CN113160942A - 影像数据质量评估方法、装置、终端设备及可读存储介质 - Google Patents
影像数据质量评估方法、装置、终端设备及可读存储介质 Download PDFInfo
- Publication number
- CN113160942A CN113160942A CN202110401997.1A CN202110401997A CN113160942A CN 113160942 A CN113160942 A CN 113160942A CN 202110401997 A CN202110401997 A CN 202110401997A CN 113160942 A CN113160942 A CN 113160942A
- Authority
- CN
- China
- Prior art keywords
- image data
- network model
- quality evaluation
- model
- regression 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.)
- Pending
Links
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 58
- 238000000605 extraction Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000001303 quality assessment method Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- 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
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于图像处理技术领域,提供了一种影像数据质量评估方法、装置、终端设备及可读存储介质,方法包括:将待评估三维影像数据输入至特征提取网络模型进行处理得到特征矩阵;基于超网络模型中的多个分支网络模型对特征矩阵进行处理得到多个参数矩阵,基于多个参数矩阵分别对对应的回归模型中多个全连接层的参数进行调整;基于调整后的回归模型对特征矩阵进行处理,得到质量评估分数。实现基于输入数据的内容,动态调整模型的参数,提高了对三维影像数据的处理效率和质量评估的精度。
Description
技术领域
本申请属于图像处理技术领域,尤其涉及一种影像数据质量评估方法、装置、终端设备及可读存储介质。
背景技术
随着多媒体技术的发展,影像数据逐渐成为了最重要的数据传播方式。对应的,影像数据的质量也影响着人们生产、生活中的方方面面。例如,在医学影像应用与临床诊断领域中,医学影像数据的质量对医疗诊断效果的优劣起到了非常重要的作用。
相关的无参考影像数据质量评估方法通常包括针对特定图像失真类型的影像数据质量评估方法和针对通用失真类型的影像数据质量评估方法。其中,前者的实际应用效率较低,因此后者成为近年来的基于影像数据质量评估课题的主要研究方向。
而常用的基于通用失真类型的无参考影像数据质量评估方法通常存在处理效率较低、质量评估结果精度不高等问题。
发明内容
本申请实施例提供了一种影像数据质量评估方法、装置、终端设备及计算机可读存储介质,可以解决相关基于通用失真类型的无参考影像数据质量评估方法通常存在处理效率较低、质量评估结果精度不高的问题。
第一方面,本申请实施例提供了一种影像数据质量评估方法,包括:
获取待评估三维影像数据;
将所述待评估三维影像数据输入至预训练的影像数据质量评估网络模型中处理,得到所述待评估三维影像数据的质量评估分数;所述预训练的影像数据质量评估网络模型包括特征提取网络模型、超网络模型和回归模型,所述特征提取网络模型分别与所述超网络模型、所述回归模型连接,所述超网络模型与所述回归模型连接;
其中,所述特征提取网络模型用于对所述待评估三维影像数据进行处理,得到特征矩阵,并将所述特征矩阵发送至所述超网络模型与所述回归模型;所述回归模型包括一个全局最大池化层和多个全连接层;所述超网络模型包括与所述回归模型中多个全连接层一一对应的多个分支网络模型;所述超网络模型用于通过所述多个分支网络模型对所述特征矩阵进行处理,得到所述多个分支网络模型输出的参数矩阵,对应根据所述参数矩阵分别对所述回归模型中多个全连接层的参数进行调整,得到调整后的回归模型;调整后的回归模型用于对所述特征矩阵进行处理,得到所述待评估三维影像数据的质量评估分数。
在一个实施例中,所述分支网络模型由两个卷积层,一个全局最大池化层,一个全连接层顺次连接组成,所述分支网络模型用于确定对应的全连接层的参数矩阵。
在一个实施例中,所述特征提取网络模型包括三维残差神经网络模型。
