拟合很可能导致模型的泛化性能差,不能很好的应用到新的数据上。利用所述测试图像集对所述初始图像分割模型进行验证调整就是为了调节模型,可以从指标上对比测试图像集和训练图像集的差距,了解模型的泛化性能并以此来调节模型使其能够更好的拟合新的数据。
S8、利用所述标准图像分割模型对待分割图像进行分割处理,得到图像分割结果。
本发明实施例中,利用所述标准图像分割模型对待分割图像进行分割处理,得到图像分割结果。
利用本发明实施例中所述标准图像分割模型得到的图像分割结果可以将所包含的细胞核分割出来,同时以二值图的形式呈现,方便计数和观察。
本发明实施例对医学图像集进行分割,得到训练图像集及测试图像集并进行标签标记,生成标签图像集,得到的训练图像集用于训练模型,保证模型训练的精确性,测试图像集用于后续对模型进行验证,防止模型过拟合,基于Unet网络构建图像分割模型对所述训练图像集进行上采样、下采样处理,从而结合了低分辨率和高分辨率的图像特征,进一步对图像特征执行二值化处理得到感兴趣区域,从而提高了感兴趣区域的分割效果。
如图5所示,是本发明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可以包括数据处理模块101、模型训练模块102和分割模块103。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:
所述数据处理模块101,用于获取医学图像集,从所述医学图像集中分割出训练图像集及测试图像集,对所述训练图像集及测试图像集进行标签标记,生成标签图像集。
在本发明实施例中,所述医学图像集包含宫颈的鳞状上皮细胞涂片的扫描图片。
具体地,所述数据处理模块101采用下述操作获取所述医学图像集:
获取区域扫描的医学图像,对所述区域扫描的医学图像执行拼接操作,得到拼接图像;
对所述拼接图像进行切分处理,得到医学图像集。
由于传统的医学图像的尺寸较大且用于扫描所述医学图像的扫描仪光学分辨率很高,导致传统的医学图像数据较大,为了提高计算机的处理速度,本发明实施例所述数据处理模块101获取区域扫描的医学图像,并对所述区域扫描的医学图像执行拼接操作以去除图片之间的重复数据,并进一步地,对所述拼接图像进行切分,得到小尺寸的医学图像。
具体地,所述所述数据处理模块101对所述拼接图像进行切分处理,得到医学图像集,包括:将所述拼接图像映射到预设的二维坐标系上;获取所述拼接图像的坐标起始点,并根据预设的切分步长,按照从左往右,由上至下的顺序对所述拼接图像进行切分,得到医学图像集。
其中,本发明实施例中,所述拼接图像的坐标起始点可以是拼接图像的左上角像素坐标,以及所述切分步长可以是预设的图像长宽。
进一步地,本发明实施例所述数据处理模块101按照预设的比例从所述医学图像集中分割出训练图像集及测试图像集,所述训练图像集可用于后续的模型训练,以及所述测试图像集可用于后续的模型验证,以防止模型在训练过程中产生的过拟合。
优选地,所述预设的比例可以为7:3。
进一步地,所述数据处理模块101对所述训练图像集及测试图像集进行标签标记,生成标签图像集,包括:利用现有的标记技术对所述训练图像集及测试图像集中的感兴趣区域进行边缘画线,得到分割图像集;
对所述分割图像集进行二值化处理,得到标签图像集。
详细地,利用现有的标记技术对所述训练图像集及测试图像集进行标记,对图像中的感兴趣区域边缘画线,分割出感兴趣区域,得到分割图像。
具体地,所述对所述分割图像集进行二值化处理,令所述分割图像集中的感兴趣区域上的像素点的灰度值转化为预设的第一灰度值,将所述分割图像中所述感兴趣区域之外的像素点的灰度值转化为预设的第二灰度值。例如,将所述感兴趣区域上的像素点的灰度值转化为255,以及将所述分割图像中所述感兴趣区域之外的像素点的灰度值转化为0,使得感兴趣区域为白色,背景为黑色。
所述模型训练模块102,用于基于Unet网络构建图像分割模型,利用所述图像分割模型对所述训练图像集执行上采样及下采样处理,得到特征图像集。
本发明实施例中,所述模型训练模块102利用所述图像分割模型对所述训练图像集执行上采样及下采样处理,得到特征图像集,包括:
利用所述图像分割模型对所述训练图像集进行下采样,得到下采样图像集;
利用所述图像分割模型对所述下采样图像集进行上采样,得到上采样图像集;
对所述下采样图像集和所述上采样图像集进行特征融合,得到特征图像集。
具体地,所述利用所述图像分割模型对所述训练图像集进行下采样,得到下采样图像集,包括:
利用所述图像分割模型中的卷积层对所述训练图像集进行卷积处理,得到卷积图像集;
利用所述图像分割模型中的池化层对所述卷积图像集进行池化处理,得到下采样图像集。
其中,向下采样的次数越多,对应生成的所述下采样图像集中图像的尺度越小,即分辨率越低,所述下采样图像集中的图像的语义特征越强,特征越明显。
进一步地,所述利用所述图像分割模型中的卷积层对所述训练图像集进行卷积处理,得到卷积图像集,包括:
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训练图像集中的训练图像,得到多个训练子图像;
将所述预设的卷积核中的像素值与所述训练子图像中的像素值进行相乘,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;
