CN113643311A - 一种对边界误差鲁棒的图像分割方法和装置 - Google Patents

一种对边界误差鲁棒的图像分割方法和装置 Download PDF

Info

Publication number
CN113643311A
CN113643311A CN202110722099.6A CN202110722099A CN113643311A CN 113643311 A CN113643311 A CN 113643311A CN 202110722099 A CN202110722099 A CN 202110722099A CN 113643311 A CN113643311 A CN 113643311A
Authority
CN
China
Prior art keywords
image
segmentation
pixel point
loss function
value
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
Application number
CN202110722099.6A
Other languages
English (en)
Other versions
CN113643311B (zh
Inventor
徐枫
刘傲寒
娄昕
郭雨晨
吕晋浩
雍俊海
戴琼海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Chinese PLA General Hospital
Original Assignee
Tsinghua University
Chinese PLA General Hospital
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University, Chinese PLA General Hospital filed Critical Tsinghua University
Priority to CN202110722099.6A priority Critical patent/CN113643311B/zh
Publication of CN113643311A publication Critical patent/CN113643311A/zh
Application granted granted Critical
Publication of CN113643311B publication Critical patent/CN113643311B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

本申请提出了一种对边界误差鲁棒的图像分割方法，涉及深度学习和图像处理技术领域，该方法包括：获取待分割的图像，图像中包括多个像素点；将图像输入预先搭建的图像分割神经网络中，以生成每个像素点的第一分割预测值；获取每个像素点的分割标注值，并根据每个像素点在图像中的位置计算每个像素点的权重；根据图像中任一所述像素点的第一分割预测值、分割标注值和权重计算损失函数，并反向传播所述损失函数，以更新图像分割神经网络的参数；通过更新后的图像分割神经网络生成待分割的图像第二分割预测值。本申请提出的方法可以在分割标注边缘不准确的情况下，得到更好的图像分割结果。

