CN113902730A - 图像处理和神经网络训练方法及装置 - Google Patents
图像处理和神经网络训练方法及装置 Download PDFInfo
- Publication number
- CN113902730A CN113902730A CN202111265436.XA CN202111265436A CN113902730A CN 113902730 A CN113902730 A CN 113902730A CN 202111265436 A CN202111265436 A CN 202111265436A CN 113902730 A CN113902730 A CN 113902730A
- Authority
- CN
- China
- Prior art keywords
- image
- detection result
- sample image
- detection
- network
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种图像处理和神经网络训练方法及装置,所述方法包括:对待处理图像进行特征提取,得到所述待处理图像的第一特征图,以及多个尺度下的第二特征图;根据所述第二特征图,确定所述待处理图像中目标对象的第一候选区域;根据所述第一候选区域和所述第一特征图,对所述待处理图像中的目标对象进行检测,得到所述待处理图像的第一检测结果,其中,所述待处理图像的第一检测结果包括所述目标对象的位置和/或所述目标对象的类别置信度。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种图像处理和神经网络训练方法及装置。
背景技术
结节是未知抗原与机体细胞免疫和体液免疫功能相互抗衡的结果,肺结节作为一种常见的结节,往往容易出现在肺、双侧肺门淋巴结、眼、皮肤等器官上。随着科学技术的不断发展,基于电子计算机断层扫描(CT,Computed Tomography)的结果进行肺结节的自动检测成为一种越发常见的手段。然而,如何在保证检测敏感性的同时降低检测结果的假阳率,成为目前一个亟待解决的问题。
发明内容
为克服相关技术中存在的问题,本公开提出了一种图像处理和神经网络训练方案。
根据本公开的一方面,提供了一种图像处理方法,包括:
对待处理图像进行特征提取,得到所述待处理图像的第一特征图,以及多个尺度下的第二特征图;根据所述第二特征图,确定所述待处理图像中目标对象的第一候选区域;根据所述第一候选区域和所述第一特征图,对所述待处理图像中的目标对象进行检测,得到所述待处理图像的第一检测结果,其中,所述待处理图像的第一检测结果包括所述目标对象的位置和/或所述目标对象的类别置信度。
在一种可能的实现方式中,所述根据所述第一候选区域和所述第一特征图,对所述待处理图像中的目标对象进行检测,得到所述待处理图像的第一检测结果,包括:根据所述第一候选区域在所述待处理图像中的位置,对所述第一特征图进行提取,得到候选特征图;对所述候选特征图进行池化处理,得到与预设尺寸匹配的候选特征图;对所述与预设尺寸匹配的候选特征图进行分类处理和/或回归处理,得到所述待处理图像的第一检测结果。
在一种可能的实现方式中,所述待处理图像包括对原始图像进行预处理所得到的至少一个图像,所述预处理包括:图像重采样、图像归一化以及图像裁翻转剪中的一种或多种;所述方法还包括:根据所述原始图像对应的至少一个所述待处理图像的第一检测结果,进行过滤处理,得到所述原始图像的检测结果。
在一种可能的实现方式中,所述方法还包括:对待处理图像进行特征提取,得到所述待处理图像的第三特征图,以及多个尺度下的第四特征图;对所述多个尺度下的第四特征图进行随机翻转,得到多个尺度下的第五特征图;根据所述第五特征图,确定所述待处理图像中目标对象的第二候选区域;根据所述第二候选区域和所述第三特征图,对所述待处理图像中的目标对象进行检测,得到所述待处理图像的第二检测结果,其中,所述待处理图像的第二检测结果包括所述目标对象的位置和/或所述目标对象的类别置信度。
在一种可能的实现方式中,所述方法还包括:根据所述待处理图像的第一检测结果与所述待处理图像的第二检测结果,得到所述待处理图像的第三检测结果。
根据本公开的一方面,提供了一种神经网络的训练方法,包括:
获取样本图像,其中,所述样本图像包括已标注的第一样本图像和未标注的第二样本图像;将所述样本图像输入第一检测网络,获得所述样本图像的第一检测结果,其中,所述第一检测网络通过上述的图像处理方法对输入的图像进行处理,所述样本图像的第一检测结果包括所述样本图像中目标对象的位置和/或类别置信度;将所述样本图像输入第二检测网络,获得所述样本图像的第二检测结果,其中,所述第二检测网络通过上述的图像处理方法对输入的图像进行处理,所述样本图像的第二检测结果包括所述样本图像中目标对象的位置和/或类别置信度;至少根据所述样本图像的第一检测结果和所述样本图像的第二检测结果,训练所述第一检测网络和所述第二检测网络。
在一种可能的实现方式中,所述获取样本图像,包括:获取已标注的原始第一样本图像和未标注的原始第二样本图像;以所述原始第一样本图像中的标注为中心,对所述原始第一样本图像进行裁剪,得到所述第一样本图像;以所述原始第二样本图像中的预测标注为中心,对所述原始第二样本图像进行裁剪,得到所述第二样本图像,其中,所述预测标注通过将所述原始第二样本图像输入所述第二检测网络所得到。
在一种可能的实现方式中,所述至少根据所述样本图像的第一检测结果和所述样本图像的第二检测结果,训练所述第一检测网络和所述第二检测网络,包括:基于所述第一样本图像的标注和所述第一样本图像的第二检测结果,确定所述第二检测网络的第一损失;对所述样本图像的第一检测结果和所述样本图像的第二检测结果进行匹配,根据匹配结果确定所述第二检测网络的第二损失;根据所述第一损失和所述第二损失,对所述第二检测网络中的第二网络参数进行更新;根据更新后的所述第二网络参数,对所述第一检测网络中的第一网络参数进行更新。
在一种可能的实现方式中,所述对所述样本图像的第一检测结果和所述样本图像的第二检测结果进行匹配,根据匹配结果确定所述第二检测网络的第二损失,包括:将所述类别置信度高于第一预设阈值的所述样本图像的第一检测结果,作为待匹配的第一检测结果;将所述类别置信度高于第二预设阈值的所述样本图像的第二检测结果,作为待匹配的第二检测结果,其中,所述第一预设阈值高于所述第二预设阈值;根据所述待匹配的第一检测结果与所述待匹配的所述第二检测结果之间的交并比、所述待匹配的第一检测结果的类别置信度以及所述待匹配的第二检测结果的类别置信度中的一种或多种,确定匹配的第一检测结果和匹配的第二检测结果;根据所述匹配的第一检测结果和所述匹配的第二检测结果,确定所述第二检测网络的第二损失。
在一种可能的实现方式中,所述根据所述待匹配的第一检测结果与待匹配的所述第二检测结果之间的交并比、所述待匹配的第一检测结果的类别置信度以及所述待匹配的第二检测结果的类别置信度中的一种或多种,确定匹配的第一检测结果和匹配的第二检测结果,包括:获取所述待匹配的第一检测结果,与各所述待匹配的第二检测结果之间的交并比,得到多个交并比结果;将交并比最高的k1个交并比结果,作为交并比匹配结果,其中,k1为正整数;将所述交并比匹配结果中类别置信度最高的k2个待匹配的第一检测结果,作为所述匹配的第一检测结果,并将与所述匹配的第一检测结果对应的第二检测结果,作为所述匹配的第二检测结果,其中,k2为不大于k1的正整数。
在一种可能的实现方式中,所述将所述样本图像输入第一检测网络,获得所述样本图像的第一检测结果,包括:将所述样本图像进行第一扰动处理后输入第一检测网络,获得所述样本图像的第一检测结果;和/或,所述将所述样本图像输入第二检测网络,获得所述样本图像的第二检测结果,包括:将所述样本图像进行第二扰动处理后输入第二检测网络,获得所述样本图像的第二检测结果;其中,所述第一扰动处理与所述第二扰动处理的处理方式不同。
在一种可能的实现方式中,在将所述样本图像输入第一检测网络,获得所述样本图像的第一检测结果之前,所述方法还包括:通过所述第一样本图像,对所述第二检测网络进行一次或多次初始训练,其中,在包括多次初始训练的情况下,第i+1次的初始训练所采用的第一样本图像中,包含第i次初始训练中检测结果与标注不一致的第一样本图像,i为正整数。
根据本公开的一方面,提供了一种图像处理装置,包括:
特征提取模块,用于对待处理图像进行特征提取,得到所述待处理图像的第一特征图,以及多个尺度下的第二特征图;确定模块,用于根据所述第二特征图,确定所述待处理图像中目标对象的第一候选区域;检测模块,用于根据所述第一候选区域和所述第一特征图,对所述待处理图像中的目标对象进行检测,得到所述待处理图像的第一检测结果,其中,所述待处理图像的第一检测结果包括所述目标对象的位置和/或所述目标对象的类别置信度。