直到所述训练图像集中的训练图像完成卷积操作,得到所述卷积图像集。
其中,卷积处理是一种线性运算,对所述训练图像集进行所述卷积处理可以消除噪声、增强特征,使得所述预构建的图像分割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。
具体地,所述利用所述图像分割模型中的池化层对所述卷积图像集进行池化处理,得到下采样图像集,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;
利用所述图像分割模型中的池化层对所述卷积图像中的若干区块进行池化处理,得到下采样图像。
详细地,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在一定程度上避免过拟合,保持旋转、平移、伸缩不变形。
进一步地,所述利用所述图像分割模型对所述下采样图像集进行上采样,得到上采样图像集,包括:
对所述下采样图像集进行填充像素处理,得到填充图像集;
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填充图像集,得到多个填充子图像集;
将所述预设的卷积核中的像素值与所述填充子图像集中的像素值进行相乘,得到像素乘积值;
对所述像素乘积值进行求和,得到填充像素值;
直到所述填充图像集完成上采样处理,得到所述上采样图像集。
详细地,所述下采样图像集的边缘像素可能不会位于预设的卷积核的中心,这样会使得所述下采样图像集的边缘像素对所述图像分割模型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,得到填充图像集,方便后续处理。
所述图像分割模型对所述下采样图像集进行上采样,恢复编码过程中损失的图像特征信息。
进一步地,本发明实施例中,所述对所述下采样图像集和所述上采样图像集进行特征融合,得到特征图像集,包括:
对所述下采样图像集进行维度变换处理,得到变换图像集;
将所述上采样图像集与所述变换图像集进行加权处理,得到特征图像集。
具体地,可利用转置卷积操作对所述下采样图像集进行维度变换处理,得到变换图像集,所述转置卷积操作相当于正常卷积操作的反向传播,转置卷积操作不仅可对所述上采样图像集进行空间上的放大,还可根据所述上采样图像集的通道数对上采样图像集进行维度变换。
进一步地,将所述上采样图像集与所述变换图像集进行加权处理,得到特征图像集,即将所述变换图像集作为权重与所述上采样图像集进行相乘,这种加权方式可避免包含有较多语义信息的下采样图像集覆盖上采样图像集的细节信息,有助于使融合后的特征图像集包含着与所述上采样图像集相似的语义信息。
所述模型训练模块102,还用于对所述特征图像集执行二值化处理,得到标准特征集,并计算所述标准特征集和所述训练图像集对应的标签图集之间的误差值。
在本发明实施例中,所述模型训练模块102对所述特征图像集执行二值化处理,得到标准特征集,包括:
提取所述特征图像集中特征图像的感兴趣区域;
将所述感兴趣区域上的像素点的灰度值转化为预设的第一灰度值,将所述特征图像中所述感兴趣区域之外的像素点的灰度值转化为预设的第二灰度值,得到二值化图像;
当所述特征图像集中的特征图像经过二值化处理,得到标准特征集。
较佳地,所述第一灰度值可以为255,所述第二灰度值可以为0。
例如,在本发明实施例中,所述感兴趣区域是鳞状上皮细胞核,对所述特征图像进行二值化处理,将所述特征图像中位于鳞状上皮细胞核上的像素点的灰度值转化为255,位于鳞状上皮细胞核之外的像素点的灰度值转化为0,得到二值化图像。
进一步地,本发明实施例利用下述损失函数对所述标准特征集与标签图集进行误差值计算,得到误差值:
所述模型训练模块102还用于根据所述误差值调整所述图像分割模型的内部参数,直到所述误差值小于预设阈值,得到初始图像分割模型。
本发明实施例中,所述模型训练模块102根据所述误差值调整所述图像分割模型的内部参数,利用调整后的图像分割模型进行训练,计算所述误差值并于预设阈值进行比较,直到所述误差值小于预设阈值,得到初始图像分割模型。
优选地,所述内部参数可以是模型的权重、梯度等。
所述模型训练模块102,还用于利用所述测试图像集对所述初始图像分割模型进行验证调整,得到标准图像分割模型。
本发明实施例中,所述模型训练模块102利用所述测试图像集对所述初始图像分割模型进行验证调整,将所述测试图像集输入至所述初始图像分割模型中,得到测试图像集输出的分割图像,将所述测试图像集输出的分割图像与测试图像集对应的标签图像进行对比,当相似度大于预设标准时,所述初始图像分割模型即为标准图像分割模型,当相似度小于或等于预设标准时,对所述初始图像分割模型进行参数调整。
详细地,将所述训练图像集输入至所述初始图像分割模型中进行训练,通常可能表现过好,此现象称之为过拟合,所述过拟合很可能导致模型的泛化性能差,不能很好的应用到新的数据上。利用所述测试图像集对所述初始图像分割模型进行验证调整就是为了调节模型,可以从指标上对比测试图像集和训练图像集的差距,了解模型的泛化性能并以此来调节模型使其能够更好的拟合新的数据。
所述分割模块103用于利用所述标准图像分割模型对待分割图像进行分割处理,得到图像分割结果。