Description

一种对边界误差鲁棒的图像分割方法和装置
技术领域
本申请涉及深度学习和图像处理技术领域，尤其涉及一种对边界误差鲁棒的图像分割方法和装置。
背景技术
基于神经网络的图像分割方法在很多问题上具有较好的分割准确度。此类方法输入图像后，通过由一系列卷积、池化等操作构成的神经网络，得到输出的分割预测。分割预测在和作为监督信息的分割标注进行损失函数计算后，进行反向传播更新网络权重。常用的图像分割损失函数并不关注分割预测和分割标注的具体形状，而只关注两者像素级别的差值或相交的面积等。分割预测和分割标注在分割边界处的误差，与在距离分割很远处相同大小的误差，会导致同样的损失值。在现实中，作为监督信息的分割标注在边界处并不一定十分准确。而当分割标注在边界处不准确时，即使神经网络给出了正确的分割预测，也会导致上述损失函数值较大，因而相关技术中的基于神经网络的图像分割不够鲁棒。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种对边界误差鲁棒的图像分割方法，以实现在分割标注边缘不准确的情况下，得到更好的图像分割结果
本发明的第二个目的在于提出一种对边界误差鲁棒的图像分割装置。
本发明的第三个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的，本发明第一方面实施例提出了一种对边界误差鲁棒的图像分割方法，包括以下步骤：
获取待分割的图像，所述图像中包括多个像素点；
将所述图像输入预先搭建的图像分割神经网络中，以生成每个像素点的第一分割预测值；
获取所述每个像素点的分割标注值，并根据所述每个像素点在所述图像中的位置计算所述每个像素点的权重；
根据所述图像中任一所述像素点的第一分割预测值、分割标注值和权重计算损失函数，并反向传播所述损失函数，以更新所述图像分割神经网络的参数；
通过更新后的所述图像分割神经网络生成所述待分割的图像第二分割预测值。
可选地，在本申请的一个实施例中，所述根据所述每个像素点在所述图像中的位置计算所述每个像素点的权重，包括：
计算所述每个像素点的位置至所述图像中分割区域边界的最小距离值；
以所述最小距离值为所述像素点的权重。
可选地，在本申请的一个实施例中，通过以下公式计算所述损失函数：
Figure BDA0003137167810000021
其中，Lsafe(true,pred)是所述损失函数，i是所述任一像素点，truei是像素点i的分割标注值，predi是像素点i的分割预测值，wi是像素点i的权重，e是平滑项。
可选地，在本申请的一个实施例中，通过以下公式计算所述每个像素点的权重：
wi＝minj(D(i,j))
其中，j是所述图像中分割区域边界上的任一像素点，并且truei≠truej，D(i,j)是所述像素点i和所述像素点j之间的欧几里得距离。
可选地，在本申请的一个实施例中，所述损失函数包括Dice损失函数和交叉熵损失函数。
为达上述目的，本申请第二方面实施例提出本发明一种对边界误差鲁棒的图像分割装置，包括以下模块：
第一获取模块，用于获取待分割的图像，所述图像中包括多个像素点；
第一生成模块，用于将所述图像输入预先搭建的图像分割神经网络中，以生成每个像素点的第一分割预测值；
第二获取模块，用于获取所述每个像素点的分割标注值，并根据所述每个像素点在所述图像中的位置计算所述每个像素点的权重；
更新模块，用于根据所述图像中任一所述像素点的第一分割预测值、分割标注值和权重计算损失函数，并反向传播所述损失函数，以更新所述图像分割神经网络的参数；
第二生成模块，通过更新后的所述图像分割神经网络生成所述待分割的图像第二分割预测值。
可选地，在本申请的一个实施例中，所述第二获取模块还用于：计算所述每个像素点的位置至所述图像中分割区域边界的最小距离值，以所述最小距离值为所述像素点的权重
可选地，在本申请的一个实施例中，所述更新模块具体用于通过以下公式计算所述损失函数：
Figure BDA0003137167810000031
其中，Lsafe(true,pred)是所述损失函数，i是所述任一像素点，truei是像素点i的分割标注值，predi是像素点i的分割预测值，wi是像素点i的权重，e是平滑项。
可选地，在本申请的一个实施例中，第二获取模块具体用于通过以下公式计算所述每个像素点的权重：
wi＝minj(D(i,j))
其中，j是所述图像中分割区域边界上的任一像素点，并且truei≠truej，D(i,j)是所述像素点i和所述像素点j之间的欧几里得距离。
本申请的技术效果：本申请的是通过使用一种对分割边界误差鲁棒的图像分割损失函数，训练神经网络，以在分割标注边缘不准确的情况下，得到更好的图像分割结果。本申请设计了一种基于距离的加权Dice损失函数，此损失函数在分割区域中心，以及远离分割区域处具有较大的权重，在分割区域边缘有较小的权重。当分割标注在分割边界处不准确时，如果网络输出的分割预测正确，则相应的损失函数值会较小。因此本申请的方法对分割标注的边缘误差具有鲁棒性。
为达上述目的，本申请第三方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请第一方面实施例所述的一种对边界误差鲁棒的图像分割方法。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例的对边界误差鲁棒的图像分割方法的流程图。