在一个实施例中,所述影像数据质量评估方法,还包括:
获取训练数据集;所述训练数据集包含多个三维训练影像数据;
根据所述训练数据集对所述影像数据质量评估网络模型进行预训练,获得所述预训练的影像数据质量评估网络模型。
第二方面,本申请实施例提供了一种影像数据质量评估装置,包括:
第一获取模块,用于获取待评估三维影像数据;
处理模块,用于将所述待评估三维影像数据输入至预训练的影像数据质量评估网络模型中处理,得到所述待评估三维影像数据的质量评估分数;所述预训练的影像数据质量评估网络模型包括特征提取网络模型、超网络模型和回归模型,所述特征提取网络模型分别与所述超网络模型、所述回归模型连接,所述超网络模型与所述回归模型连接;
其中,所述特征提取网络模型用于对所述待评估三维影像数据进行处理,得到特征矩阵,并将所述特征矩阵发送至所述超网络模型与所述回归模型;所述回归模型包括一个全局最大池化层和多个全连接层;所述超网络模型包括与所述回归模型中多个全连接层一一对应的多个分支网络模型;所述超网络模型用于通过所述多个分支网络模型对所述特征矩阵进行处理,得到所述多个分支网络模型输出的参数矩阵,对应根据所述参数矩阵分别对所述回归模型中多个全连接层的参数进行调整,得到调整后的回归模型;调整后的回归模型用于对所述特征矩阵进行处理,得到所述待评估三维影像数据的质量评估分数。
在一个实施例中,所述分支网络模型由两个卷积层,一个全局最大池化层,一个全连接层顺次连接组成,所述分支网络模型用于确定对应的全连接层的参数矩阵。
在一个实施例中,所述特征提取网络模型包括三维残差神经网络模型。
在一个实施例中,所述影像数据质量评估装置,还包括:
第二获取模块,用于获取训练数据集;所述训练数据集包含多个三维训练影像数据;
预训练模块,用于根据所述训练数据集对所述影像数据质量评估网络模型进行预训练,获得所述预训练的影像数据质量评估网络模型。
第三方面,本申请实施例提供了一种终端设备,终端设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的影像数据质量评估方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述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如上述第一方面中任一项所述的影像数据质量评估方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的影像数据质量评估方法。
本申请实施例通过将待评估三维影像数据输入至包括特征提取网络模型、超网络模型和回归模型的预训练的影像数据质量评估网络模型中,通过特征提取网络模型对待评估三维影像数据进行处理,得到特征矩阵,通过超网络模型中与回归模型中多个全连接层一一对应的多个分支网络模型,对特征矩阵进行处理,得到多个分支网络模型输出的多个参数矩阵,对应根据多个参数矩阵分别对回归模型中多个全连接层的参数进行调整,得到调整后的回归模型,通过调整后的回归模型对特征矩阵进行处理,得到待评估三维影像数据的质量评估分数,实现根据输入的待评估三维影像数据的内容,动态调整模型的参数,提高了对影像数据的处理效率和质量评估的精度。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的影像数据质量评估方法的流程示意图;
图2是本申请实施例提供的预训练的影像数据质量评估网络模型的结构示意图;
图3是本申请实施例提供的超网络模型的结构示意图;
图4是本申请实施例提供的分支网络模型的结构示意图;
图5是本申请实施例提供的影像数据质量评估装置的结构示意图;
图6是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请实施例提供的影像数据质量评估方法可以应用于手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。
图1示出了本申请提供的影像数据质量评估方法的示意性流程图,作为示例而非限定,该方法可以应用于上述笔记本电脑中。
S101、获取待评估三维影像数据。
在具体应用中,获取通过摄像头拍摄得到的或其他终端设备传输的待评估三维影像数据。待评估三维影像数据包括需要进行质量评估的三维图像数据或三维视频数据。例如,在医学领域的临床诊断过程中,待评估三维影像数据为医学影像设备传输的三维成像数据。
S102、将所述待评估三维影像数据输入至预训练的影像数据质量评估网络模型中处理,得到所述待评估三维影像数据的质量评估分数;所述预训练的影像数据质量评估网络模型包括特征提取网络模型、超网络模型和回归模型,所述特征提取网络模型分别与所述超网络模型、所述回归模型连接,所述超网络模型与所述回归模型连接;