在一种可能的实现方式中,所述检测模块用于:根据所述第一候选区域在所述待处理图像中的位置,对所述第一特征图进行提取,得到候选特征图;对所述候选特征图进行池化处理,得到与预设尺寸匹配的候选特征图;对所述与预设尺寸匹配的候选特征图进行分类处理和/或回归处理,得到所述待处理图像的第一检测结果。
在一种可能的实现方式中,所述待处理图像包括对原始图像进行预处理所得到的至少一个图像,所述预处理包括:图像重采样、图像归一化以及图像裁翻转剪中的一种或多种;所述装置还用于:根据所述原始图像对应的至少一个所述待处理图像的第一检测结果,进行过滤处理,得到所述原始图像的检测结果。
在一种可能的实现方式中,所述装置还用于:对待处理图像进行特征提取,得到所述待处理图像的第三特征图,以及多个尺度下的第四特征图;对所述多个尺度下的第四特征图进行随机翻转,得到多个尺度下的第五特征图;根据所述第五特征图,确定所述待处理图像中目标对象的第二候选区域;根据所述第二候选区域和所述第三特征图,对所述待处理图像中的目标对象进行检测,得到所述待处理图像的第二检测结果,其中,所述待处理图像的第二检测结果包括所述目标对象的位置和/或所述目标对象的类别置信度。
在一种可能的实现方式中,所述装置还用于:根据所述待处理图像的第一检测结果与所述待处理图像的第二检测结果,得到所述待处理图像的第三检测结果。
根据本公开的一方面,提供了一种神经网络的训练装置,包括:
获取模块,用于获取样本图像,其中,所述样本图像包括已标注的第一样本图像和未标注的第二样本图像;第一检测模块,用于将所述样本图像输入第一检测网络,获得所述样本图像的第一检测结果,其中,所述第一检测网络通过上述的图像处理方法对输入的图像进行处理,所述样本图像的第一检测结果包括所述样本图像中目标对象的位置和/或类别置信度;第二检测模块,用于将所述样本图像输入第二检测网络,获得所述样本图像的第二检测结果,其中,所述第二检测网络通过上述的图像处理方法对输入的图像进行处理,所述样本图像的第二检测结果包括所述样本图像中目标对象的位置和/或类别置信度;训练模块,用于至少根据所述样本图像的第一检测结果和所述样本图像的第二检测结果,训练所述第一检测网络和所述第二检测网络。
在一种可能的实现方式中,所述获取模块用于:获取已标注的原始第一样本图像和未标注的原始第二样本图像;以所述原始第一样本图像中的标注为中心,对所述原始第一样本图像进行裁剪,得到所述第一样本图像;以所述原始第二样本图像中的预测标注为中心,对所述原始第二样本图像进行裁剪,得到所述第二样本图像,其中,所述预测标注通过将所述原始第二样本图像输入所述第二检测网络所得到。
在一种可能的实现方式中,所述训练模块用于:基于所述第一样本图像的标注和所述第一样本图像的第二检测结果,确定所述第二检测网络的第一损失;对所述样本图像的第一检测结果和所述样本图像的第二检测结果进行匹配,根据匹配结果确定所述第二检测网络的第二损失;根据所述第一损失和所述第二损失,对所述第二检测网络中的第二网络参数进行更新;根据更新后的所述第二网络参数,对所述第一检测网络中的第一网络参数进行更新。
在一种可能的实现方式中,所述训练模块进一步用于:将所述类别置信度高于第一预设阈值的所述样本图像的第一检测结果,作为待匹配的第一检测结果;将所述类别置信度高于第二预设阈值的所述样本图像的第二检测结果,作为待匹配的第二检测结果,其中,所述第一预设阈值高于所述第二预设阈值;根据所述待匹配的第一检测结果与所述待匹配的所述第二检测结果之间的交并比、所述待匹配的第一检测结果的类别置信度以及所述待匹配的第二检测结果的类别置信度中的一种或多种,确定匹配的第一检测结果和匹配的第二检测结果;根据所述匹配的第一检测结果和所述匹配的第二检测结果,确定所述第二检测网络的第二损失。
在一种可能的实现方式中,所述训练模块进一步用于:获取所述待匹配的第一检测结果,与各所述待匹配的第二检测结果之间的交并比,得到多个交并比结果;将交并比最高的k1个交并比结果,作为交并比匹配结果,其中,k1为正整数;将所述交并比匹配结果中类别置信度最高的k2个待匹配的第一检测结果,作为所述匹配的第一检测结果,并将与所述匹配的第一检测结果对应的第二检测结果,作为所述匹配的第二检测结果,其中,k2为不大于k1的正整数。
在一种可能的实现方式中,所述第一检测模块用于:将所述样本图像进行第一扰动处理后输入第一检测网络,获得所述样本图像的第一检测结果;和/或,所述第二检测模块用于:将所述样本图像进行第二扰动处理后输入第二检测网络,获得所述样本图像的第二检测结果;其中,所述第一扰动处理与所述第二扰动处理的处理方式不同。
在一种可能的实现方式中,所述装置还用于:通过所述第一样本图像,对所述第二检测网络进行一次或多次初始训练,其中,在包括多次初始训练的情况下,第i+1次的初始训练所采用的第一样本图像中,包含第i次初始训练中检测结果与标注不一致的第一样本图像,i为正整数。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,可以对待处理图像进行特征提取以得到第一特征图以及多个尺度下的第二特征图,并根据第二特征图来确定待处理图像中目标对象的第一候选区域,从而根据第一候选区域和第一特征图,来得到待处理图像中目标对象的第一检测结果。通过上述过程,根据本公开实施例提供的图像处理方法及装置、电子设备和存储介质,一方面可以利用待处理图像在多个尺度下的第二特征图来确定目标对象在待处理图像中的第一候选区域,从而对待处理图像中各尺度的结节均具有较好的检测效果;另一方面可以在第一候选区域的基础上进行目标对象的进一步检测,可以有效降低检测结果的假阳率。而且由于本公开实施例提出的图像处理方法中,确定第一候选区域所面向的特征图与得到第一检测结果所面向的特征图是存在区别的,因此确定第一候选区域和对目标对象进行检测的过程之间相互解耦,减小得到的第一检测结果陷入到局部最优解的情况,进一步提升了检测结果的精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的流程图。
图2示出根据本公开实施例的图像处理方法的流程图。
图3示出根据本公开实施例的神经网络的训练方法的流程图。
图4示出根据本公开实施例的神经网络的训练方法的流程图。
图5示出根据本公开实施例的图像处理装置的框图。
图6示出根据本公开实施例的神经网络的训练装置的框图。
图7示出根据本公开一应用示例的示意图。
图8示出根据本公开实施例的一种电子设备800的框图。
图9示出根据本公开实施例的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开一实施例的图像处理方法的流程图,该方法可以应用于图像处理装置,图像处理装置可以为终端设备、服务器或者其他处理设备等。其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。
在一些可能的实现方式中,该图像处理方法也可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
如图1所示,在一种可能的实现方式中,所述图像处理方法可以包括:
步骤S11,对待处理图像进行特征提取,得到待处理图像的第一特征图,以及多个尺度下的第二特征图。
其中,待处理图像可以是待进行目标对象检测的任意图像,目标对象的实现形式可以根据实际情况灵活决定,在一些可能的实现方式中,目标对象可以是人体内的器官或结节等对象,比如肺部器官、乳腺器官或是乳腺器官中的结节等,在一个示例中,目标对象可以是肺结节。
随着目标对象的不同,待处理图像的实现形式也可以灵活发生变化。在一些可能的实现方式中,待处理图像可以是医学图像,例如CT图像或磁共振(Magnetic ResonanceImaging,MRI)图像等。在一些可能的实现方式中,待处理图像可以是未经处理的原始医学图像,也可以是对原始医学图像进行预处理后得到的图像。在一些可能的实现方式中,待处理图像可以是三维图像,也可以是二维图像;后续各公开实施例均以待处理图像为三维图像为例进行说明,待处理图像为二维图像的实现方式可以参考后续各公开实施例进行灵活扩展,在此不再赘述。
第一特征图可以是对待处理图像直接进行特征提取所得到的特征图,得到第一特征图的方式在本公开实施例中不做限制,任何可以对待处理图像进行特征提取的方式均可以作为得到第一特征图的方式,比如可以通过特征提取的相关算法,或是具有特征提取功能的卷积神经网络(CNN,Convolutional Neural Networks),如VGGNet或是ResNet等,来对待处理图像进行特征提取以得到第一特征图,在一个示例中,该CNN网络可以是三维的卷积神经网络。