图2是本申请实施例的基于神经网络的图像分割的示意图；
图3是本申请实施例的损失函数部分中间结果的分割标注示例图；
图4是本申请实施例的损失函数部分中间结果的损失权重示例图；
图5为本申请实施例的对边界误差鲁棒的图像分割装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的一所提供的一种对边界误差鲁棒的图像分割方法。
如图1所示，
为达上述目的，本发明第一方面实施例提出了一种对边界误差鲁棒的图像分割方法，包括以下步骤：
获取待分割的图像，所述图像中包括多个像素点；
将所述图像输入预先搭建的图像分割神经网络中，以生成每个像素点的第一分割预测值；
获取所述每个像素点的分割标注值，并根据所述每个像素点在所述图像中的位置计算所述每个像素点的权重；
作为一种示例，获取每个像素点的分割标注值的具体实现方式可以是通过人为标注的方式对每个像素点进行分割标注，再获取标注的值。
根据所述图像中任一所述像素点的第一分割预测值、分割标注值和权重计算损失函数，并反向传播所述损失函数，以更新所述图像分割神经网络的参数；
通过更新后的所述图像分割神经网络生成所述待分割的图像第二分割预测值。
在本申请的一个实施例中，进一步地，所述根据所述每个像素点在所述图像中的位置计算所述每个像素点的权重，包括：
计算所述每个像素点的位置至所述图像中分割区域边界的最小距离值；
以所述最小距离值为所述像素点的权重。
在本申请的一个实施例中，进一步地，通过以下公式计算所述损失函数：
Figure BDA0003137167810000041
其中，Lsafe(true,pred)是所述损失函数，i是所述任一像素点，truei是像素点i的分割标注值，predi是像素点i的分割预测值，wi是像素点i的权重，e是平滑项，0<＝predi<＝1。wi为像素i处的权重，wi>＝0。
在本申请的一个实施例中，进一步地，具体而言，权重wi定义为像素i到分割区域边界的最小距离值，在分割区域中心处的像素，以及远离分割区域的像素，其权重较大，在这些位置分割预测和分割标注的不一致导致的损失值较大；分割区域边缘处权重较小，因为在这些位置分割预测和分割标注的不一致可能是由于分割标注本身的误差所导致，因而导致的损失值较小。
在本申请的一个实施例中，进一步地，通过以下公式计算每个像素点的权重：
wi＝minj(D(i,j))
其中，j是所述图像中分割区域边界上的任一像素点，并且truei≠truej，D(i,j)是所述像素点i和所述像素点j之间的欧几里得距离。
在本申请的一个实施例中，进一步地，所述损失函数包括Dice损失函数和交叉熵损失函数。
在本申请的一个实施例中，进一步地，具体的一个实施例，本发明的具体实施步骤如下：
第一步、搭建图像分割神经网络；将输入的图像，通过一系列卷积、池化、上采样等神经网络层的处理，得到输出的分割预测。
第二步、按照本方法中损失函数的定义，对训练集中图像的分割预测和分割标注计算损失函数，并进行反向传播更新上一步中搭建的神经网络的网络参数。
该过程即如图2所示的本申请提出的基于神经网络的图像分割的流程；通过本申请实施例的方法获得的损失函数部分中间结果如图3、图4所示。
损失函数具体定义如下：
Figure BDA0003137167810000051
其中，i是图像中任意像素，truei是像素i处的分割标注，区域内为1，区域外为0；predi是像素i处的分割预测，0<＝predi<＝1。wi为像素i处的权重，wi>＝0。
此函数当true和pred完全相同，每个像素值均为0或1时，取得最小值0。当true和pred相交部分为空时，取得最大值1。
实际实现时，为了防止除零问题，加入平滑项e：
Figure BDA0003137167810000052
其中e是一个小的正数。
权重w由每像素到分割边缘的距离得到：
wi＝minj(D(i,j)),s.t.truei≠truej，即i和j为不同的像素，
其中D(i,j)是像素i和像素j之间的欧几里得距离。
如图5所示，为达上述目的，本申请第二方面实施例提出本发明一种对边界误差鲁棒的图像分割装置，包括以下模块：
第一获取模块，用于获取待分割的图像，所述图像中包括多个像素点；
第一生成模块，用于将所述图像输入预先搭建的图像分割神经网络中，以生成每个像素点的第一分割预测值；
第二获取模块，用于获取所述每个像素点的分割标注值，并根据所述每个像素点在所述图像中的位置计算所述每个像素点的权重；
更新模块，用于根据所述图像中任一所述像素点的第一分割预测值、分割标注值和权重计算损失函数，并反向传播所述损失函数，以更新所述图像分割神经网络的参数；
第二生成模块，通过更新后的所述图像分割神经网络生成所述待分割的图像第二分割预测值。
可选地，在本申请的一个实施例中，所述第二获取模块还用于：计算所述每个像素点的位置至所述图像中分割区域边界的最小距离值，以所述最小距离值为所述像素点的权重
可选地，在本申请的一个实施例中，所述更新模块具体用于通过以下公式计算所述损失函数：
Figure BDA0003137167810000061
其中，Lsafe(true,pred)是所述损失函数，i是所述任一像素点，truei是像素点i的分割标注值，predi是像素点i的分割预测值，wi是像素点i的权重，e是平滑项。
可选地，在本申请的一个实施例中，第二获取模块具有用于通过以下公式计算每个像素点的权重：
wi＝minj(D(i,j))