其中,所述特征提取网络模型用于对所述待评估三维影像数据进行处理,得到特征矩阵,并将所述特征矩阵发送至所述超网络模型与所述回归模型;所述回归模型包括一个全局最大池化层和多个全连接层;所述超网络模型包括与所述回归模型中多个全连接层一一对应的多个分支网络模型;所述超网络模型用于通过所述多个分支网络模型对所述特征矩阵进行处理,得到所述多个分支网络模型输出的参数矩阵,对应根据所述参数矩阵分别对所述回归模型中多个全连接层的参数进行调整,得到调整后的回归模型;调整后的回归模型用于对所述特征矩阵进行处理,得到所述待评估三维影像数据的质量评估分数。
在具体应用中,将待评估三维影像数据输入至预训练的影像数据质量评估网络模型中进行处理,预训练的影像数据质量评估网络模型包括但不限于特征提取网络模型、超网络模型和回归模型;通过特征提取网络模型对输入的待评估三维影像数据进行特征提取处理,得到特征提取网络模型输出的特征矩阵,将特征矩阵发送至超网络模型和回归模型中。
在具体应用中,回归模型包括但不限于一个全局最大池化层和多个全连接层。其中,全连接层的个数可根据实际需求进行具体设定。例如,设定回归模型包括一个全局最大池化层和三个全连接层;
在具体应用中,回归模型中的全局最大池化层用于对输入的高维的特征矩阵进行降维处理,得到处理后的二维特征矩阵;多个全连接层用于对处理后的二维特征矩阵进行回归处理,得到待评估三维影像数据的质量评估分数。
具体的,回归模型由一个全局最大池化层和多个全连接层级联组成。
在具体应用中,超网络模型包括与回归模型中多个全连接层一一对应的多个分支网络模型,每个分支网络分别用于确定对应的全连接层的参数。
具体的,通过超网络模型中的多个分支网络模型对特征提取网络模型输出的特征矩阵进行处理,得到多个分支网络模型输出的多个矩阵参数,根据每个分支网络模型输出的矩阵参数,分别对回归模型中对应的全连接层进行参数调整处理,获得调整后的回归模型。通过调整后的回归模型对特征提取网络模型输出的特征矩阵进行回归处理,得到待评估三维影像数据的质量评估分数。
作为示例而非限定,质量评估分数的取值范围为[4,20]。质量评估分数值的含义可根据用户需求进行具体设定。例如,设定为质量评估分数值越高,待评估三维影像数据的质量越高。
可以理解的是,在对待评估三维影像数据进行特征提取处理后,获得的特征矩阵的维度会高于待评估三维影像数据的维度。例如,输入三维的待评估三维影像数据时,特征提取网络模型输出的特征矩阵为五维的特征矩阵。
如图2所示,提供了一种预训练的影像数据质量评估网络模型的结构示意图。
图2中,预训练的影像数据质量评估网络模型包括特征提取网络模型、超网络模型和回归模型。在将待评估三维影像数据输入至预训练的影像数据质量评估网络模型中时,通过特征提取网络对待评估三维影像数据进行特征提取处理,得到对应的特征矩阵,通过超网络模型中的多个分支网络模型对特征提取网络模型输出的特征矩阵进行处理,获得与回归模型中多个全连接层一一对应的多个参数矩阵,并通过上述参数矩阵分别对回归模型中的多个全连接层进行参数调整处理,得到调整后的回归模型,通过调整后的回归模型对特征提取网络模型输出的特征矩阵进行回归处理,得到待评估三维影像数据的质量评估分数。
如图3所示,提供了一种超网络模型的结构示意图。
图3中,预先设定回归模型包括三个全连接层,对应的,超网络模型包括三个分支网络模型;将特征提取网络模型提取到的特征矩阵输入至三个分支网络模型中,基于三个分支网络模型对特征矩阵进行处理,对应得到三个参数矩阵,根据上述三个参数矩阵分别对回归模型中对应的三个全连接层进行参数调整处理,得到调整后的回归模型。
在一个实施例中,所述分支网络模型由两个卷积层,一个全局最大池化层,一个全连接层顺次连接组成,所述分支网络模型用于确定对应的全连接层的参数矩阵。
在具体应用中,超网络模型中的每个分支网络模型均由两个卷积层,一个全局最大池化层和一个全连接层顺次连接组成。
可以理解的是,每个分支网络模型分别用于确定与该分支网络模型对应的回归模型中全连接层的参数矩阵,也即分支网络模型的输入数据虽然相同,其输出数据并不相同。
如图4所示,提供了一种分支网络模型的结构示意图。
图4中,超网络模型的分支网络模型由两个1x1x1的卷积层、一个全局最大池化层、一个全连接层以及重塑(reshape)函数顺次连接组成。reshape函数是MATLAB中将指定的矩阵变换成特定维数矩阵一种函数,且矩阵中元素个数不变,函数可以重新调整矩阵的行数、列数、维数。
在一个实施例中,所述特征提取网络模型包括三维残差神经网络模型。
在具体应用中,基于不同维度的影像数据,对应的用于进行特征提取的网络结构不相同。设定特征提取网络模型包括三维残差神经网络模型(3DResNet50),以更好地适应于输入的待评估三维影像数据,便于对富含空间结构信息的待评估三维影像数据进行特征提取处理,得到对应的特征矩阵。
在一个实施例中,所述方法,还包括:
获取训练数据集;所述训练数据集包含多个三维训练影像数据;