多个尺度下的第二特征图,可以是对待处理图像或是第一特征图进行多尺度特征提取所得到的多个尺度下的特征图。得到第二特征图的方式在本公开实施例中同样不做限制,在一种可能的实现方式中,可以将第一特征图输入至特征金字塔网络(FPN,FeaturePyramid Networks),来得到多个尺度下的第二特征图。
步骤S12,根据第二特征图,确定待处理图像中目标对象的第一候选区域。
其中,目标对象的实现形式可以参考上述各公开实施例,在此不再赘述。待处理图像中可以包含或不包含目标对象,在待处理图像包含目标对象的情况下,目标对象的数量可以为一个也可以为多个,根据待处理图像的实际情况灵活决定。
第一候选区域,可以是待处理图像中可能包含目标对象的区域,第一候选区域的数量可以根据待处理图像中目标对象的数量灵活决定,可以为一个,也可以为多个。在一些可能的实现方式中,该第一候选区域可以通过锚点框(anchors)的形式表现在待处理图像中。
根据第二特征图确定第一候选区域的方式在本公开实施例中不做限制,在一些可能的实现方式中,可以将多个尺度下的第二特征图输入至区域生成网络(RPN,RegionProposal Network)中,来得到RPN预测的可能包含目标对象的一个或多个第一候选区域。
步骤S13,根据第一候选区域和第一特征图,对待处理图像中的目标对象进行检测,得到待处理图像的第一检测结果。
其中,第一检测结果可以包括目标对象的位置和/或目标对象的类别置信度。其中,目标对象的位置可以是目标对象在待处理图像中所处的位置,目标对象的类别置信度可以是目标对象分别属于多种预设类别的置信度,多种预设类别的类别类型可以根据实际情况灵活设定,比如在目标对象为肺结节的情况下,多种预设类别可以包括良性肺结节、恶性肺结节或是非肺结节等一种或多种类别。
根据第一候选区域和第一特征图对目标对象进行检测的方式可以根据实际情况灵活决定,比如可以将第一候选区域和第一特征图输入至具有目标对象检测功能的神经网络,来实现目标对象检测,或是根据第一候选区域对第一特征图进行处理后输入具有目标对象检测功能的神经网络等,步骤S13的可能实现方式可以详见下述各公开实施例,在此先不做展开。
在本公开实施例中,可以对待处理图像进行特征提取以得到第一特征图以及多个尺度下的第二特征图,并根据第二特征图来确定待处理图像中目标对象的第一候选区域,从而根据第一候选区域和第一特征图,来得到待处理图像中目标对象的第一检测结果。通过上述过程,根据本公开实施例提供的图像处理方法及装置、电子设备和存储介质,一方面可以利用待处理图像在多个尺度下的第二特征图来确定目标对象在待处理图像中的第一候选区域,从而对待处理图像中各尺度的结节均具有较好的检测效果;另一方面可以在第一候选区域的基础上进行目标对象的进一步检测,可以有效降低检测结果的假阳率。而且由于本公开实施例提出的图像处理方法中,确定第一候选区域所面向的特征图与得到第一检测结果所面向的特征图是存在区别的,因此确定第一候选区域和对目标对象进行检测的过程之间相互解耦,减小得到的第一检测结果陷入到局部最优解的情况,进一步提升了检测结果的精度。
在一种可能的实现方式中,待处理图像可以包括对原始图像进行预处理所得到的至少一个图像,预处理包括:图像重采样、图像归一化以及图像裁剪中的一种或多种。
其中,原始图像可以为待进行目标对象检测且未经任何处理的图像,在一些可能的实现方式中,原始图像可以为待进行肺结节检测的原始CT图像。
由于原始图像可能数据量较大,为了便于后续的目标对象检测,可以对原始图像进行上述公开实施例中提到的一种或多种预处理,以得到待处理图像。
其中,图像重采样可以为按照预设的分辨率对原始图像进行重新采样,预设的分辨率大小可以根据实际情况灵活设定,在一个示例中,该预设的分辨率可以为1mm×1mm×1mm。图像归一化可以包括将原始图像归一化至一定的阈值范围内,比如-1~1的值域范围等。
图像裁剪可以包括基于目标对象所属区域进行裁剪,和/或将原始图像裁剪为预设处理尺寸的图像块等。
其中,基于目标对象所属区域进行裁剪,可以为根据目标对象所在的器官区域对原始图像进行裁剪,举例来说,目标对象为肺结节的情况下,可以先对原始图像进行图像分割处理,以确定原始图像中肺部器官所在的位置,并基于该位置对原始图像进行裁剪。
将原始图像裁剪为预设处理尺寸的图像块,可以为将原始图像裁剪为多个较小尺寸的待处理图像以提高后续目标对象检测的效率和准确度,其中,预设处理尺寸的尺寸大小可以根据实际情况灵活设定,在一个示例中,该预设处理尺寸可以为96mm×96mm×96mm。将原始图像裁剪为预设处理尺寸的裁剪方式可以根据实际情况灵活决定,在一个示例中,可以通过滑窗法,以预设处理尺寸的大小和预设步长对原始图像进行遍历和裁剪,来得到多个待处理图像。
预设步长的大小同样可以根据实际情况灵活决定,本公开实施例不做限制。在一些可能的实现方式中,预设步长可能小于预设处理尺寸,在这种情况下,得到的多个待处理图像中可能包含重叠的图像区域,导致得到的多个第一检测结果中包含重复预测的目标对象。因此,在一种可能的实现方式中,本公开实施例提出的方法还可以包括:
根据原始图像对应的至少一个待处理图像的第一检测结果,进行过滤处理,得到原始图像的检测结果。
其中,过滤处理可以对第一检测结果中重复出现的检测结果进行过滤去除,过滤处理的方式可以灵活选择,在一种可能的实现方式中,过滤处理可以包括非极大值抑制处理(NMS,Non-Maximum Suppression),NMS可以减少重复预测的第一检测结果,并保留其中较为准确的第一检测结果。
通过本公开实施例,可以通过对原始图像进行预处理来得到待处理图像,从而降低图像处理过程中处理的数据量,提高检测效率,降低进行图像处理的硬件要求,提高图像处理的可行性;而且,预处理包括图像裁剪,在减小数据量的同时尽可能地减少对原始图像的降维,从而减少了由于缺乏三维空间信息而导致预测结果出现假阳情况的发生,进一步提升了图像处理的精度;另外,通过对原始图像对应的至少一个待处理图像的第一检测结果进行过滤处理,可以减少原始图像检测结果中冗余情况的发生,提升原始图像的检测结果的精度。
在一种可能的实现方式中,步骤S13可以包括:
根据第一候选区域在待处理图像中的位置,对第一特征图进行提取,得到候选特征图;
对候选特征图进行池化处理,得到与预设尺寸匹配的候选特征图;
根据与预设尺寸匹配的候选特征图进行分类处理和/或回归处理,得到待处理图像的第一检测结果。
其中,候选特征图可以是从第一特征图中提取的,可能包含有目标对象的特征图。根据第一候选区域在待处理图像中的位置,对第一特征图进行提取的方式可以根据实际情况灵活决定,在一种可能的实现方式中,可以根据第一候选区域在待处理图像中的位置,在第一特征图中截取对应的区域以得到候选特征图。
由于不同的第一候选区域对应的目标对象在尺寸上可能存在差异,相应地,得到的候选特征图的尺寸可能也不统一,为了便于后续目标对象的检测,可以对候选特征图进行池化处理以得到与预设尺寸匹配的候选特征图。其中,预设尺寸的尺寸大小可以根据实际情况灵活设定,在本公开实施例中不做限定。池化处理的方式可以根据实际情况灵活选择,不局限于下述各公开实施例,在一个示例中,可以将候选特征图通过ROI Pooling池化层来进行池化处理。
基于与预设尺寸匹配的候选特征图,可以进行分类处理和/或回归处理以得到第一检测结果。
其中,分类处理可以是根据与预设尺寸匹配的候选特征图进行分类计算,以得到目标对象的类别置信度。分类计算的方式可以根据实际情况灵活决定,比如可以根据相关的图像分类算法进行计算,或是将与预设尺寸匹配的候选特征图通过具有分类功能的神经网络以实现分类计算等。
回归处理可以是根据与预设尺寸匹配的候选特征图进行位置回归计算,以得到目标对象的位置。位置回归计算的方式同样可以根据实际情况灵活决定,比如可以根据相关的回归算法进行计算,或是将与预设尺寸匹配的候选特征图通过具有位置回归功能的神经网络以实现回归计算等。
在一种可能的实现方式中,还可以基于与预设尺寸匹配的候选特征图进行分类处理和回归处理,来得到待处理图像的第一检测结果。进行分类处理和回归处理的方式可以根据实际情况灵活决定,比如可以将与预设尺寸匹配的候选特征图分别输入上述公开实施例中提到的具有分类功能和位置回归功能的神经网络来得到第一检测结果。在一种可能的实现方式中,也可以将与预设尺寸匹配的候选特征图通过具有分类与回归功能的R-CNN(Regions with CNN feature)神经网络来进行分类处理和回归处理。
通过本公开实施例,一方面可以通过池化处理将候选特征图处理为与预设尺寸匹配的候选特征图,便于批量实现后续的分类处理和/或回归处理以得到第一检测结果;另一方面通过对于预设尺寸匹配的候选特征图进行分类处理和/或回归处理,可以有效降低第一候选区域中可能出现的假阳结果,从而降低第一检测结果中的假阳率,提升检测精度。
图2示出根据本公开一实施例的图像处理方法的流程图,如图所示,在一种可能的实现方式中,本公开实施例提出的方法还可以包括:
步骤S14,对待处理图像进行特征提取,得到待处理图像的第三特征图,以及多个尺度下的第四特征图;
步骤S15,对多个尺度下的第四特征图进行随机翻转,得到多个尺度下的第五特征图;
步骤S16,根据第五特征图,确定待处理图像中目标对象的第二候选区域;
步骤S17,根据第二候选区域和所述第三特征图,对待处理图像中的目标对象进行检测,得到待处理图像的第二检测结果,其中,待处理图像的第二检测结果包括目标对象的位置和/或目标对象的类别置信度。
其中,步骤S14的实现方式可以参考上述各公开实施例中步骤S11的实现方式,在此不再赘述,步骤S14的具体实现过程可以与步骤S11相同,也可以存在差异,相应地,得到的第三特征图和第四特征图,可以与第一特征图和第二特征图相同,也可以不同。
对多个尺度下的第四特征图进行随机翻转,可以是随机选定某个或某些尺度下的第四特征图,并对随机选定到的第四特征图进行翻转处理,该翻转处理可以包括上下翻转和/或左右翻转等,选择何种翻转形式可以根据实际情况灵活决定,在本公开实施例中不做限制。
通过随机翻转后,可以得到多个尺度下的第五特征图,基于该第五特征图,可以通过步骤S16确定目标对象在待处理图像中的第二候选区域。其中,第二候选区域,同样可以是待处理图像中可能包含目标对象的区域,其实现形式可以参考第一候选区域,在此不再赘述。需要注意的是,第二候选区域与第一候选区域中的“第一”和“第二”仅用于区分根据不同特征图所确定的候选区域,并不对候选区域的获取方式或是获取顺序等加以限制。在本公开实施例中,步骤S16的实现方式可以参考上述各公开实施例中步骤S12的实现方式,在此不再赘述。
同理,步骤S17的实现方式,同样可以参考上述各公开实施例中步骤S13的实现方式,在此不再赘述。第二检测结果与第一检测结果中的“第一”和“第二”仅用于区分通过不同检测方式所得到的检测结果,并不对检测顺序或检测过程加以限制,后续出现的“第三检测结果”同理。
通过本公开实施例,可以基于和得到第一检测结果不完全一致的目标检测方式来得到第二检测结果,提升目标检测方式的丰富程度和灵活性,从而进一步提升目标检测结果的精度。
在一种可能的实现方式中,本公开实施例中提出的方法还可以包括:
根据待处理图像的第一检测结果与待处理图像的第二检测结果,得到待处理图像的第三检测结果。
其中,第三检测结果可以是对第一检测结果和第二检测结果取交集所得到的检测结果,即第三检测结果可以为第一检测结果和第二检测结果中共同包含的检测结果,举例来说,如果第一检测结果和第二检测结果均检测到某个结节A,则该结节A可以作为第三检测结果,而如果某个结节B仅出现在第一检测结果或第二检测结果中,则该结节B则可以不作为第三检测结果。选取何种检测结果作为待处理图像对应的最终检测结果,可以根据实际情况灵活选择。在一些可能的实现方式中,可以将第一检测结果和/或第二检测结果作为待处理图像的最终检测结果;在一些可能的实现方式中,也可以将第三检测结果作为待处理图像的最终检测结果。
通过根据第一检测结果和第二检测结果中共同包含的检测结果来得到第三检测结果,可以进一步减小得到的检测结果中的假阳率,从而提升待处理图像对应的最终检测结果的精度。
在一些可能的实现方式中,本公开实施例中步骤S11至步骤S13所公开的图像处理方法,可以通过一个完整的神经网络进行实现,在本公开实施例中,该神经网络可以被称为第一检测网络。
同理,本公开实施例中步骤S14至步骤S17所公开的图像处理方法,可以通过与第一检测网络不同的另一个神经网络来进行实现,在本公开实施例中,该神经网络可以被称为第二检测网络。
第一检测网络和第二检测网络的具体网络结构和实现方式详见后续各公开实施例,在此先不做展开,需要注意的是,下述各公开实施例中的第一检测网络和第二检测网络仅为示例性的网络结构,其具体的形式可以根据实际情况灵活变化,不局限于下述各公开实施例。
由于神经网络可以通过样本数据进行训练,因此,本公开实施例还提出了一种神经网络的训练方法。图3示出根据本公开一实施例的神经网络的训练方法的流程图,该方法可以应用于神经网络的训练装置,神经网络的训练装置可以为终端设备、服务器或者其他处理设备等。其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。
在一些可能的实现方式中,该神经网络的训练方法也可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
如图3所示,在一种可能的实现方式中,所述神经网络的训练方法可以包括:
步骤S21,获取样本图像。
其中,样本图像可以是用于训练神经网络的任意图像,被训练的神经网络可以是如上述公开实施例中提到的第一检测网络和第二检测网络。样本图像的类型和实现方式可以参考上述各公开实施例中的待处理图像,在此不再赘述。
在一些可能的实现方式中,样本图像可以包括第一样本图像和第二样本图像。其中,第一样本图像可以是包含标注的样本图像,该标注可以包括目标对象在样本图像中的位置和/或目标对象的所属类别等。在样本图像为医学图像的情况下,标注可以通过医生等专业人员来进行,由于医学图像的标注难度较大,标注成本较高,故第一样本图像的数量可能较少。
第二样本图像则可以是未标注的样本图像,故第二样本图像不具备上述标注的内容,在这种情况下,第二样本图像较易获得,数量可能也相对较多。
获取样本图像的方式在本公开实施例中不做限制,可以根据实际情况灵活决定,比如可以从相关的图像数据库中进行提取等,详见下述各公开实施例,在此先不做展开。
步骤S22,将样本图像输入第一检测网络,获得样本图像的第一检测结果,其中,样本图像的第一检测结果包括样本图像中目标对象的位置和/或类别置信度。
其中,将样本图像输入第一检测网络后,第一检测网络可以按照上述各公开实施例中步骤S11至步骤S13所公开的图像处理方法,对样本图像进行处理,以得到样本图像的第一检测结果,其中样本图像的第一检测结果的实现形式可以参考上述各公开实施例中待处理图像对应的第一检测结果的实现形式,在此不再赘述。
步骤S23,将样本图像输入第二检测网络,获得样本图像的第二检测结果,其中,样本图像的第二检测结果包括样本图像中目标对象的位置和/或类别置信度。
其中,将样本图像输入第二检测网络后,第二检测网络可以按照上述各公开实施例中步骤S14至步骤S17所公开的图像处理方法,对样本图像进行处理,以得到样本图像的第二检测结果,其中样本图像的第二检测结果的实现形式可以参考上述各公开实施例中待处理图像对应的第二检测结果的实现形式,在此同样不再赘述。
步骤S24,至少根据样本图像的第一检测结果和样本图像的第二检测结果,训练第一检测网络和第二检测网络。
其中,至少根据样本图像的第一检测结果和样本图像的第二检测结果,训练第一检测网络和第二检测网络的方式可以根据实际情况灵活决定,不局限于下述各公开实施例。
在一些可能的实现方式中,可以是根据样本图像中已标注的第一样本图像的标注,与第一检测结果和第二检测结果之间的误差来确定误差损失,并基于该误差损失对第一检测网络和第二检测网络中的网络参数进行更新;在一些可能的实现方式中,还可以利用样本图像在不同检测网络下产生的第一检测结果和第二检测结果之间的一致性来确定误差损失,并基于该误差损失来对第一检测网络和第二检测网络中的网络参数进行更新;在一些可能的实现方式中,还可以通过上述公开实施例中的不同方式共同确定误差损失来实现训练等。步骤S24中至少部分可能的实现方式可以详见下述各公开实施例,在此先不做展开。
在本公开实施例中,通过获取包括已标注的第一样本图像和未标注的第二样本图像的样本图像,并将样本图像分别输入第一检测网络和第二检测网络以获得第一检测结果和第二检测结果,从而至少根据样本图像的第一检测结果和第二检测结果来训练第一检测网络和第二检测网络,通过本公开实施例,可以将无标签的样本图像作为训练数据用于第一检测网络和第二检测网络的训练,有效扩展了训练数据的数据量,减少了难以获取包含标注的样本图像的问题的发生,且无标签的样本图像可以有效帮助第一检测网络和第二检测网络学习数据的分布,提高第一检测网络和第二检测网络的鲁棒性。
在一种可能的实现方式中,步骤S21可以包括:
获取已标注的原始第一样本图像和未标注的原始第二样本图像;
以原始第一样本图像中的标注为中心,对原始第一样本图像进行裁剪,得到第一样本图像;
以原始第二样本图像中的预测标注为中心,对原始第二样本图像进行裁剪,得到第二样本图像,其中,预测标注通过将原始第二样本图像输入第二检测网络所得到。
其中,原始第一样本图像可以为包含标注且未经处理的任意样本图像,原始第二样本图像可以为未标注且未经处理的任意样本图像,原始第一样本图像和原始第二样本图像的实现形式可以参考上述各公开实施例中的原始图像,在此不再赘述。
在一些可能的实现方式中,为了在训练过程中尽可能地纳入目标对象及其周边的图像信息,可以以目标对象为中心对原始第一样本图像和原始第二样本图像进行裁剪。