其中，j是所述图像中分割区域边界上的任一像素点，并且truei≠truej，D(i,j)是所述像素点i和所述像素点j之间的欧几里得距离。
本申请的技术效果：本申请的是通过使用一种对分割边界误差鲁棒的图像分割损失函数，训练神经网络，以在分割标注边缘不准确的情况下，得到更好的图像分割结果。设计了一种基于距离的加权Dice损失函数。此损失函数在分割区域中心，以及远离分割区域处具有较大的权重，在分割区域边缘有较小的权重。当分割标注在分割边界处不准确时，如果网络输出的分割预测正确，则相应的损失函数值会较小。因此本申请的方法对分割标注的边缘误差具有鲁棒性。
为了实现上述实施例，本发明还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请第一方面实施例所述的一种对边界误差鲁棒的图像分割方法。
尽管参考附图详地公开了本申请，但应理解的是，这些描述仅仅是示例性的，并非用来限制本申请的应用。本申请的保护范围由附加权利要求限定，并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种对边界误差鲁棒的图像分割方法，其特征在于，包括以下步骤：
获取待分割的图像，所述图像中包括多个像素点；
将所述图像输入预先搭建的图像分割神经网络中，以生成每个像素点的第一分割预测值；
获取所述每个像素点的分割标注值，并根据所述每个像素点在所述图像中的位置计算所述每个像素点的权重；
根据所述图像中任一所述像素点的第一分割预测值、分割标注值和权重计算损失函数，并反向传播所述损失函数，以更新所述图像分割神经网络的参数；
通过更新后的所述图像分割神经网络生成所述待分割的图像第二分割预测值。
2.根据权利要求1所述的图像分割方法，其特征在于，所述根据所述每个像素点在所述图像中的位置计算所述每个像素点的权重，包括：
计算所述每个像素点的位置至所述图像中分割区域边界的最小距离值；
以所述最小距离值为所述像素点的权重。
3.根据权利要求1或2所述的图像分割方法，其特征在于，通过以下公式计算所述损失函数：
Figure FDA0003137167800000011
其中，Lsafe(true,pred)是所述损失函数，i是所述任一像素点，truei是像素点i的分割标注值，predi是像素点i的分割预测值，wi是像素点i的权重，e是平滑项。
4.根据权利要求2所述的图像分割方法，其特征在于，通过以下公式计算所述每个像素点的权重：
wi＝minj(D(i,j))
其中，j是所述图像中分割区域边界上的任一像素点，并且truei≠truej，D(i,j)是所述像素点i和所述像素点j之间的欧几里得距离。
5.根据权利要求1所述的图像分割方法，所述损失函数包括Dice损失函数和交叉熵损失函数。
6.一种对边界误差鲁棒的图像分割装置，其特征在于，包括：
第一获取模块，用于获取待分割的图像，所述图像中包括多个像素点；
第一生成模块，用于将所述图像输入预先搭建的图像分割神经网络中，以生成每个像素点的第一分割预测值；
第二获取模块，用于获取所述每个像素点的分割标注值，并根据所述每个像素点在所述图像中的位置计算所述每个像素点的权重；
更新模块，用于根据所述图像中任一所述像素点的第一分割预测值、分割标注值和权重计算损失函数，并反向传播所述损失函数，以更新所述图像分割神经网络的参数；
第二生成模块，通过更新后的所述图像分割神经网络生成所述待分割的图像第二分割预测值。
7.根据权利要求6所述的图像分割装置，其特征在于，所述第二获取模块还用于：计算所述每个像素点的位置至所述图像中分割区域边界的最小距离值，以所述最小距离值为所述像素点的权重。
8.根据权利要求6或7所述的图像分割装置，其特征在于，所述更新模块具体用于通过以下公式计算所述损失函数：
Figure FDA0003137167800000021
其中，Lsafe(true,pred)是所述损失函数，i是所述任一像素点，truei是像素点i的分割标注值，predi是像素点i的分割预测值，wi是像素点i的权重，e是平滑项。
9.根据权利要求7所述的图像分割方法，其特征在于，第二获取模块具体用于通过以下公式计算所述每个像素点的权重：
wi＝minj(D(i,j))
其中，j是所述图像中分割区域边界上的任一像素点，并且truei≠truej，D(i,j)是所述像素点i和所述像素点j之间的欧几里得距离。
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，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1-5中任一所述的对边界误差鲁棒的图像分割方法。
CN202110722099.6A 2021-06-28 2021-06-28 一种对边界误差鲁棒的图像分割方法和装置 Active CN113643311B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110722099.6A CN113643311B (zh) 2021-06-28 2021-06-28 一种对边界误差鲁棒的图像分割方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110722099.6A CN113643311B (zh) 2021-06-28 2021-06-28 一种对边界误差鲁棒的图像分割方法和装置

