CN113450381A - 一种图像分割模型的准确度评价系统及方法 - Google Patents
一种图像分割模型的准确度评价系统及方法 Download PDFInfo
- Publication number
- CN113450381A CN113450381A CN202110669089.0A CN202110669089A CN113450381A CN 113450381 A CN113450381 A CN 113450381A CN 202110669089 A CN202110669089 A CN 202110669089A CN 113450381 A CN113450381 A CN 113450381A
- Authority
- CN
- China
- Prior art keywords
- image
- total
- accuracy
- segmentation model
- overlap ratio
- 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
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种图像分割模型的准确度评价系统及方法,包括:分别在预先获取的多个医学视频影像上标注出病灶区域得到多个标注视频影像并处理得到相应的真实病灶掩膜图像;将各标注视频影像分别输入预先迭代训练得到的多个图像分割模型中得到对应的预测病灶图像并处理得到相应的预测病灶掩膜图像;各图像分割模型分别对应不同的迭代训练次数;针对每个图像分割模型,分别计算各标注视频影像对应的各真实病灶掩膜图像与对应的预测病灶掩膜图像之间的像素重合度,并在像素重合度符合一重合度标准时输出表示对应的图像分割模型准确度达标的准确度评价结果。有益效果是能够更加科学的评价出图像分割模型的精度和假阳性,更能反映图像分割模型的效能。
Description
技术领域
本发明涉及模型能效评价技术领域,尤其涉及一种图像分割模型的准确度评价系统及方法。
背景技术
在机器学习中,训练模型的目的是用训练好的模型帮助我们在后续的实践中做出准确的预测,所以我们希望模型能够在今后的实际使用中有很好的性能,对训练好的模型进行准确度评价能够直观反映模型的性能。
对于图像分割模型,现有常用的模型评价方法是利用训练好的图像分割模型对医学影像病灶识别,若图像分割模型认为影像中含有病灶,则认为影像病灶识别成功,最后根据正负样本识别成功的影像个数统计模型的识别准确度。该评价方法是图像分割模型将影像病灶识别出来并不考虑识别的位置是否病灶真正的位置,也有可能是与病灶类似的健康部位,或者是识别出的病灶并不完全和真实病灶相吻合,只要是图像分割模型识别出来有病灶就认为本张影像病灶识别正确,这样并不能科学的评价出图像分割模型的优劣。
发明内容
针对现有技术中存在的问题,本发明提供一种图像分割模型的准确度评价系统,包括:
预处理模块,用于分别在预先获取的多个医学视频影像上标注出病灶区域得到多个标注视频影像;
第一处理模块,连接所述预处理模块,用于分别对各所述标注视频影像进行处理得到相应的真实病灶掩膜图像;
第二处理模块,连接所述预处理模块,用于将各所述标注视频影像分别输入预先迭代训练得到的以所述医学视频影像为输入,以所述病灶区域为输出的多个图像分割模型中,得到所述标注视频影像中每帧标注影像对应的预测病灶图像,并对各所述预测病灶图像分别进行处理得到相应的预测病灶掩膜图像;
各所述图像分割模型分别对应不同的迭代训练次数;
模型评价模块,分别连接所述第一处理模块和所述第二处理模块,用于针对每个所述图像分割模型,分别计算各所述标注视频影像对应的各所述真实病灶掩膜图像与对应的所述预测病灶掩膜图像之间的像素重合度,并在所述像素重合度符合一重合度标准时输出表示对应的图像分割模型准确度达标的准确度评价结果。
优选的,所述模型评价模块包括:
第一评价单元,用于针对每个所述图像分割模型,分别计算各所述标注视频影像对应的各所述真实病灶掩膜图像与对应的所述预测病灶掩膜图像之间的像素重合度,并将各所述像素重合度加入一重合度集合;
第二评价单元,连接所述第一评价单元,用于对所述重合度集合中所有所述像素重合度进行处理得到一总重合度,并在所述总重合度满足所述重合度标准时输出表示对应的所述图像分割模型准确度达标的准确度评价结果。
优选的,所述第一评价单元包括:
第一处理子单元,用于针对所述标注视频影像中的每帧标注影像,分别计算对应的所述真实病灶掩膜图像与对应的所述预测病灶掩膜图像之间的单帧重合度;