其中,由于原始第一样本图像中包含标注,因此可以根据标注确定目标对象在原始第一样本图像中的位置,并以该位置为中心对原始第一样本图像进行裁剪。
在对原始第一样本图像进行裁剪的过程中,可以参考上述公开实施例中对待处理图像的裁剪过程,将原始第一样本图像裁剪为预设处理尺寸,该预设处理尺寸的实现形式可以参考上述各公开实施例,在此不再赘述。
在对原始第一样本图像进行裁剪得到第一样本图像以后,可以根据第一样本图像与原始第一样本图像之间的坐标对应关系,将原始第一样本图像中标注的位置转换至第一样本图像中,以确定第一样本图像中标注的位置坐标。
在一些可能的实现方式中,由于原始第二样本图像中不包含标注,因此无法确定原始第二样本图像中目标对象的位置,针对这种情况,可以获取原始第二样本图像中目标对象的预测标注,并基于该预测标注确定目标对象在原始第二样本图像中的位置,从而以该位置为中心对原始第二样本图像进行裁剪。
其中,原始第二样本图像中的预测标注的获取方式可以根据实际情况灵活确定,在一些可能的实现方式中,可以将原始第二样本图像输入至相关的具有目标对象检测功能的神经网络,来获取输出的预测标注;在一些可能的实现方式中,还可以将原始第二样本图像输入至未训练的第一检测网络或第二检测网络,来获取输出的预测标注;在一些可能的实现方式中,还可以将原始第二样本图像输入至经过一次或多次初始训练的第二检测网络,来获取输出的预测标注等。其中,第二检测网络进行一次或多次初始训练的过程可以详见下述各公开实施例,在此先不做展开。
同理,对原始第二样本图像进行裁剪的过程可以参考原始第一样本图像的裁剪过程,在此不再赘述。
在一些可能的实现方式中,在对原始第一样本图像和原始第二样本图像进行裁剪以前,还可以对原始第一样本图像和原始第二样本图像进行预处理,预处理的方式可以参考上述各公开实施例,在此不再赘述。
在一些可能的实现方式中,在对原始第一样本图像和原始第二样本图像进行裁剪以前,还可以对原始第一样本图像和原始第二样本图像进行数据扩增,以增加样本图像的数量,其中数据扩增的方式可以根据实际情况灵活决定,比如可以包括图像旋转、图像平移以及图像缩放等各类操作。通过数据扩增,可以减小训练过程中过拟合情况的发生,提高第一检测网络和第二检测网络的泛化效能。
通过本公开实施例,可以利用标注和预测标注对原始第一样本图像和原始第二样本图像进行裁剪,得到尺寸合适的第一样本图像和第二样本图像,一方面可以降低神经网络训练过程中对输入数据的处理量,降低对硬件的要求,提升训练的可行性;另一方面可以保留样本图像的三维信息,提升训练精度;而且通过裁剪可以尽可能纳入目标对象及其周边信息,进一步提升训练精度。
图4示出根据本公开一实施例的神经网络的训练方法的流程图,如图所示,在一种可能的实现方式中,步骤S24可以包括:
步骤S241,基于第一样本图像的标注和第一样本图像的第二检测结果,确定第二检测网络的第一损失。
其中,第一损失可以是基于包含标注的第一样本图像所产生的监督损失,即根据第一样本图像的标注和第一样本图像通过第二检测网络所产生的第二检测结果之间的误差,利用监督损失函数进行计算所得到的损失。
监督损失函数的实现方式可以根据实际情况灵活选择,不局限于下述各公开实施例。在一种可能的实现方式中,可以将交叉熵损失函数和/或Smooth L1 Loss损失函数作为监督损失函数,其中,交叉熵损失函数可以用于确定第一样本图像的标注与第二检测结果之间在类别置信度上所产生的分类误差,Smooth L1 Loss则可以用于确定第一样本图像的标注与第二检测结果之间在位置上所产生的定位误差。
步骤S242,对样本图像的第一检测结果和样本图像的第二检测结果进行匹配,根据匹配结果确定第二检测网络的第二损失。
其中,第二损失可以是根据第一检测网络和第二检测网络分别对施加一定扰动的样本图像所对应的检测结果的一致性,利用一致性损失函数进行计算所得到的一致性损失。由于一致性损失的确定依据在于第一检测结果和第二检测结果之间的一致性差异,因此无论是已标注的第一样本图像,还是未标注的第二样本图像,均可以用于确定第二损失。
匹配结果可以是对应同一目标对象的第一检测结果和第二检测结果,匹配的第一检测结果和第二检测结果可以用于计算一致性差异,如何确定匹配的第一检测结果和第二检测结果,其确定方式可以详见下述各公开实施例,在此先不做展开。
一致性损失函数的实现方式同样可以根据实际情况灵活选择,不局限于下述各公开实施例。在一种可能的实现方式中,可以将均方误差损失函数、Smooth L1 Loss损失函数或是JS(Jensen-Shannon)散度损失函数中的一种或多种作为一致性损失函数,其中,均方误差损失函数或JS散度损失函数可以用于确定第一检测结果和第二检测结果之间在类别置信度上所产生的分类误差,而第一检测结果与第二检测结果之间在位置上所产生的定位误差,则可以通过均方误差损失函数或Smooth L1 Loss来计算。
如上述公开实施例所述,在一些可能的实现方式中,可以是根据施加一定扰动的样本图像所对应的检测结果来确定一致性损失,故在一些可能的实现方式中,第一检测结果和第二检测结果可以是基于施加扰动后的样本图像所得到的检测结果。施加扰动的方式可以根据实际情况灵活选择,不局限于下述各公开实施例。
因此,在一种可能的实现方式中,步骤S22可以包括:将样本图像进行第一扰动处理后输入第一检测网络,获得样本图像的第一检测结果;步骤S23可以包括:将样本图像进行第二扰动处理后输入第二检测网络,获得样本图像的第二检测结果,其中,第一扰动处理与第二扰动处理的处理方式不同。
在一个示例中,第一扰动处理可以包括对样本图像施加噪声,第二扰动处理可以包括对样本图像施加噪声和随机翻转,其中第一扰动处理和第二扰动处理中施加的噪声可以相同,也可以不同,在一个示例中,第一扰动处理和第二扰动处理可以均施加随机高斯(Gaussian)噪声。
通过分别对样本图像进行不同的第一扰动处理和第二扰动处理,可以更好地确定第一检测结果与第二检测结果之间的一致性误差,从而更好地对第一检测网络和第二检测网络进行训练,提升训练精度和训练效果。
步骤S243,根据第一损失和第二损失,对第二检测网络中的第二网络参数进行更新。
其中,第二网络参数可以是第二检测网络中一个或多个网络层中的各类参数,比如权重、偏置或是动态参数等。基于第一损失和第二损失对第二网络参数进行更新的方式在本公开实施例中不做限制,在一种可能的实现方式中,可以基于第一损失和第二损失,对第二检测网络各层的网络参数通过梯度反向传播进行更新,以实现对第二检测网络的训练。
步骤S244,根据更新后的第二网络参数,对第一检测网络中的第一网络参数进行更新。
其中,第一网络参数可以是第一检测网络包含的一个或多个参数,其实现形式可以参考第二网络参数,在此不再赘述。根据更新后的第二网络参数对第一检测网络中的第一网络参数进行更新的方式同样可以根据实际情况灵活选择,比如可以根据更新后的第二网络参数更新第一检测网络中对应的第一网络参数等。在一种可能的实现方式中,可以对第二检测网络在多次训练后得到的多个更新后的第二网络参数进行指数滑动平均,并将滑动平均的结果作为更新后的第一网络参数,以实现对第一检测网络的训练。
通过本公开实施例,可以利用第一样本图像所确定的第一损失对第二检测网络实现监督学习,利用样本图像在第一检测网络和第二检测网络中所产生的不同检测结果的一致性,有效利用大量不含标注的第二样本图像帮助第一检测网络和第二检测网络学习数据分布,从而实现第一检测网络和第二检测网络的半监督学习训练,提升训练后的第一检测网络和第二检测网络的效果和鲁棒性。
在一种可能的实现方式中,步骤S242可以包括:
将类别置信度高于第一预设阈值的样本图像的第一检测结果,作为待匹配的第一检测结果;
将类别置信度高于第二预设阈值的样本图像的第二检测结果,作为待匹配的第二检测结果,其中,第一预设阈值高于所述第二预设阈值;
根据待匹配的第一检测结果与待匹配的所述第二检测结果之间的交并比、待匹配的第一检测结果的类别置信度以及待匹配的第二检测结果的类别置信度中的一种或多种,确定匹配的第一检测结果和匹配的第二检测结果;
根据匹配的第一检测结果和匹配的第二检测结果,确定第二检测网络的第二损失。
其中,第一预设阈值是用于对第一检测结果进行筛选的类别置信度阈值,其数值可以根据实际情况灵活设定,在本公开实施例中不做限制。如上述各公开实施例所述,第一检测结果可以包含目标对象的类别置信度,因此,在一种可能的实现方式中,可以通过对第一检测结果中的类别置信度和第一预设阈值进行比较,来从第一检测结果中筛选待匹配的第一检测结果,来实现与第二检测结果之间的匹配。
同理,第二预设阈值是用于对第二检测结果进行筛选的类别置信度阈值,第二预设阈值的数值同样可以根据实际情况灵活设定,在一种可能的实现方式中,为了可以丰富与第一检测结果进行匹配的数据,可以设置第一预设阈值高于第二预设阈值,从而便于得到较高置信度的待匹配的第一检测结果,以及数量较多的待匹配的第二检测结果。