Publications (2)

Publication Number Publication Date
CN113643311A true CN113643311A (zh) 2021-11-12
CN113643311B CN113643311B (zh) 2024-04-09

Family

ID=78416266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110722099.6A Active CN113643311B (zh) 2021-06-28 2021-06-28 一种对边界误差鲁棒的图像分割方法和装置

Country Status (1)

Country Link
CN (1) CN113643311B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550171A (zh) * 2022-04-22 2022-05-27 珠海横琴圣澳云智科技有限公司 细胞实例分割模型构建方法、细胞实例分割方法和装置
CN115082428A (zh) * 2022-07-20 2022-09-20 江苏茂融智能科技有限公司 基于神经网络的金属斑点检测方法及系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780536A (zh) * 2017-01-13 2017-05-31 深圳市唯特视科技有限公司 一种基于对象掩码网络的形状感知实例分割方法
CN109299716A (zh) * 2018-08-07 2019-02-01 北京市商汤科技开发有限公司 神经网络的训练方法、图像分割方法、装置、设备及介质
CN109509178A (zh) * 2018-10-24 2019-03-22 苏州大学 一种基于改进的U-net网络的OCT图像脉络膜分割方法
CN109584251A (zh) * 2018-12-06 2019-04-05 湘潭大学 一种基于单目标区域分割的舌体图像分割方法
CN109741347A (zh) * 2018-12-30 2019-05-10 北京工业大学 一种基于卷积神经网络的迭代学习的图像分割方法
CN110378438A (zh) * 2019-08-07 2019-10-25 清华大学 标签容错下的图像分割模型的训练方法、装置及相关设备
CN110517278A (zh) * 2019-08-07 2019-11-29 北京旷视科技有限公司 图像分割和图像分割网络的训练方法、装置和计算机设备
CN110660066A (zh) * 2019-09-29 2020-01-07 Oppo广东移动通信有限公司 网络的训练方法、图像处理方法、网络、终端设备及介质
US10672129B1 (en) * 2019-03-22 2020-06-02 Lunit Inc. Method for semantic segmentation and apparatus thereof
CN111462086A (zh) * 2020-03-31 2020-07-28 北京推想科技有限公司 图像分割方法及装置、神经网络模型的训练方法及装置
CN111680695A (zh) * 2020-06-08 2020-09-18 河南工业大学 一种基于反向注意力模型的语义分割方法
CN111738295A (zh) * 2020-05-22 2020-10-02 南通大学 图像的分割方法及存储介质
CN112233128A (zh) * 2020-10-15 2021-01-15 推想医疗科技股份有限公司 图像分割方法及模型的训练方法、装置、介质、电子设备
CN112669342A (zh) * 2020-12-25 2021-04-16 北京达佳互联信息技术有限公司 图像分割网络的训练方法及装置、图像分割方法及装置
CN112734764A (zh) * 2021-03-31 2021-04-30 电子科技大学 一种基于对抗网络的无监督医学图像分割方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780536A (zh) * 2017-01-13 2017-05-31 深圳市唯特视科技有限公司 一种基于对象掩码网络的形状感知实例分割方法
CN109299716A (zh) * 2018-08-07 2019-02-01 北京市商汤科技开发有限公司 神经网络的训练方法、图像分割方法、装置、设备及介质
CN109509178A (zh) * 2018-10-24 2019-03-22 苏州大学 一种基于改进的U-net网络的OCT图像脉络膜分割方法
CN109584251A (zh) * 2018-12-06 2019-04-05 湘潭大学 一种基于单目标区域分割的舌体图像分割方法
CN109741347A (zh) * 2018-12-30 2019-05-10 北京工业大学 一种基于卷积神经网络的迭代学习的图像分割方法
US10672129B1 (en) * 2019-03-22 2020-06-02 Lunit Inc. Method for semantic segmentation and apparatus thereof
CN110517278A (zh) * 2019-08-07 2019-11-29 北京旷视科技有限公司 图像分割和图像分割网络的训练方法、装置和计算机设备
CN110378438A (zh) * 2019-08-07 2019-10-25 清华大学 标签容错下的图像分割模型的训练方法、装置及相关设备
CN110660066A (zh) * 2019-09-29 2020-01-07 Oppo广东移动通信有限公司 网络的训练方法、图像处理方法、网络、终端设备及介质
CN111462086A (zh) * 2020-03-31 2020-07-28 北京推想科技有限公司 图像分割方法及装置、神经网络模型的训练方法及装置
CN111738295A (zh) * 2020-05-22 2020-10-02 南通大学 图像的分割方法及存储介质
CN111680695A (zh) * 2020-06-08 2020-09-18 河南工业大学 一种基于反向注意力模型的语义分割方法
CN112233128A (zh) * 2020-10-15 2021-01-15 推想医疗科技股份有限公司 图像分割方法及模型的训练方法、装置、介质、电子设备
CN112669342A (zh) * 2020-12-25 2021-04-16 北京达佳互联信息技术有限公司 图像分割网络的训练方法及装置、图像分割方法及装置
CN112734764A (zh) * 2021-03-31 2021-04-30 电子科技大学 一种基于对抗网络的无监督医学图像分割方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550171A (zh) * 2022-04-22 2022-05-27 珠海横琴圣澳云智科技有限公司 细胞实例分割模型构建方法、细胞实例分割方法和装置
CN114550171B (zh) * 2022-04-22 2022-07-12 珠海横琴圣澳云智科技有限公司 细胞实例分割模型构建方法、细胞实例分割方法和装置
CN115082428A (zh) * 2022-07-20 2022-09-20 江苏茂融智能科技有限公司 基于神经网络的金属斑点检测方法及系统