第二处理子单元,用于连接所述第一处理子单元,用于根据所述单帧重合度以及所述标注视频影像的总帧数,处理得到所述标注视频影像对应的所述像素重合度,随后将所述像素重合度加入所述重合度集合。
优选的,所述像素重合度包括:
第一重合度,则所述第二评价单元取所有所述第一重合度的均值或中位数作为所述总重合度,且在所述总重合度大于一第一阈值时输出表示所述图像分割模型准确度达标的准确度评价结果;或
第二重合度,则所述第二评价单元取所有所述第二重合度的均值或中位数作为所述总重合度,且在所述总重合度小于一第二阈值时输出表示所述图像分割模型准确度达标的准确度评价结果;或
所述第一重合度和所述第二重合度,对应的所述总重合度包括一第一总重合度和一第二总重合度,则所述第二评价单元取所有所述第一重合度的均值或中位数作为所述第一总重合度,取所有所述第二重合度的均值或中位数作为所述第二总重合度,在所述第一总重合度大于所述第一阈值且所述第二总重合度小于所述第二阈值时输出所述图像分割模型准确度达标的准确度评价结果。
优选的,所述第一重合度的计算公式如下:
其中,RESULTS用于表示所述像素重合度;Kj用于表示预先获取的第j个图像分割模型的损失函数值;RESULTi用于表示所述标注视频影像的第i帧所述真实病灶掩膜图像与对应的所述预测病灶掩膜图像之间的所述单帧重合度;PREprei用于表示第i帧所述预测病灶掩膜图像中的预测病灶区域;MASKmaski用于表示第i帧所述真实病灶掩膜图像中的真实病灶区域;PREi用于表示第i帧所述预测病灶掩膜图像;MASKi用于表示第i帧所述真实病灶掩膜图像;n用于表示所述总帧数。
优选的,所述第二重合度的计算公式如下:
其中,biasi 2=(PREprei-MASKmaski)2
其中,RESULTS用于表示所述像素重合度;biasi用于表示所述标注视频影像的第i帧所述真实病灶掩膜图像与对应的所述预测病灶掩膜图像之间的所述单帧重合度;PREprei用于表示第i帧所述预测病灶掩膜图像中的预测病灶区域;MASKmaski用于表示第i帧所述真实病灶掩膜图像中的真实病灶区域;n用于表示所述总帧数。
本发明还提供一种图像分割模型的准确度评价方法,应用于上述的准确度评价系统,所述准确度评价方法包括:
步骤S1,所述准确度评价系统分别在预先获取的多个医学视频影像上标注出病灶区域得到多个标注视频影像,并分别对各所述标注视频影像进行处理得到相应的真实病灶掩膜图像;
步骤S2,所述准确度评价系统将各所述标注视频影像分别输入预先迭代训练得到的以所述医学视频影像为输入,以所述病灶区域为输出的多个图像分割模型中,得到所述标注视频影像中每帧标注影像对应的预测病灶图像,并对各所述预测病灶图像分别进行处理得到相应的预测病灶掩膜图像;
各所述图像分割模型分别对应不同的迭代训练次数;
步骤S3,所述准确度评价系统针对每个所述图像分割模型,分别计算各所述标注视频影像对应的各所述真实病灶掩膜图像与对应的所述预测病灶掩膜图像之间的像素重合度,并在所述像素重合度符合一重合度标准时输出表示对应的图像分割模型准确度达标的准确度评价结果。
优选的,所述步骤S3包括:
步骤S31,所述准确度评价系统针对每个所述图像分割模型,分别计算各所述标注视频影像对应的各所述真实病灶掩膜图像与对应的所述预测病灶掩膜图像之间的像素重合度,并将各所述像素重合度加入一重合度集合;
步骤S32,所述准确度评价系统对所述重合度集合中所有所述像素重合度进行处理得到一总重合度,并在所述总重合度满足所述重合度标准时输出表示对应的所述图像分割模型准确度达标的准确度评价结果。
优选的,所述步骤S31包括:
步骤S311,所述准确度评价系统针对所述标注视频影像中的每帧标注影像,分别计算对应的所述真实病灶掩膜图像与对应的所述预测病灶掩膜图像之间的单帧重合度;
步骤S312,所述准确度评价系统根据所述单帧重合度以及所述标注视频影像的总帧数,处理得到所述标注视频影像对应的所述像素重合度,随后将所述像素重合度加入所述重合度集合。
优选的,所述像素重合度包括:
第一重合度,则所述步骤S32中,所述准确度评价系统取所有所述第一重合度的均值或中位数作为所述总重合度,且在所述总重合度大于一第一阈值时输出表示所述图像分割模型准确度达标的准确度评价结果;或
第二重合度,则所述步骤S32中,所述准确度评价系统取所有所述第二重合度的均值或中位数作为所述总重合度,且在所述总重合度小于一第二阈值时输出表示所述图像分割模型准确度达标的准确度评价结果;或
所述第一重合度和所述第二重合度,对应的所述总重合度包括一第一总重合度和一第二总重合度,则所述步骤S32中,所述准确度评价系统取所有所述第一重合度的均值或中位数作为所述第一总重合度,取所有所述第二重合度的均值或中位数作为所述第二总重合度,在所述第一总重合度大于所述第一阈值且所述第二总重合度小于所述第二阈值时输出所述图像分割模型准确度达标的准确度评价结果。