交并比(IoU,Intersection over Union)可以反映待匹配的第一检测结果和待匹配的第二检测结果之间的重合程度,交并比越高,可以表明待匹配的第一检测结果和待匹配的第二检测结果更有可能面向同一目标对象。而第一检测结果的类别置信度和第二检测结果的类别置信度则可以更好地反映第一检测结果和第二检测结果的预测准确程度,基于交并比、第一检测结果的类别置信度和第二检测结果的类别置信度的一种或多种,来确定相匹配的第一检测结果和第二检测结果的方式可以根据实际情况灵活选择,比如可以在交并比超过预设交并比阈值的情况下确定相匹配的检测结果,或者根据交并比的排序以及置信度的排序来确定相匹配的检测结果等,具体的实现方式可以详见下述各公开实施例,在此先不做展开。
根据确定的相匹配的第一检测结果和第二检测结果,可以利用上述各公开实施例提出的一致性损失函数来确定第二检测网络的第二损失,具体的确定过程在此不再赘述。
在本公开实施例中,通过根据第一检测结果和第二检测结果之间的交并比、第一检测结果的类别置信度以及第二检测结果的类别置信度中的一种或多种,来确定相匹配的第一检测结果和第二检测结果,从而确定第二检测网络的第二损失,通过上述过程,可以采用多种方式灵活地确定第二损失,提高第二损失计算的灵活程度,从而丰富神经网络的训练方式,提高训练效果;而且基于第一检测结果和第二检测结果之间的交并比来确定匹配的检测结果,这种匹配方式属于物体级(object-wise)的匹配方式,相较于图像级(image-wise)和像素级(element-wise)的匹配方式来说,这种匹配方式可以充分考虑在不同数据扰动下对于目标对象检测结果的差异情况,从而可以更合理地确定第二损失,提升训练的精度和效果。
在一种可能的实现方式中,根据待匹配的第一检测结果与待匹配的第二检测结果之间的交并比、待匹配的第一检测结果的类别置信度以及待匹配的第二检测结果的类别置信度中的一种或多种,确定匹配的第一检测结果和匹配的第二检测结果,包括:
获取待匹配的第一检测结果,与各待匹配的第二检测结果之间的交并比,得到多个交并比结果;
将交并比最高的k1个交并比结果,作为交并比匹配结果,其中,k1为正整数;
将交并比匹配结果中类别置信度最高的k2个待匹配的第二检测结果,作为匹配的第二检测结果,并将与匹配的第二检测结果对应的第一检测结果,作为匹配的第一检测结果,其中,k2为不大于k1的正整数。
其中,交并比结果可以包括交并比数值,以及该交并比数值对应的待匹配的第一检测结果和待匹配的第二检测结果。获取待匹配的第一检测结果与各待匹配的第二检测结果之间的交并比的方式可以根据实际情况灵活决定,在一种可能的实现方式中,可以将待匹配的第一检测结果的检测框分别与各待匹配的第二检测结果通过IoU的方式进行匹配计算,从而得到多个交并比结果。
根据得到的多个交并比结果中的交并比数值,可以按照该交并比的数值进行排序,并选择其中交并比数值最高的k1个交并比结果作为交并比匹配结果,即选取k1个最可能面向同一目标对象的第一检测结果和第二检测结果。其中,k1可以是正整数,其具体数值可以根据实际情况灵活设定,在本公开实施例中不做限制。
在一些可能的实现方式中,可以将选定的k1个交并比结果中对应的第一检测结果和第二检测结果作为相匹配的检测结果;在一些可能的实现方式中,还可以进一步对选定的k1个交并比匹配结果进行筛选,筛选的方式可以根据实际情况灵活设定,在一种可能的实现方式中,可以基于交并比匹配结果中对应的待匹配的第一检测结果的类别置信度来进行筛选。在一个示例中,可以将k1个交并比匹配结果中类别置信度最高的第一检测结果作为匹配的第一检测结果,并将与其对应的第二检测结果作为匹配的第二检测结果;在一种可能的实现方式中,也可以从k1个交并比匹配结果中选定k2个类别置信度最高的第一检测结果作为匹配的第一检测结果,并随之确定匹配的第二检测结果。其中,k2的数值同样也可以根据实际情况灵活决定,由于k2个第一检测结果是从k1个交并比匹配结果中筛选得到的,因此,k2可以为不大于k1的正整数。
在一些可能的实现方式中,从k1个交并比匹配结果中进行筛选的过程中,也可以是基于其中待匹配的第二检测结果的类别置信度来进行筛选,筛选的过程可以参考上述各公开实施例,在此不再赘述;在一些可能的实现方式中,还可以同时基于待匹配的第一检测结果的类别置信度,以及待匹配的第二检测结果的类别置信度,共同从k1个交并比匹配结果中筛选,其实现方式可以根据实际情况灵活决定。
通过本公开实施例,可以基于多个交并比结果选定其中最高的k1个交并比匹配结果,并基于第一检测结果的类别置信度从k1个交并比匹配结果中进行进一步筛选以得到相匹配的第一检测结果和第二检测结果,通过上述过程,可以基于交并比的排序情况,选定回归位置和类别置信度尽可能相似的第一检测结果和第二检测结果,减少对于第一检测结果和第二检测结果针对同一目标对象需要位于回归相同位置的约束,充分考虑在不同数据扰动下对于目标对象检测结果的差异情况,从而可以更合理地确定第二损失,提升训练的精度和效果。
在一些可能的实现方式中,在步骤S12之前,本公开实施例提出的方法还可以包括:
通过第一样本图像,对第二检测网络进行一次或多次初始训练,其中,在包括多次初始训练的情况下,第i+1次的初始训练所采用的第一样本图像中,包含第i次初始训练中检测结果与标注不一致的第一样本图像,i为正整数。
其中,初始训练可以是在对第一检测网络和第二检测网络共同进行训练之前,对第二检测网络进行的训练。在一些可能的实现方式中,可以利用包含标注的第一样本图像来对第二检测网络进行一次或多次初始训练。
初始训练的方式在本公开实施例中不做限制,任何神经网络的训练方式均可以作为初始训练的实现方式。在一种可能的实现方式中,第二检测网络对输入的某个或某些第一样本图像预测所产生的检测结果,可能与该第一样本图像本身的标注结果不一致,这样的第一样本图像可以被称为假阳第一样本图像,为了使第二检测网络更好地对假阳第一样本图像的特征进行学习,可以通过第一样本图像对第二检测网络进行多阶段训练,并且在多阶段训练的过程中,将上一阶段的假阳第一样本图像加入到下一阶段采用的第一样本图像中。
通过本公开实施例,可以通过多次加入假阳第一样本图像的初始训练,提高第二检测网络对假阳样本特征的学习,提高第二检测网络的效能,降低初始训练后的第二检测网络的假阳率,也便于后续为第二样本图像生成更加可靠的预测标注,提高第一检测网络和第二检测网络的训练精度和效果。
图5示出根据本公开实施例的图像处理装置30的框图,如图5所示,所述装置包括:
特征提取模块31,用于对待处理图像进行特征提取,得到待处理图像的第一特征图,以及多个尺度下的第二特征图。
确定模块32,用于根据第二特征图,确定待处理图像中目标对象的第一候选区域。
检测模块33,用于根据第一候选区域和第一特征图,对待处理图像中的目标对象进行检测,得到待处理图像的第一检测结果,其中,待处理图像的第一检测结果包括目标对象的位置和/或目标对象的类别置信度。
在一种可能的实现方式中,检测模块用于:根据第一候选区域在待处理图像中的位置,对第一特征图进行提取,得到候选特征图;对候选特征图进行池化处理,得到与预设尺寸匹配的候选特征图;对与预设尺寸匹配的候选特征图进行分类处理和/或回归处理,得到待处理图像的第一检测结果。
在一种可能的实现方式中,待处理图像包括对原始图像进行预处理所得到的至少一个图像,预处理包括:图像重采样、图像归一化以及图像裁翻转剪中的一种或多种;装置还用于:根据原始图像对应的至少一个待处理图像的第一检测结果,进行过滤处理,得到原始图像的检测结果。
在一种可能的实现方式中,装置还用于:对待处理图像进行特征提取,得到待处理图像的第三特征图,以及多个尺度下的第四特征图;对多个尺度下的第四特征图进行随机翻转,得到多个尺度下的第五特征图;根据第五特征图,确定待处理图像中目标对象的第二候选区域;根据第二候选区域和第三特征图,对待处理图像中的目标对象进行检测,得到待处理图像的第二检测结果,其中,待处理图像的第二检测结果包括目标对象的位置和/或目标对象的类别置信度。
在一种可能的实现方式中,装置还用于:根据待处理图像的第一检测结果与待处理图像的第二检测结果,得到待处理图像的第三检测结果。
图6示出根据本公开实施例的神经网络的训练装置40的框图,如图6所示,所述装置包括:
获取模块41,用于获取样本图像,其中,样本图像包括已标注的第一样本图像和未标注的第二样本图像。
第一检测模块42,用于将样本图像输入第一检测网络,获得样本图像的第一检测结果,其中,第一检测网络通过上述的图像处理方法对输入的图像进行处理,样本图像的第一检测结果包括样本图像中目标对象的位置和/或类别置信度。
第二检测模块43,用于将样本图像输入第二检测网络,获得样本图像的第二检测结果,其中,第二检测网络通过上述的图像处理方法对输入的图像进行处理,样本图像的第二检测结果包括样本图像中目标对象的位置和/或类别置信度。