根据所述训练数据集对所述影像数据质量评估网络模型进行预训练,获得所述预训练的影像数据质量评估网络模型。
在具体应用中,获取包含多个三维训练影像数据的训练数据集,基于训练数据集对影像数据质量评估网络模型进行预训练,包括:采用端到端的旋转过程进行训练,将每个训练影像数据随机的划分为多个块patch(例如,划分为9个patch),将每个训练影像数据的patch作为输入数据,输出该训练影像数据的质量评估分数。测试时,对每个训练影像数据按顺序对patch进行裁剪,设定步长为patch大小的一半,并预测每一个patch的质量评估分数。最后计算得到同个训练影像数据的所有patch的质量评估分数的平均值,作为该训练影像数据的质量评估分数。
具体的,预训练过程中,采用平均绝对误差(MeanAbsolutError,MAE)作为损失函数,采用adam优化器对epoch进行优化。
可以理解的是,由于设定待评估三维影像数据包括三维影像数据,对应所采用的训练数据集应包含多个三维的训练影像数据。
本实施例通过将待评估三维影像数据输入至包括特征提取网络模型、超网络模型和回归模型的预训练的影像数据质量评估网络模型中,通过特征提取网络模型对待评估三维影像数据进行处理,得到特征矩阵,通过超网络模型中与回归模型中多个全连接层一一对应的多个分支网络模型,对特征矩阵进行处理,得到多个分支网络模型输出的多个参数矩阵,对应根据多个参数矩阵分别对回归模型中多个全连接层的参数进行调整,得到调整后的回归模型,通过调整后的回归模型对特征矩阵进行处理,得到待评估三维影像数据的质量评估分数,实现根据输入的待评估三维影像数据的内容,动态调整模型的参数,提高了对影像数据的处理效率和质量评估的精度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的影像数据质量评估方法,图5示出了本申请实施例提供的影像数据质量评估装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图5,该影像数据质量评估装置100包括:
第一获取模块101,用于获取待评估三维影像数据;
处理模块102,用于将所述待评估三维影像数据输入至预训练的影像数据质量评估网络模型中处理,得到所述待评估三维影像数据的质量评估分数;所述预训练的影像数据质量评估网络模型包括特征提取网络模型、超网络模型和回归模型,所述特征提取网络模型分别与所述超网络模型、所述回归模型连接,所述超网络模型与所述回归模型连接;
其中,所述特征提取网络模型用于对所述待评估三维影像数据进行处理,得到特征矩阵,并将所述特征矩阵发送至所述超网络模型与所述回归模型;所述回归模型包括一个全局最大池化层和多个全连接层;所述超网络模型包括与所述回归模型中多个全连接层一一对应的多个分支网络模型;所述超网络模型用于通过所述多个分支网络模型对所述特征矩阵进行处理,得到所述多个分支网络模型输出的参数矩阵,对应根据所述参数矩阵分别对所述回归模型中多个全连接层的参数进行调整,得到调整后的回归模型;调整后的回归模型用于对所述特征矩阵进行处理,得到所述待评估三维影像数据的质量评估分数。
在一个实施例中,所述分支网络模型由两个卷积层,一个全局最大池化层,一个全连接层顺次连接组成,所述分支网络模型用于确定对应的全连接层的参数矩阵。
在一个实施例中,所述特征提取网络模型包括三维残差神经网络模型。
在一个实施例中,所述影像数据质量评估装置100,还包括:
第二获取模块,用于获取训练数据集;所述训练数据集包含多个三维训练影像数据;
预训练模块,用于根据所述训练数据集对所述影像数据质量评估网络模型进行预训练,获得所述预训练的影像数据质量评估网络模型。
本实施例通过将待评估三维影像数据输入至包括特征提取网络模型、超网络模型和回归模型的预训练的影像数据质量评估网络模型中,通过特征提取网络模型对待评估三维影像数据进行处理,得到特征矩阵,通过超网络模型中与回归模型中多个全连接层一一对应的多个分支网络模型,对特征矩阵进行处理,得到多个分支网络模型输出的多个参数矩阵,对应根据多个参数矩阵分别对回归模型中多个全连接层的参数进行调整,得到调整后的回归模型,通过调整后的回归模型对特征矩阵进行处理,得到待评估三维影像数据的质量评估分数,实现根据输入的待评估三维影像数据的内容,动态调整模型的参数,提高了对影像数据的处理效率和质量评估的精度。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图6为本实施例提供的终端设备的结构示意图。如图6所示,该实施例的终端设备6包括:至少一个处理器60(图6中仅示出一个)、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62,所述处理器60执行所述计算机程序62时实现上述任意各个影像数据质量评估方法实施例中的步骤。