上述技术方案具有如下优点或有益效果:基于医生标注的真实病灶掩膜图像与图像分割模型预测得到的预测病灶掩膜图像之间的像素重合度进行图像分割模型的准确度评价,该评价方式不仅考虑图像分割模型是否识别出病灶区域,同时考虑识别出的病灶区域是否与真实病灶区域相吻合,能够更加科学的评价出图像分割模型的精度和假阳性,更能反映图像分割模型的效能,以便在模型训练时筛选出最优的图像分割模型。
附图说明
图1为本发明的较佳的实施例中,一种图像分割模型的准确度评价系统的结构示意图;
图2为本发明的较佳的实施例中,一种图像分割模型的准确度评价方法的流程示意图;
图3为本发明的较佳的实施例中,像素重合度的处理过程的流程示意图;
图4为本发明的较佳的实施例中,处理得到像素重合度的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本发明并不限定于该实施方式,只要符合本发明的主旨,则其他实施方式也可以属于本发明的范畴。
本发明的较佳的实施例中,基于现有技术中存在的上述问题,现提供一种图像分割模型的准确度评价系统,如图1所示,包括:
预处理模块1,用于分别在预先获取的多个医学视频影像上标注出病灶区域得到多个标注视频影像;
第一处理模块2,连接预处理模块1,用于分别对各标注视频影像进行处理得到相应的真实病灶掩膜图像;
第二处理模块3,连接预处理模块1,用于将各标注视频影像分别输入预先迭代训练得到的以医学视频影像为输入,以病灶区域为输出的多个图像分割模型中,得到标注视频影像中每帧标注影像对应的预测病灶图像,并对各预测病灶图像分别进行处理得到相应的预测病灶掩膜图像;
各图像分割模型分别对应不同的迭代训练次数;
模型评价模块4,分别连接第一处理模块2和第二处理模块3,用于针对每个图像分割模型,分别计算各标注视频影像对应的各真实病灶掩膜图像与对应的预测病灶掩膜图像之间的像素重合度,并在像素重合度符合一重合度标准时输出表示对应的图像分割模型准确度达标的准确度评价结果。
具体地,本实施例中,上述医学视频影像的标注可以由专业医生采用标注工具标注得到,以医学视频影像为甲状腺结节视频影像为例,可以由相关的医生分别对甲状腺结节视频影像中的每帧影像中的结节病灶部分分别进行标注得到标注视频影像,并针对标注视频影像中的每帧影像分别进行处理得到对应的真实病灶掩膜图像。在预先进行图像分割模型的训练过程中,迭代训练次数与模型的准确性并非正相关关系,换言之,并非迭代训练次数越多,则训练得到的图像分割模型越准确,为筛选出最优模型,在训练过程中,可以每隔预设迭代次数输出一图像分割模型以及其关联的损失函数值,也可以自行设定多个迭代次数,在训练时,每达到相应的迭代次数则输出对应的图像分割模型以及其关联的损失函数值;
基于上述训练机制,在模型训练完成时,可以相应得到多个图像分割模型,以得到三个图像分割模型为例,分别为第一模型、第二模型和第三模型。针对第一模型,将各标注视频影像分别输入到第一模型中得到标注视频影像中每帧影像对应的预测病灶图像,并对各预测病灶图像分别进行处理得到相应的预测病灶掩膜图像。对于每帧影像,计算其对应的真实病灶掩膜图像与预测病灶掩膜图像之间的像素重合度,在像素重合度符合预设的重合度标准时表示该第一模型的准确度达标。针对第二模型和第三模型的处理方式以此类推,在获取到三个图像分割模型的准确度评价结果后,可以根据准确度评价结果筛选出最优的图像分割模型作为最终训练得到的图像分割模型。
本技术方案基于真实病灶掩膜图像与预测病灶掩膜图像之间的像素重合度进行模型准确度评价,该评价方式不仅考虑图像分割模型是否识别出病灶区域,同时考虑识别出的病灶区域是否与真实病灶区域相吻合,能够更加科学的评价出图像分割模型的精度和假阳性,更能反映图像分割模型的效能,以便在模型训练时筛选出最优的图像分割模型。
本发明的较佳的实施例中,模型评价模块4包括:
第一评价单元41,用于针对每个图像分割模型,分别计算各标注视频影像对应的各真实病灶掩膜图像与对应的预测病灶掩膜图像之间的像素重合度,并将各像素重合度加入一重合度集合;
第二评价单元42,连接第一评价单元41,用于对重合度集合中所有像素重合度进行处理得到一总重合度,并在总重合度满足重合度标准时输出表示对应的图像分割模型准确度达标的准确度评价结果。
本发明的较佳的实施例中,第一评价单元41包括:
第一处理子单元411,用于针对标注视频影像中的每帧标注影像,分别计算对应的真实病灶掩膜图像与对应的预测病灶掩膜图像之间的单帧重合度;
第二处理子单元412,用于连接第一处理子单元411,用于根据单帧重合度以及标注视频影像的总帧数,处理得到标注视频影像对应的像素重合度,随后将像素重合度加入重合度集合。