Also Published As

Publication number Publication date
CN113643311B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN110188760B (zh) 一种图像处理模型训练方法、图像处理方法及电子设备
CN111063410B (zh) 一种医学影像文本报告的生成方法及装置
KR101599219B1 (ko) 3차원 의료 영상에서 랜드마크들의 자동 등록을 위한 장치 및 방법
CN111161279B (zh) 医学图像分割方法、装置及服务器
CN113643311B (zh) 一种对边界误差鲁棒的图像分割方法和装置
CN110197147A (zh) 遥感影像的建筑物实例提取方法、装置、存储介质及设备
CN112085739A (zh) 基于弱监督的语义分割模型的训练方法、装置及设备
WO2021004261A1 (zh) 深度数据的滤波方法、装置、电子设备和可读存储介质
CN113870215B (zh) 中线提取方法及装置
EP2191440A1 (en) Object segmentation using dynamic programming
CN110111382B (zh) 不规则区域面积计算方法、装置、计算机设备和存储介质
EP3089107B1 (en) Computer program product and method for determining lesion similarity of medical image
US10089764B2 (en) Variable patch shape synthesis
CN113240699A (zh) 图像处理方法及装置，模型的训练方法及装置，电子设备
US11244460B2 (en) Digital image boundary detection
CN116385369A (zh) 深度图像质量评价方法、装置、电子设备及存储介质
CN111027474A (zh) 人脸区域获取方法、装置、终端设备和存储介质
US20200050892A1 (en) System to identify and explore relevant predictive analytics tasks of clinical value and calibrate predictive model outputs to a prescribed minimum level of predictive accuracy
US20220198670A1 (en) Method and system for automated segmentation of biological object parts in mri
CN115952916A (zh) 基于人工智能的风电功率预测误差修正方法、装置及设备
CN116152767A (zh) 车道线检测后处理的方法及装置
CN115424111A (zh) 一种抗原检测试剂盒智能识别方法、装置、设备及介质
CN115147474A (zh) 点云标注模型的生成方法、装置、电子设备及存储介质
CN114612527A (zh) 图像配准方法、装置、电子设备及存储介质
CN115100115A (zh) 一种器官图像分割的方法、装置、设备及存储介质

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