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是终端设备6的举例,并不构成对终端设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),该处理器60还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61在一些实施例中可以是所述终端设备6的内部存储单元,例如终端设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述终端设备6的外部存储设备,例如所述终端设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字卡(Secure Digital,SD),闪存卡(Flash Card)等。所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、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,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质,所述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可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的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。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种影像数据质量评估方法,其特征在于,包括:
获取待评估三维影像数据;
将所述待评估三维影像数据输入至预训练的影像数据质量评估网络模型中处理,得到所述待评估三维影像数据的质量评估分数;所述预训练的影像数据质量评估网络模型包括特征提取网络模型、超网络模型和回归模型,所述特征提取网络模型分别与所述超网络模型、所述回归模型连接,所述超网络模型与所述回归模型连接;
其中,所述特征提取网络模型用于对所述待评估三维影像数据进行处理,得到特征矩阵,并将所述特征矩阵发送至所述超网络模型与所述回归模型;所述回归模型包括一个全局最大池化层和多个全连接层;所述超网络模型包括与所述回归模型中多个全连接层一一对应的多个分支网络模型;所述超网络模型用于通过所述多个分支网络模型对所述特征矩阵进行处理,得到所述多个分支网络模型输出的参数矩阵,对应根据所述参数矩阵分别对所述回归模型中多个全连接层的参数进行调整,得到调整后的回归模型;调整后的回归模型用于对所述特征矩阵进行处理,得到所述待评估三维影像数据的质量评估分数。
2.如权利要求1所述的影像数据质量评估方法,其特征在于,所述分支网络模型由两个卷积层,一个全局最大池化层,一个全连接层顺次连接组成,所述分支网络模型用于确定对应的全连接层的参数矩阵。
3.如权利要求1所述的影像数据质量评估方法,其特征在于,所述特征提取网络模型包括三维残差神经网络模型。
4.如权利要求1至3任一项所述的影像数据质量评估方法,其特征在于,所述方法,还包括:
获取训练数据集;所述训练数据集包含多个三维训练影像数据;
根据所述训练数据集对所述影像数据质量评估网络模型进行预训练,获得所述预训练的影像数据质量评估网络模型。
5.一种影像数据质量评估装置,其特征在于,包括:
第一获取模块,用于获取待评估三维影像数据;
处理模块,用于将所述待评估三维影像数据输入至预训练的影像数据质量评估网络模型中处理,得到所述待评估三维影像数据的质量评估分数;所述预训练的影像数据质量评估网络模型包括特征提取网络模型、超网络模型和回归模型,所述特征提取网络模型分别与所述超网络模型、所述回归模型连接,所述超网络模型与所述回归模型连接;
其中,所述特征提取网络模型用于对所述待评估三维影像数据进行处理,得到特征矩阵,并将所述特征矩阵发送至所述超网络模型与所述回归模型;所述回归模型包括一个全局最大池化层和多个全连接层;所述超网络模型包括与所述回归模型中多个全连接层一一对应的多个分支网络模型;所述超网络模型用于通过所述多个分支网络模型对所述特征矩阵进行处理,得到所述多个分支网络模型输出的参数矩阵,对应根据所述参数矩阵分别对所述回归模型中多个全连接层的参数进行调整,得到调整后的回归模型;调整后的回归模型用于对所述特征矩阵进行处理,得到所述待评估三维影像数据的质量评估分数。
6.如权利要求5所述的影像数据质量评估装置,其特征在于,所述分支网络模型由两个卷积层,一个全局最大池化层,一个全连接层顺次连接组成,所述分支网络模型用于确定对应的全连接层的参数矩阵。
7.如权利要求5所述的影像数据质量评估装置,其特征在于,所述特征提取网络模型包括三维残差神经网络模型。