具体地,本实施例中,由于一个标注视频影像中包含连续多帧标注影像,如10帧,其对应的真实病灶掩膜图像以及预测病灶掩膜图像为10组,则在对每个图像分割模型进行评价时,针对每个标注视频影像,第一处理子单元411最终输出10个单帧重合度,随后根据10个单帧重合度处理得到该标注视频影像对应的像素重合度。
本发明的较佳的实施例中,像素重合度包括:
第一重合度,则第二评价单元42取所有第一重合度的均值或中位数作为总重合度,且在总重合度大于一第一阈值时输出表示图像分割模型准确度达标的准确度评价结果;或
第二重合度,则第二评价单元42取所有第二重合度的均值或中位数作为总重合度,且在总重合度小于一第二阈值时输出表示图像分割模型准确度达标的准确度评价结果;或
第一重合度和第二重合度,对应的总重合度包括一第一总重合度和一第二总重合度,则第二评价单元42取所有第一重合度的均值或中位数作为第一总重合度,取所有第二重合度的均值或中位数作为第二总重合度,在第一总重合度大于第一阈值且第二总重合度小于第二阈值时输出图像分割模型准确度达标的准确度评价结果。
具体地,本实施例中,在进行模型准确度评价时,可以仅采用第一重合度进行评价,此时,总重合度大于第一阈值则表示图像分割模型的准确度达标,且总重合度越大,则表示其对应的图像分割模型的准确度越高;也可以仅采用第二重合度进行评价,此时,总重合度小于第二阈值时则表示图像分割模型的准确度达标,且总重合度越小,则表示其对应的图像分割模型的准确度越高;也可以结合第一重合度和第二重合度进行评价,此时,第一重合度对应的第一总重合度大于第一阈值且第二重合度对应的第二总重合度小于第二阈值时,说明图像分割模型的准确度达标,且第一总重合度越大且第二总重合度越小,则表示其对应的图像分割模型的准确度越高,为模型筛选提供参考数据。
本发明的较佳的实施例中,第一重合度的计算公式如下:
其中,RESULTS用于表示像素重合度;Kj用于表示预先获取的第j个图像分割模型的损失函数值;RESULTi用于表示标注视频影像的第i帧真实病灶掩膜图像与对应的预测病灶掩膜图像之间的单帧重合度;PREprei用于表示第i帧预测病灶掩膜图像中的预测病灶区域;MASKmaski用于表示第i帧真实病灶掩膜图像中的真实病灶区域;PREi用于表示第i帧预测病灶掩膜图像;MASKi用于表示第i帧真实病灶掩膜图像;n用于表示总帧数。
本发明的较佳的实施例中,第二重合度的计算公式如下:
其中,biasi 2=(PREprei-MASKmaski)2
其中,RESULTS用于表示像素重合度;biasi用于表示标注视频影像的第i帧真实病灶掩膜图像与对应的预测病灶掩膜图像之间的单帧重合度;PREprei用于表示第i帧预测病灶掩膜图像中的预测病灶区域;MASKmaski用于表示第i帧真实病灶掩膜图像中的真实病灶区域;n用于表示总帧数。
本发明还提供一种图像分割模型的准确度评价方法,应用于上述的准确度评价系统,如图2所示,准确度评价方法包括:
步骤S1,准确度评价系统分别在预先获取的多个医学视频影像上标注出病灶区域得到多个标注视频影像,并分别对各标注视频影像进行处理得到相应的真实病灶掩膜图像;
步骤S2,准确度评价系统将各标注视频影像分别输入预先迭代训练得到的以医学视频影像为输入,以病灶区域为输出的多个图像分割模型中,得到标注视频影像中每帧标注影像对应的预测病灶图像,并对各预测病灶图像分别进行处理得到相应的预测病灶掩膜图像;
各图像分割模型分别对应不同的迭代训练次数;
步骤S3,准确度评价系统针对每个图像分割模型,分别计算各标注视频影像对应的各真实病灶掩膜图像与对应的预测病灶掩膜图像之间的像素重合度,并在像素重合度符合一重合度标准时输出表示对应的图像分割模型准确度达标的准确度评价结果。
本发明的较佳的实施例中,如图3所示,步骤S3包括:
步骤S31,准确度评价系统针对每个图像分割模型,分别计算各标注视频影像对应的各真实病灶掩膜图像与对应的预测病灶掩膜图像之间的像素重合度,并将各像素重合度加入一重合度集合;
步骤S32,准确度评价系统对重合度集合中所有像素重合度进行处理得到一总重合度,并在总重合度满足重合度标准时输出表示对应的图像分割模型准确度达标的准确度评价结果。
本发明的较佳的实施例中,如图4所示,步骤S31包括:
步骤S311,准确度评价系统针对标注视频影像中的每帧标注影像,分别计算对应的真实病灶掩膜图像与对应的预测病灶掩膜图像之间的单帧重合度;
步骤S312,准确度评价系统根据单帧重合度以及标注视频影像的总帧数,处理得到标注视频影像对应的像素重合度,随后将像素重合度加入重合度集合。