训练模块44,用于至少根据样本图像的第一检测结果和样本图像的第二检测结果,训练第一检测网络和第二检测网络。
在一种可能的实现方式中,获取模块用于:获取已标注的原始第一样本图像和未标注的原始第二样本图像;以原始第一样本图像中的标注为中心,对原始第一样本图像进行裁剪,得到第一样本图像;以原始第二样本图像中的预测标注为中心,对原始第二样本图像进行裁剪,得到第二样本图像,其中,预测标注通过将原始第二样本图像输入第二检测网络所得到。
在一种可能的实现方式中,训练模块用于:基于第一样本图像的标注和第一样本图像的第二检测结果,确定第二检测网络的第一损失;对样本图像的第一检测结果和样本图像的第二检测结果进行匹配,根据匹配结果确定第二检测网络的第二损失;根据第一损失和第二损失,对第二检测网络中的第二网络参数进行更新;根据更新后的第二网络参数,对第一检测网络中的第一网络参数进行更新。
在一种可能的实现方式中,训练模块进一步用于:将类别置信度高于第一预设阈值的样本图像的第一检测结果,作为待匹配的第一检测结果;将类别置信度高于第二预设阈值的样本图像的第二检测结果,作为待匹配的第二检测结果,其中,第一预设阈值高于第二预设阈值;根据待匹配的第一检测结果与待匹配的第二检测结果之间的交并比、待匹配的第一检测结果的类别置信度以及待匹配的第二检测结果的类别置信度中的一种或多种,确定匹配的第一检测结果和匹配的第二检测结果;根据匹配的第一检测结果和匹配的第二检测结果,确定第二检测网络的第二损失。
在一种可能的实现方式中,训练模块进一步用于:获取待匹配的第一检测结果,与各待匹配的第二检测结果之间的交并比,得到多个交并比结果;将交并比最高的k1个交并比结果,作为交并比匹配结果,其中,k1为正整数;将交并比匹配结果中类别置信度最高的k2个待匹配的第一检测结果,作为匹配的第一检测结果,并将与匹配的第一检测结果对应的第二检测结果,作为匹配的第二检测结果,其中,k2为不大于k1的正整数。
在一种可能的实现方式中,第一检测模块用于:将样本图像进行第一扰动处理后输入第一检测网络,获得样本图像的第一检测结果;和/或,第二检测模块用于:将样本图像进行第二扰动处理后输入第二检测网络,获得样本图像的第二检测结果;其中,第一扰动处理与第二扰动处理的处理方式不同。
在一种可能的实现方式中,装置还用于:通过第一样本图像,对第二检测网络进行一次或多次初始训练,其中,在包括多次初始训练的情况下,第i+1次的初始训练所采用的第一样本图像中,包含第i次初始训练中检测结果与标注不一致的第一样本图像,i为正整数。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
应用场景示例
图7示出根据本公开一应用示例的示意图,本公开应用示例提出了一种基于半监督学习的肺结节检测方法,该检测方法可以通过图7中训练后的第一检测网络(即图中的教师网络模型teacher model)和/或第二检测网络(即图中的学生网络模型student model)所实现。
其中,第一检测网络和第二检测网络的模型结构如图7所示,由于二者模型结构类似,因此在此仅以第二检测网络为例进行结构说明,从图中可以看出,为了在提高检测敏感性的同时降低检测假阳率,第二检测网络可以为具备两次特征提取功能的3D检测网络。第二检测网络可以包括特征提取模块、RPN模块和RCNN模块三个模块组成。其中,特征提取模块(即图中的3D骨干网络)可以由一个3D CNN网络构成,用于提取输入图像不同层次的特征,得到第一特征图;由于不同肺结节尺寸差异大,为了提升网络对各个尺寸的结节的检测效能,RPN模块可以包括三维FPN子模块(即图中的3D FPN),该三维FPN子模块可以对第一特征图进行多尺度特征提取以得到多个尺度下的第二特征图;由于RPN和RCNN作用于同一特征图的情况可能导致两个RPN和RCNN相互制约而陷入局部最优解,因此,在本公开应用示例中,通过三维FPN子模块可以将RCNN和RPN作用的特征图相区别,从而从一定程度上使得RPN与RCNN之间进行解耦。
基于上述第一检测网络和第二检测网络,本公开应用示例还提出了一种神经网络的训练方法,用于对第一检测网络和第二检测网络进行训练,如图7所示,在一个示例中,训练方法可以包括如下过程:
第一步,数据预处理:
获取原始CT数据作为原始样本图像,其中原始样本图像包括已标注的原始第一样本图像和未标注的原始第二样本图像,将原始样本图像重采样到1mm*1mm*1mm的分辨率下,通过肺部分割等方式确定原始样本图像中肺实质所在的区域,并裁剪出该肺实质所在3D区域,将裁剪后的3D区域归一化到-1~1的值域范围内。考虑到图像处理硬件设备(比如图像处理器GPU等)的限制,归一化的3D图像无法直接输入到后续的神经网络中进行端到端的训练,而若将3D图像拆分成2D图像进行结节检测,由于缺乏3D空间信息,可能会引入血管等假阳情况的发生,降低后续训练后的神经网络的检测效能。因此,在一个示例中,可以以原始第一样本图像中每个标注的结节,和/或,原始第二样本图像中每个预测标注(伪标签)的结节为中心,裁剪出预设处理尺寸的图像块作为第一样本图像和第二样本图像,其中,预测标注可以通过将原始第二样本图像输入至未经训练或是经过初始训练的第二检测网络(即图中的学生网络模型student model)来得到。为了尽可能纳入结节及其周边信息,可以将裁剪的预设处理尺寸设置为96mm*96mm*96mm。在裁剪之前,还可以对原始样本图像进行旋转、平移、放缩等操作达到数据扩增的目的,从而有助于减少训练过程中过拟合情况的发生,提高训练后的神经网络的泛化效能。在一些可能的实现方式中,可以根据裁剪的坐标信息,将原始第一样本图像坐标系下的坐标转化成第一样本图像坐标系下的坐标,从而得到裁剪后第一样本图像中的标注。
第二步,基于第一样本图像和第二样本图像,对第一检测网络和第二检测网络进行训练:
在一个示例中,可以首先包含标注的第一样本图像初始训练第二检测网络,即仅通过监督损失函数参与第二检测网络的训练。在此过程中,为了降低第二检测网络的假阳率,为无标注的第二样本图像生成较为可靠的预测标注,我们将难例挖掘(hard negativemining)的方法应用于第二检测网络的训练中,构成多阶段训练。在一个示例中,可以根据上个阶段的预测结果,确定上个阶段中的假阳第一样本图像,并将假阳第一样本图像加入到后续阶段训练的第一样本图像中,从而辅助第二检测网络有效学习此类假阳样本的特征,提高第二检测网络的效能,得到初始训练后的第二检测网络,并不断迭代,直至第二检测网络收敛。
在一个示例中,在得到初始训练后的第二检测网络后,可以基于第一检测网络和该初始训练后的第二检测网络,利用已标注的第一样本图像和未标注的第二样本图像共同进行训练。由于原始第二样本图像缺少标注,在截取得到第二样本图像的过程中缺少指导信息,因此,可以基于初始训练后的第二检测网络为原始第二样本图像生成预测标注。在生成预测标注的过程中,可以通过较高的置信度阈值来对第二检测网络输出的预测标注进行筛选,以得到高置信的预测标注,减少预测结果中的假阳,其中,较高的置信度阈值的数值可以根据实际情况灵活设定,在本公开实施例中不做限制。需要注意的是,该预测标注仅用于从原始第二样本图像中截取第二样本图像,而不作为第二样本图像的标注参与第一检测网络和第二检测网络的训练。
在对第一检测网络和第二检测网络共同训练的过程中,网络参数的更新由监督损失和一致性损失共同驱使。其中,监督损失由已标注的第一样本图像产生,其前向计算和反向传递过程和基于全监督学习的训练过程一致,对于监督损失函数的选择,本公开应用示例可以采用交叉熵损失函数和Smooth L1 Loss分别计算分类误差和定位误差。
一致性损失可以由已标注的第一样本图像和未标注的第二样本图像共同产生,在一个示例中,可以基于半监督学习(mean teacher)的方法,通过计算第二检测网络和第一检测网络对施加一定扰动的输入数据的预测结果的一致性,将未标注的第二样本图像应用到训练过程中来。对于数据扰动,样本图像输入到第二检测网络前,可以对其施加随机Gaussian噪声和随机翻转变化,样本图像输入到第一检测网络前,可以对其施加随机Gaussian噪声。