本发明实施例中,所述分割模块103利用所述标准图像分割模型对待分割图像进行分割处理,得到图像分割结果。
利用本发明实施例中所述标准图像分割模型得到的图像分割结果可以将所包含的细胞核分割出来,同时以二值图的形式呈现,方便计数和观察。
本发明实施例对医学图像集进行分割,得到训练图像集及测试图像集并进行标签标记,生成标签图像集,得到的训练图像集用于训练模型,保证模型训练的精确性,测试图像集用于后续对模型进行测试处理,便于对模型进行调整,利用预构建的图像分割模型对所述训练图像集进行上采样及下采样处理,得到特征图像集,对所述特征图像集进行二值化处理,得到标准特征集并计算其与所述训练图像集对应的标签图集之前的误差值,根据所述误差值调整所述图像分割模型的内部参数并利用测试图像集进行验证调整,得到标准图像分割模型并对待分割图像进行分割处理,得到图像分割结果。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,解决图像分割不精确的问题。
如图6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:
获取医学图像集,从所述医学图像集中分割出训练图像集及测试图像集,对所述训练图像集及测试图像集进行标签标记,生成标签图像集;
基于Unet网络构建图像分割模型,利用所述图像分割模型对所述训练图像集执行上采样及下采样处理,得到特征图像集;
对所述特征图像集执行二值化处理,得到标准特征集,并计算所述标准特征集和所述训练图像集对应的标签图集之间的误差值;
根据所述误差值调整所述图像分割模型的内部参数,直到所述误差值小于预设阈值,得到初始图像分割模型;
利用所述测试图像集对所述初始图像分割模型进行验证调整,得到标准图像分割模型;
利用所述标准图像分割模型对待分割图像进行分割处理,得到图像分割结果。
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。
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 (10)
1.一种图像分割方法,其特征在于,所述方法包括:
获取医学图像集,从所述医学图像集中分割出训练图像集及测试图像集,对所述训练图像集及测试图像集进行标签标记,生成标签图像集;
基于Unet网络构建图像分割模型,利用所述图像分割模型对所述训练图像集执行上采样及下采样处理,得到特征图像集;
对所述特征图像集执行二值化处理,得到标准特征集,并计算所述标准特征集和所述训练图像集对应的标签图集之间的误差值;
根据所述误差值调整所述图像分割模型的内部参数,直到所述误差值小于预设阈值,得到初始图像分割模型;
利用所述测试图像集对所述初始图像分割模型进行验证调整,得到标准图像分割模型;
利用所述标准图像分割模型对待分割图像进行分割处理,得到图像分割结果。
2.如权利要求1所述的图像分割方法,其特征在于,所述获取医学图像集,包括:
获取区域扫描的医学图像,对所述区域扫描的医学图像执行拼接操作,得到拼接图像;
对所述拼接图像进行切分处理,得到医学图像集。
3.如权利要求2所述的图像分割方法,其特征在于,所述对所述拼接图像进行切分处理,得到医学图像集,包括:
将所述拼接图像映射到预设的二维坐标系上;
获取所述拼接图像的坐标起始点,并根据预设的切分步长,按照从左往右,由上至下的顺序对所述拼接图像进行切分,得到医学图像集。
4.如权利要求1所述的图像分割方法,其特征在于,所述利用所述图像分割模型对所述训练图像集执行上采样及下采样处理,得到特征图像集,包括:
利用所述图像分割模型对所述训练图像集进行下采样,得到下采样图像集;
利用所述图像分割模型对所述下采样图像集进行上采样,得到上采样图像集;
对所述下采样图像集和所述上采样图像集进行特征融合,得到特征图像集。
5.如权利要求4所述的图像分割方法,其特征在于,所述对所述训练图像集进行下采样,得到下采样图像集,包括:
利用所述图像分割模型中的卷积层对所述训练图像集进行卷积处理,得到卷积图像集;
利用所述图像分割模型中的池化层对所述卷积图像集进行池化处理,得到下采样图像集。
6.如权利要求5所述的图像分割方法,其特征在于,所述利用所述图像分割模型中的卷积层对所述训练图像集进行卷积处理,得到卷积图像集,包括:
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训练图像集中的训练图像,得到多个训练子图像;
将所述预设的卷积核中的像素值与所述训练子图像中的像素值进行相乘,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;
直到所述训练图像集中的训练图像完成卷积操作,得到所述卷积图像集。
7.如权利要求1至6中任意一项所述的图像分割方法,其特征在于,所述对所述特征图像集执行二值化处理,得到标准特征集,包括:
提取所述特征图像集中特征图像的感兴趣区域;
将所述感兴趣区域上的像素点的灰度值转化为预设的第一灰度值,将所述特征图像中所述感兴趣区域之外的像素点的灰度值转化为预设的第二灰度值,得到标准特征集。
8.一种图像分割方法装置,其特征在于,所述装置包括:
数据处理模块,用于获取医学图像集,从所述医学图像集中分割出训练图像集及测试图像集,对所述训练图像集及测试图像集进行标签标记,生成标签图像集;
模型训练模块,用于基于Unet网络构建图像分割模型,利用所述图像分割模型对所述训练图像集执行上采样及下采样处理,得到特征图像集,所述特征图像集执行二值化处理,得到标准特征集,并计算所述标准特征集和所述训练图像集对应的标签图集之间的误差值;根据所述误差值调整所述图像分割模型的内部参数,直到所述误差值小于预设阈值,得到初始图像分割模型;利用所述测试图像集对所述初始图像分割模型进行验证调整,得到标准图像分割模型;
分割模块,利用所述标准图像分割模型对待分割图像进行分割处理,得到图像分割结果。
9.一种电子设备,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指令,所述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7中任一项所述的图像分割方法。
10.一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7中任一项所述的图像分割方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011103254.8A CN112233125B (zh) | 2020-10-15 | 2020-10-15 | 图像分割方法、装置、电子设备及计算机可读存储介质 |
PCT/CN2020/131978 WO2021189901A1 (zh) | 2020-10-15 | 2020-11-26 | 图像分割方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011103254.8A CN112233125B (zh) | 2020-10-15 | 2020-10-15 | 图像分割方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112233125A true CN112233125A (zh) | 2021-01-15 |
CN112233125B CN112233125B (zh) | 2023-06-02 |
Family
ID=74113756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011103254.8A Active CN112233125B (zh) | 2020-10-15 | 2020-10-15 | 图像分割方法、装置、电子设备及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112233125B (zh) |
WO (1) | WO2021189901A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884770A (zh) * | 2021-04-28 | 2021-06-01 | 腾讯科技(深圳)有限公司 | 图像分割处理方法、装置及计算机设备 |
CN112991377A (zh) * | 2021-04-22 | 2021-06-18 | 辽宁向日葵教育科技有限公司 | 一种基于opencv和shader融合技术的抠像算法 |
CN113065607A (zh) * | 2021-04-20 | 2021-07-02 | 平安国际智慧城市科技股份有限公司 | 图像检测方法、装置、电子设备及介质 |
CN114119640A (zh) * | 2022-01-27 | 2022-03-01 | 广东皓行科技有限公司 | 模型训练方法、图像分割方法以及图像分割系统 |
CN115170807A (zh) * | 2022-09-05 | 2022-10-11 | 浙江大华技术股份有限公司 | 一种图像分割、模型训练方法、装置、设备及介质 |
CN117648632A (zh) * | 2024-01-29 | 2024-03-05 | 杭州海康威视数字技术股份有限公司 | 光纤振动异常识别方法、装置、设备及计算机程序产品 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943989B (zh) * | 2022-06-17 | 2024-06-28 | 平安科技(深圳)有限公司 | 基于人工智能的狗脸关键点检测方法及相关设备 |
CN115641443B (zh) * | 2022-12-08 | 2023-04-11 | 北京鹰瞳科技发展股份有限公司 | 训练图像分割网络模型的方法、处理图像的方法及产品 |
CN117372433B (zh) * | 2023-12-08 | 2024-03-08 | 菲沃泰纳米科技(深圳)有限公司 | 厚度参数的控制方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170083793A1 (en) * | 2015-09-18 | 2017-03-23 | Htc Corporation | Method, electronic apparatus, and computer readable medium of constructing classifier for skin-infection detection |