本发明的较佳的实施例中,像素重合度包括:
第一重合度,则步骤S32中,准确度评价系统取所有第一重合度的均值或中位数作为总重合度,且在总重合度大于一第一阈值时输出表示图像分割模型准确度达标的准确度评价结果;或
第二重合度,则步骤S32中,准确度评价系统取所有第二重合度的均值或中位数作为总重合度,且在总重合度小于一第二阈值时输出表示图像分割模型准确度达标的准确度评价结果;或
第一重合度和第二重合度,对应的总重合度包括一第一总重合度和一第二总重合度,则步骤S32中,准确度评价系统取所有第一重合度的均值或中位数作为第一总重合度,取所有第二重合度的均值或中位数作为第二总重合度,在第一总重合度大于第一阈值且第二总重合度小于第二阈值时输出图像分割模型准确度达标的准确度评价结果。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (10)
1.一种图像分割模型的准确度评价系统,其特征在于,包括:
预处理模块,用于分别在预先获取的多个医学视频影像上标注出病灶区域得到多个标注视频影像;
第一处理模块,连接所述预处理模块,用于分别对各所述标注视频影像进行处理得到相应的真实病灶掩膜图像;
第二处理模块,连接所述预处理模块,用于将各所述标注视频影像分别输入预先迭代训练得到的以所述医学视频影像为输入,以所述病灶区域为输出的多个图像分割模型中,得到所述标注视频影像中每帧标注影像对应的预测病灶图像,并对各所述预测病灶图像分别进行处理得到相应的预测病灶掩膜图像;
各所述图像分割模型分别对应不同的迭代训练次数;
模型评价模块,分别连接所述第一处理模块和所述第二处理模块,用于针对每个所述图像分割模型,分别计算各所述标注视频影像对应的各所述真实病灶掩膜图像与对应的所述预测病灶掩膜图像之间的像素重合度,并在所述像素重合度符合一重合度标准时输出表示对应的图像分割模型准确度达标的准确度评价结果。
2.根据权利要求1所述的准确度评价系统,其特征在于,所述模型评价模块包括:
第一评价单元,用于针对每个所述图像分割模型,分别计算各所述标注视频影像对应的各所述真实病灶掩膜图像与对应的所述预测病灶掩膜图像之间的像素重合度,并将各所述像素重合度加入一重合度集合;
第二评价单元,连接所述第一评价单元,用于对所述重合度集合中所有所述像素重合度进行处理得到一总重合度,并在所述总重合度满足所述重合度标准时输出表示对应的所述图像分割模型准确度达标的准确度评价结果。
3.根据权利要求2所述的准确度评价系统,其特征在于,所述第一评价单元包括:
第一处理子单元,用于针对所述标注视频影像中的每帧标注影像,分别计算对应的所述真实病灶掩膜图像与对应的所述预测病灶掩膜图像之间的单帧重合度;
第二处理子单元,用于连接所述第一处理子单元,用于根据所述单帧重合度以及所述标注视频影像的总帧数,处理得到所述标注视频影像对应的所述像素重合度,随后将所述像素重合度加入所述重合度集合。
4.根据权利要求3所述的准确度评价系统,其特征在于,所述像素重合度包括:
第一重合度,则所述第二评价单元取所有所述第一重合度的均值或中位数作为所述总重合度,且在所述总重合度大于一第一阈值时输出表示所述图像分割模型准确度达标的准确度评价结果;或
第二重合度,则所述第二评价单元取所有所述第二重合度的均值或中位数作为所述总重合度,且在所述总重合度小于一第二阈值时输出表示所述图像分割模型准确度达标的准确度评价结果;或
所述第一重合度和所述第二重合度,对应的所述总重合度包括一第一总重合度和一第二总重合度,则所述第二评价单元取所有所述第一重合度的均值或中位数作为所述第一总重合度,取所有所述第二重合度的均值或中位数作为所述第二总重合度,在所述第一总重合度大于所述第一阈值且所述第二总重合度小于所述第二阈值时输出所述图像分割模型准确度达标的准确度评价结果。
7.一种图像分割模型的准确度评价方法,其特征在于,应用于如权利要求1-6中任意一项所述的准确度评价系统,所述准确度评价方法包括:
步骤S1,所述准确度评价系统分别在预先获取的多个医学视频影像上标注出病灶区域得到多个标注视频影像,并分别对各所述标注视频影像进行处理得到相应的真实病灶掩膜图像;
步骤S2,所述准确度评价系统将各所述标注视频影像分别输入预先迭代训练得到的以所述医学视频影像为输入,以所述病灶区域为输出的多个图像分割模型中,得到所述标注视频影像中每帧标注影像对应的预测病灶图像,并对各所述预测病灶图像分别进行处理得到相应的预测病灶掩膜图像;
各所述图像分割模型分别对应不同的迭代训练次数;
步骤S3,所述准确度评价系统针对每个所述图像分割模型,分别计算各所述标注视频影像对应的各所述真实病灶掩膜图像与对应的所述预测病灶掩膜图像之间的像素重合度,并在所述像素重合度符合一重合度标准时输出表示对应的图像分割模型准确度达标的准确度评价结果。