8.如权利要求5所述的影像数据质量评估装置,其特征在于,所述影像数据质量评估装置,还包括:
第二获取模块,用于获取训练数据集;所述训练数据集包含多个三维训练影像数据;
预训练模块,用于根据所述训练数据集对所述影像数据质量评估网络模型进行预训练,获得所述预训练的影像数据质量评估网络模型。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的方法。
10.一种计算机可读存储介质,所述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任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110401997.1A CN113160942A (zh) | 2021-04-14 | 2021-04-14 | 影像数据质量评估方法、装置、终端设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110401997.1A CN113160942A (zh) | 2021-04-14 | 2021-04-14 | 影像数据质量评估方法、装置、终端设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113160942A true CN113160942A (zh) | 2021-07-23 |
Family
ID=76890582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110401997.1A Pending CN113160942A (zh) | 2021-04-14 | 2021-04-14 | 影像数据质量评估方法、装置、终端设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113160942A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116705252A (zh) * | 2023-06-16 | 2023-09-05 | 脉得智能科技(无锡)有限公司 | 前列腺癌诊断模型的构建方法、图像分类方法、设备、介质 |
CN116705252B (zh) * | 2023-06-16 | 2024-05-31 | 脉得智能科技(无锡)有限公司 | 前列腺癌诊断模型的构建方法、图像分类方法、设备、介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122787A (zh) * | 2017-02-14 | 2017-09-01 | 北京理工大学 | 一种基于特征融合的图像缩放质量评价方法 |
CN110428415A (zh) * | 2019-08-05 | 2019-11-08 | 上海联影医疗科技有限公司 | 医学图像的质量评估方法、装置、设备及存储介质 |
CN110827250A (zh) * | 2019-10-29 | 2020-02-21 | 浙江明峰智能医疗科技有限公司 | 基于轻量级卷积神经网络的智能医学图像质量评估方法 |
US20200126262A1 (en) * | 2018-10-19 | 2020-04-23 | Samsung Electronics Co., Ltd. | Methods and apparatuses for performing artificial intelligence encoding and artificial intelligence decoding on image |
CN111242947A (zh) * | 2020-03-12 | 2020-06-05 | 南京安科医疗科技有限公司 | 一种ct扫描图像质量评价方法、计算机可读存储介质、ct扫描装置 |
CN111709906A (zh) * | 2020-04-13 | 2020-09-25 | 北京深睿博联科技有限责任公司 | 医学图像的质量评估方法和装置 |
-
2021
- 2021-04-14 CN CN202110401997.1A patent/CN113160942A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122787A (zh) * | 2017-02-14 | 2017-09-01 | 北京理工大学 | 一种基于特征融合的图像缩放质量评价方法 |
US20200126262A1 (en) * | 2018-10-19 | 2020-04-23 | Samsung Electronics Co., Ltd. | Methods and apparatuses for performing artificial intelligence encoding and artificial intelligence decoding on image |