CN107622492A (zh) * | 2017-06-30 | 2018-01-23 | 上海联影医疗科技有限公司 | 肺裂分割方法及系统 |
WO2018048507A1 (en) * | 2016-09-06 | 2018-03-15 | Han Xiao | Neural network for generating synthetic medical images |
CN108986106A (zh) * | 2017-12-15 | 2018-12-11 | 浙江中医药大学 | 面向青光眼临床诊断的视网膜血管自动分割方法 |
US20190080456A1 (en) * | 2017-09-12 | 2019-03-14 | Shenzhen Keya Medical Technology Corporation | Method and system for performing segmentation of image having a sparsely distributed object |
CN109948707A (zh) * | 2019-03-20 | 2019-06-28 | 腾讯科技(深圳)有限公司 | 模型训练方法、装置、终端及存储介质 |
CN111652209A (zh) * | 2020-04-30 | 2020-09-11 | 平安科技(深圳)有限公司 | 损伤检测方法、装置、电子设备及介质 |
US20210042564A1 (en) * | 2018-11-01 | 2021-02-11 | Tencent Technology (Shenzhen) Company Limited | Medical image recognition method, model training method, and computer device |
-
2020
- 2020-10-15 CN CN202011103254.8A patent/CN112233125B/zh active Active
- 2020-11-26 WO PCT/CN2020/131978 patent/WO2021189901A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170083793A1 (en) * | 2015-09-18 | 2017-03-23 | Htc Corporation | Method, electronic apparatus, and computer readable medium of constructing classifier for skin-infection detection |
WO2018048507A1 (en) * | 2016-09-06 | 2018-03-15 | Han Xiao | Neural network for generating synthetic medical images |
CN107622492A (zh) * | 2017-06-30 | 2018-01-23 | 上海联影医疗科技有限公司 | 肺裂分割方法及系统 |
US20190080456A1 (en) * | 2017-09-12 | 2019-03-14 | Shenzhen Keya Medical Technology Corporation | Method and system for performing segmentation of image having a sparsely distributed object |
CN108986106A (zh) * | 2017-12-15 | 2018-12-11 | 浙江中医药大学 | 面向青光眼临床诊断的视网膜血管自动分割方法 |
US20210042564A1 (en) * | 2018-11-01 | 2021-02-11 | Tencent Technology (Shenzhen) Company Limited | Medical image recognition method, model training method, and computer device |
CN109948707A (zh) * | 2019-03-20 | 2019-06-28 | 腾讯科技(深圳)有限公司 | 模型训练方法、装置、终端及存储介质 |
CN111652209A (zh) * | 2020-04-30 | 2020-09-11 | 平安科技(深圳)有限公司 | 损伤检测方法、装置、电子设备及介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065607A (zh) * | 2021-04-20 | 2021-07-02 | 平安国际智慧城市科技股份有限公司 | 图像检测方法、装置、电子设备及介质 |
CN112991377A (zh) * | 2021-04-22 | 2021-06-18 | 辽宁向日葵教育科技有限公司 | 一种基于opencv和shader融合技术的抠像算法 |