8.根据权利要求7所述的准确度评价方法,其特征在于,所述步骤S3包括:
步骤S31,所述准确度评价系统针对每个所述图像分割模型,分别计算各所述标注视频影像对应的各所述真实病灶掩膜图像与对应的所述预测病灶掩膜图像之间的像素重合度,并将各所述像素重合度加入一重合度集合;
步骤S32,所述准确度评价系统对所述重合度集合中所有所述像素重合度进行处理得到一总重合度,并在所述总重合度满足所述重合度标准时输出表示对应的所述图像分割模型准确度达标的准确度评价结果。
9.根据权利要求8所述的准确度评价方法,其特征在于,所述步骤S31包括:
步骤S311,所述准确度评价系统针对所述标注视频影像中的每帧标注影像,分别计算对应的所述真实病灶掩膜图像与对应的所述预测病灶掩膜图像之间的单帧重合度;
步骤S312,所述准确度评价系统根据所述单帧重合度以及所述标注视频影像的总帧数,处理得到所述标注视频影像对应的所述像素重合度,随后将所述像素重合度加入所述重合度集合。
10.根据权利要求9所述的准确度评价方法,其特征在于,所述像素重合度包括:
第一重合度,则所述步骤S32中,所述准确度评价系统取所有所述第一重合度的均值或中位数作为所述总重合度,且在所述总重合度大于一第一阈值时输出表示所述图像分割模型准确度达标的准确度评价结果;或
第二重合度,则所述步骤S32中,所述准确度评价系统取所有所述第二重合度的均值或中位数作为所述总重合度,且在所述总重合度小于一第二阈值时输出表示所述图像分割模型准确度达标的准确度评价结果;或
所述第一重合度和所述第二重合度,对应的所述总重合度包括一第一总重合度和一第二总重合度,则所述步骤S32中,所述准确度评价系统取所有所述第一重合度的均值或中位数作为所述第一总重合度,取所有所述第二重合度的均值或中位数作为所述第二总重合度,在所述第一总重合度大于所述第一阈值且所述第二总重合度小于所述第二阈值时输出所述图像分割模型准确度达标的准确度评价结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110669089.0A CN113450381B (zh) | 2021-06-16 | 2021-06-16 | 一种图像分割模型的准确度评价系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110669089.0A CN113450381B (zh) | 2021-06-16 | 2021-06-16 | 一种图像分割模型的准确度评价系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113450381A true CN113450381A (zh) | 2021-09-28 |
CN113450381B CN113450381B (zh) | 2022-10-18 |
Family
ID=77811759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110669089.0A Active CN113450381B (zh) | 2021-06-16 | 2021-06-16 | 一种图像分割模型的准确度评价系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113450381B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023242673A1 (en) * | 2022-06-14 | 2023-12-21 | 3M Innovative Properties Company | Artificial intelligence techniques for generating a predicted future image of a wound |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080109209A1 (en) * | 2006-11-02 | 2008-05-08 | University Of Southern California | Semi-supervised training for statistical word alignment |
CN109919912A (zh) * | 2019-01-28 | 2019-06-21 | 平安科技(深圳)有限公司 | 一种医学影像的质量评价方法和装置 |