CN110428415A (zh) * | 2019-08-05 | 2019-11-08 | 上海联影医疗科技有限公司 | 医学图像的质量评估方法、装置、设备及存储介质 |
CN110827250A (zh) * | 2019-10-29 | 2020-02-21 | 浙江明峰智能医疗科技有限公司 | 基于轻量级卷积神经网络的智能医学图像质量评估方法 |
CN111242947A (zh) * | 2020-03-12 | 2020-06-05 | 南京安科医疗科技有限公司 | 一种ct扫描图像质量评价方法、计算机可读存储介质、ct扫描装置 |
CN111709906A (zh) * | 2020-04-13 | 2020-09-25 | 北京深睿博联科技有限责任公司 | 医学图像的质量评估方法和装置 |
Non-Patent Citations (2)
Title |
---|
SHAOLIN SU ET AL.: "Blindly Assess Image Quality in the Wild Guided by A Self-Adaptive Hyper Network", 《2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
武玉伟等: "《深度学习基础与应用》", 30 November 2020, 北京理工大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116705252A (zh) * | 2023-06-16 | 2023-09-05 | 脉得智能科技(无锡)有限公司 | 前列腺癌诊断模型的构建方法、图像分类方法、设备、介质 |
CN116705252B (zh) * | 2023-06-16 | 2024-05-31 | 脉得智能科技(无锡)有限公司 | 前列腺癌诊断模型的构建方法、图像分类方法、设备、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929865B (zh) | 网络量化方法、业务处理方法及相关产品 | |
WO2021164269A1 (zh) | 基于注意力机制的视差图获取方法和装置 | |
CN109697083B (zh) | 数据的定点化加速方法、装置、电子设备及存储介质 | |
CN115205736A (zh) | 视频数据的识别方法和装置、电子设备和存储介质 | |
CN111210004A (zh) | 卷积计算方法、卷积计算装置及终端设备 | |
CN116524206B (zh) | 目标图像的识别方法及装置 | |
CN111222446B (zh) | 人脸识别方法、人脸识别装置及移动终端 | |
CN111275622A (zh) | 图像拼接方法、装置及终端设备 | |
CN113160942A (zh) | 影像数据质量评估方法、装置、终端设备及可读存储介质 | |
CN112633218B (zh) | 人脸检测方法、装置、终端设备及计算机可读存储介质 | |
CN111667046A (zh) | 深度学习加速方法及用户终端 | |
CN116012418A (zh) | 多目标跟踪方法及装置 | |
CN115953803A (zh) | 人体识别模型的训练方法及装置 | |
CN112288748B (zh) | 一种语义分割网络训练、图像语义分割方法及装置 | |
CN111489289B (zh) | 一种图像处理方法、图像处理装置及终端设备 | |
CN114119377A (zh) | 一种图像处理方法及装置 | |
WO2022217496A1 (zh) | 影像数据质量评估方法、装置、终端设备及可读存储介质 | |
CN111091593B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN116912518B (zh) | 图像的多尺度特征处理方法及装置 | |
CN116309274B (zh) | 图像中小目标检测方法、装置、计算机设备及存储介质 | |
CN113095211B (zh) | 一种图像处理方法、系统及电子设备 | |
CN116402090B (zh) | 神经网络计算图的处理方法、装置和设备 | |
CN117456562B (zh) | 姿态估计方法及装置 | |
CN116910566B (zh) | 一种目标识别模型训练方法和装置 | |
CN112991415B (zh) | 深度信息确定方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210723 |