CN112884770A (zh) * | 2021-04-28 | 2021-06-01 | 腾讯科技(深圳)有限公司 | 图像分割处理方法、装置及计算机设备 |
CN112884770B (zh) * | 2021-04-28 | 2021-07-02 | 腾讯科技(深圳)有限公司 | 图像分割处理方法、装置及计算机设备 |
CN114119640A (zh) * | 2022-01-27 | 2022-03-01 | 广东皓行科技有限公司 | 模型训练方法、图像分割方法以及图像分割系统 |
CN114119640B (zh) * | 2022-01-27 | 2022-04-22 | 广东皓行科技有限公司 | 模型训练方法、图像分割方法以及图像分割系统 |
CN115170807A (zh) * | 2022-09-05 | 2022-10-11 | 浙江大华技术股份有限公司 | 一种图像分割、模型训练方法、装置、设备及介质 |
CN117648632A (zh) * | 2024-01-29 | 2024-03-05 | 杭州海康威视数字技术股份有限公司 | 光纤振动异常识别方法、装置、设备及计算机程序产品 |
CN117648632B (zh) * | 2024-01-29 | 2024-05-03 | 杭州海康威视数字技术股份有限公司 | 光纤振动异常识别方法、装置、设备及计算机程序产品 |
Also Published As
Publication number | Publication date |
---|---|
WO2021189901A1 (zh) | 2021-09-30 |
CN112233125B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112233125B (zh) | 图像分割方法、装置、电子设备及计算机可读存储介质 | |
CN109508681B (zh) | 生成人体关键点检测模型的方法和装置 | |
CN111369581B (zh) | 图像处理方法、装置、设备及存储介质 | |
US9214009B2 (en) | Image registration device and method, image segmentation device and method and medical image apparatus | |
US8023725B2 (en) | Identification of a graphical symbol by identifying its constituent contiguous pixel groups as characters | |
CN111652845A (zh) | 异常细胞自动标注方法、装置、电子设备及存储介质 | |
TW202014984A (zh) | 一種圖像處理方法、電子設備及存儲介質 | |
CN111696084B (zh) | 细胞图像分割方法、装置、电子设备及可读存储介质 | |
Xu et al. | Multi-exposure image fusion techniques: A comprehensive review | |
US20230177643A1 (en) | Image super-resolution | |
CN112418216A (zh) | 一种复杂自然场景图像中的文字检测方法 | |
CN111476760B (zh) | 医学图像的生成方法、装置、电子设备及介质 | |
CN111639704A (zh) | 目标识别方法、装置及计算机可读存储介质 | |
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 | |
CN115272250B (zh) | 确定病灶位置方法、装置、计算机设备和存储介质 | |
CN112200189A (zh) | 基于SPP-YOLOv3的车型识别方法、装置及计算机可读存储介质 | |
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 | |
CN116645592A (zh) | 一种基于图像处理的裂缝检测方法和存储介质 | |
CN112541902A (zh) | 相似区域搜索方法、装置、电子设备及介质 | |
CN117455762A (zh) | 基于全景行车记录仪的记录画面分辨率提升方法及系统 | |
CN113240585A (zh) | 基于生成对抗网络的图像处理方法、装置及存储介质 | |
CN111369564B (zh) | 一种图像处理的方法、模型训练的方法及装置 | |
CN113140292A (zh) | 图像异常区域浏览方法、装置、移动端设备及存储介质 | |
CN111008634B (zh) | 一种基于实例分割的字符识别方法及字符识别装置 | |
CN112884702A (zh) | 一种基于内窥镜图像的息肉识别系统和方法 |
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 |