CN110188331A (zh) * | 2019-06-03 | 2019-08-30 | 腾讯科技(深圳)有限公司 | 模型训练方法、对话系统评价方法、装置、设备及存储介质 |
CN110310261A (zh) * | 2019-06-19 | 2019-10-08 | 河南辉煌科技股份有限公司 | 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 |
CN110503151A (zh) * | 2019-08-26 | 2019-11-26 | 北京推想科技有限公司 | 一种影像的处理方法和系统 |
CN111340825A (zh) * | 2020-03-05 | 2020-06-26 | 上海市肺科医院(上海市职业病防治院) | 一种纵膈淋巴结分割模型的生成方法及系统 |
CN112016374A (zh) * | 2019-05-29 | 2020-12-01 | 邓毅华 | 一种面向超市货架图像的智能目标检测方法 |
CN112102321A (zh) * | 2020-08-07 | 2020-12-18 | 深圳大学 | 一种基于深度卷积神经网络的病灶图像分割方法及系统 |
CN112102332A (zh) * | 2020-08-30 | 2020-12-18 | 复旦大学 | 基于局部分类神经网络的癌症wsi的分割方法 |
CN112669273A (zh) * | 2020-12-22 | 2021-04-16 | 吉林大学 | 眼底图像中玻璃膜疣自动分割方法、装置及可读存储介质 |
CN112686903A (zh) * | 2020-12-07 | 2021-04-20 | 嘉兴职业技术学院 | 一种改进的高分辨率遥感图像语义分割模型 |
CN112749609A (zh) * | 2020-07-23 | 2021-05-04 | 腾讯科技(深圳)有限公司 | 人体图像分割方法、装置、计算机设备及存储介质 |
CN112884782A (zh) * | 2021-03-02 | 2021-06-01 | 深圳市瑞图生物技术有限公司 | 生物对象分割方法、装置、计算机设备和存储介质 |
-
2021
- 2021-06-16 CN CN202110669089.0A patent/CN113450381B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080109209A1 (en) * | 2006-11-02 | 2008-05-08 | University Of Southern California | Semi-supervised training for statistical word alignment |
CN109919912A (zh) * | 2019-01-28 | 2019-06-21 | 平安科技(深圳)有限公司 | 一种医学影像的质量评价方法和装置 |
CN112016374A (zh) * | 2019-05-29 | 2020-12-01 | 邓毅华 | 一种面向超市货架图像的智能目标检测方法 |
CN110188331A (zh) * | 2019-06-03 | 2019-08-30 | 腾讯科技(深圳)有限公司 | 模型训练方法、对话系统评价方法、装置、设备及存储介质 |
CN110310261A (zh) * | 2019-06-19 | 2019-10-08 | 河南辉煌科技股份有限公司 | 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 |
CN110503151A (zh) * | 2019-08-26 | 2019-11-26 | 北京推想科技有限公司 | 一种影像的处理方法和系统 |
CN111340825A (zh) * | 2020-03-05 | 2020-06-26 | 上海市肺科医院(上海市职业病防治院) | 一种纵膈淋巴结分割模型的生成方法及系统 |
CN112749609A (zh) * | 2020-07-23 | 2021-05-04 | 腾讯科技(深圳)有限公司 | 人体图像分割方法、装置、计算机设备及存储介质 |
CN112102321A (zh) * | 2020-08-07 | 2020-12-18 | 深圳大学 | 一种基于深度卷积神经网络的病灶图像分割方法及系统 |
CN112102332A (zh) * | 2020-08-30 | 2020-12-18 | 复旦大学 | 基于局部分类神经网络的癌症wsi的分割方法 |
CN112686903A (zh) * | 2020-12-07 | 2021-04-20 | 嘉兴职业技术学院 | 一种改进的高分辨率遥感图像语义分割模型 |
CN112669273A (zh) * | 2020-12-22 | 2021-04-16 | 吉林大学 | 眼底图像中玻璃膜疣自动分割方法、装置及可读存储介质 |
CN112884782A (zh) * | 2021-03-02 | 2021-06-01 | 深圳市瑞图生物技术有限公司 | 生物对象分割方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
张朋博: "基于先验知识的图像分割技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
邓远乐: "基于距离度量学习的协同过滤算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023242673A1 (en) * | 2022-06-14 | 2023-12-21 | 3M Innovative Properties Company | Artificial intelligence techniques for generating a predicted future image of a wound |
Also Published As
Publication number | Publication date |
---|---|
CN113450381B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428475B (zh) | 一种医学图像的分类方法、模型训练方法和服务器 | |
CN110163114B (zh) | 一种人脸角度及人脸模糊度分析方法、系统和计算机设备 | |
CN109919928B (zh) | 医学影像的检测方法、装置和存储介质 | |
CN110503074B (zh) | 视频帧的信息标注方法、装置、设备及存储介质 | |
CN109740668B (zh) | 深度模型训练方法及装置、电子设备及存储介质 | |
CN110176002B (zh) | 一种x射线图像的病灶检测方法及终端设备 | |
CN110705405A (zh) | 目标标注的方法及装置 | |
TWI716012B (zh) | 樣本標註方法、裝置、儲存媒體和計算設備、損傷類別的識別方法及裝置 | |
CN112466466B (zh) | 基于深度学习的消化道辅助检测方法、装置和计算设备 | |
CN114581375A (zh) | 一种无线胶囊内窥镜病灶自动检测方法、装置及存储介质 | |
CN112884782B (zh) | 生物对象分割方法、装置、计算机设备和存储介质 | |
CN113763348A (zh) | 图像质量确定方法、装置、电子设备及存储介质 | |
CN113450381B (zh) | 一种图像分割模型的准确度评价系统及方法 | |
CN114882204A (zh) | 船名自动识别方法 | |
KR20210008075A (ko) | 시각 검색 방법, 장치, 컴퓨터 기기 및 저장 매체 (video search method and apparatus, computer device, and storage medium) | |
CN112070181B (zh) | 一种基于图像流的协同检测方法及装置、存储介质 | |
CN111612749B (zh) | 基于肺部影像的病灶检测方法和装置 | |
CN113237881A (zh) | 一种特定细胞的检测方法、装置和病理切片检测系统 | |
CN116681677A (zh) | 一种锂电池缺陷检测方法、装置及系统 | |
CN115457585A (zh) | 作业批改的处理方法、装置、计算机设备及可读存储介质 | |
CN112581001A (zh) | 设备的评估方法及装置、电子设备、可读存储介质 | |
CN111815689A (zh) | 一种半自动化标注方法、设备、介质及装置 | |
CN111464743A (zh) | 一种摄影构图匹配方法及系统 | |
CN117152507B (zh) | 一种牙齿健康状态检测方法、装置、设备及存储介质 | |
CN115690092B (zh) | 角膜共聚焦图像中阿米巴包囊的识别与计数方法及装置 |
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 |