在进行一致性正则化约束时,本公开应用示例提出了一种物体级(object-wise)的匹配方法。基于半监督学习的相关图像分类和图像分割方法中,可以采用图像级(image-wise)或像素级(element-wise)的一致性约束,然而此类一致性约束方式对于目标检测而言效果较差。由于第一检测网络和第二检测网络难以对数据扰动存在完全的一致性,对于某个目标对象的检测,在不同的数据扰动下,预测该目标对象的第一检测结果和第二检测而机构可能存在一定差异。因此,在本公开应用示例中,并不强制第二检测网络和第一检测网络对于同一目标对象的预测结果位于相同锚点,但对于同一个目标对象,第一检测结果和第二检测结果中回归的坐标和类别置信度应尽可能相似。基于上述原理,本公开应用示例中一致性损失的计算方式如下:将施加随机Gaussian噪声的样本图像输入到第一检测网络中,利用较高的第一预设阈值进行筛选得到高置信的第一检测结果T;将施加随机Gaussian噪声和随机翻转的样本图像输入到第二检测网络中,利用较低的第二预设阈值进行筛选得到较多的第二检测结果S;利用基于IoU的匹配方式,得到S中与T相匹配的第一检测结果,根据IoU从大往小的顺序对第一检测结果进行排序,选择IoU最高的k1个第一检测结果,再从中选取类别置信度最高的第一检测结果和对应的第二检测结果,通过一致性损失函数计算两者的一致性损失。本公开应用示例中,一致性损失函数可以通过下述方式进行选取:对于类别置信度的差异性,可采用均方误差损失函数或JS散度损失函数;对于定位的差异性,可采用均方误差损失函数或Smooth L1 Loss损失函数。第一检测网络和第二检测网络共同训练过程中的损失函数可以由监督损失函数和一致性损失函数两部分构成,在共同训练过程中,可以通过梯度反向传播来更新第二检测网络中可训练的第二网络参数,第一检测网络则可以基于第二网络参数,利用指数滑动平均的方式进行第一网络参数的更新。
基于上述应用示例,可以得到训练后的第一检测网络和训练后的第二检测网络,在一些可能的实现方式中,可以利用训练后的第一检测网络进行肺结节检测得到第一检测结果,也可以利用训练后的第二检测网络进行肺结节检测得到第二检测结果,或是将第一检测结果和第二检测结果的交集作为肺结节检测的最终检测结果。
在一个示例中,通过第一检测网络或第二检测网络进行肺结节检测的过程中,可以首先对原始图像进行预处理,比如采用滑窗法以96mm*96mm*96mm的大小,一定的步长遍历原始图像中来得到多个待处理图像。在一些可能的实现方式中,由于步长可能小于96mm,导致检测结果中包含重复预测的部分结节,因此,还可以通过对原始图像对应的多个待处理图像的检测结果进行NMS处理,以得到原始图像最终的预测结果。
通过本公开应用示例可以看出,第一检测网络和第二检测网络均为可以实现端到端训练且解耦的双阶段3D多尺度检测网络,可以通过3D卷积捕获空间信息,利用FPN提高网络对不同尺度的肺结节的检测效能,并通过解耦RPN和RCNN,减少两个任务之间的相互制约,从一定程度上防止检测结果陷入局部最优解,有效提升了结节预测的精度。
进一步地,本公开应用示例针对大量精确肺结节标注数据难以获得的情况,公开了一种基于半监督学习的肺结节三维检测框架,基于mean teacher思想可以充分挖掘未标注的第二样本图像在训练中的价值,辅助第一检测网络和第二检测网络更好地学习数据的分布,提高第一检测网络和第二检测网络在标注数据有限下的鲁棒性。
而且,本公开应用示例还提出了一种物体级(object-wise)的一致性约束方法,在考虑第一检测网络和第二检测网络难以对数据扰动存在完全的一致的预测结果的情况下,合理计算第二检测网络和第一检测网络之间的一致性损失,进一步提升训练精度。
利用本公开应用示例提出的肺结节检测方法,可以通过远程云平台对肺部CT进行肺结节辅助筛查,提升偏远地区医院在肺结节检测方面准确性、可靠性,同时提高临床工作效率;而且本公开应用示例提出的肺结节检测方法也可以用于对体检者的肺部CT进行自动化肺结节检测,提高筛查精度和效率,减少漏诊与误诊。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图8示出根据本公开实施例的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图8,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如无线网络(WiFi),第二代移动通信技术(2G)或第三代移动通信技术(3G),或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图9示出根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图9,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如微软服务器操作系统(Windows ServerTM),苹果公司推出的基于图形用户界面操作系统(Mac OSXTM),多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM),开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (16)
1.一种图像处理方法,其特征在于,所述方法包括:
对待处理图像进行特征提取,得到所述待处理图像的第一特征图,以及多个尺度下的第二特征图;
根据所述第二特征图,确定所述待处理图像中目标对象的第一候选区域;
根据所述第一候选区域和所述第一特征图,对所述待处理图像中的目标对象进行检测,得到所述待处理图像的第一检测结果,其中,所述待处理图像的第一检测结果包括所述目标对象的位置和/或所述目标对象的类别置信度。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一候选区域和所述第一特征图,对所述待处理图像中的目标对象进行检测,得到所述待处理图像的第一检测结果,包括:
根据所述第一候选区域在所述待处理图像中的位置,对所述第一特征图进行提取,得到候选特征图;
对所述候选特征图进行池化处理,得到与预设尺寸匹配的候选特征图;
对所述与预设尺寸匹配的候选特征图进行分类处理和/或回归处理,得到所述待处理图像的第一检测结果。
3.根据权利要求1或2所述的方法,其特征在于,所述待处理图像包括对原始图像进行预处理所得到的至少一个图像,所述预处理包括:图像重采样、图像归一化以及图像裁翻转剪中的一种或多种;
所述方法还包括:
根据所述原始图像对应的至少一个所述待处理图像的第一检测结果,进行过滤处理,得到所述原始图像的检测结果。
4.根据权利要求1至3中任意一项所述的方法,其特征在于,所述方法还包括:
对待处理图像进行特征提取,得到所述待处理图像的第三特征图,以及多个尺度下的第四特征图;
对所述多个尺度下的第四特征图进行随机翻转,得到多个尺度下的第五特征图;
根据所述第五特征图,确定所述待处理图像中目标对象的第二候选区域;
根据所述第二候选区域和所述第三特征图,对所述待处理图像中的目标对象进行检测,得到所述待处理图像的第二检测结果,其中,所述待处理图像的第二检测结果包括所述目标对象的位置和/或所述目标对象的类别置信度。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
基于所述待处理图像的第一检测结果与所述待处理图像的第二检测结果,得到所述待处理图像的第三检测结果。
6.一种神经网络的训练方法,其特征在于,所述方法包括:
获取样本图像,其中,所述样本图像包括已标注的第一样本图像和未标注的第二样本图像;
将所述样本图像输入第一检测网络,获得所述样本图像的第一检测结果,其中,所述第一检测网络通过权利要求1至3中任意一项所述的图像处理方法对输入的图像进行处理,所述样本图像的第一检测结果包括所述样本图像中目标对象的位置和/或类别置信度;
将所述样本图像输入第二检测网络,获得所述样本图像的第二检测结果,其中,所述第二检测网络通过权利要求4所述的图像处理方法对输入的图像进行处理,所述样本图像的第二检测结果包括所述样本图像中目标对象的位置和/或类别置信度;
至少根据所述样本图像的第一检测结果和所述样本图像的第二检测结果,训练所述第一检测网络和所述第二检测网络。
7.根据权利要求6所述的方法,其特征在于,所述获取样本图像,包括:
获取已标注的原始第一样本图像和未标注的原始第二样本图像;
以所述原始第一样本图像中的标注为中心,对所述原始第一样本图像进行裁剪,得到所述第一样本图像;
以所述原始第二样本图像中的预测标注为中心,对所述原始第二样本图像进行裁剪,得到所述第二样本图像,其中,所述预测标注通过将所述原始第二样本图像输入所述第二检测网络所得到。
8.根据权利要求6或7所述的方法,其特征在于,所述至少根据所述样本图像的第一检测结果和所述样本图像的第二检测结果,训练所述第一检测网络和所述第二检测网络,包括:
基于所述第一样本图像的标注和所述第一样本图像的第二检测结果,确定所述第二检测网络的第一损失;
对所述样本图像的第一检测结果和所述样本图像的第二检测结果进行匹配,根据匹配结果确定所述第二检测网络的第二损失;
根据所述第一损失和所述第二损失,对所述第二检测网络中的第二网络参数进行更新;
根据更新后的所述第二网络参数,对所述第一检测网络中的第一网络参数进行更新。
9.根据权利要求8所述的方法,其特征在于,所述对所述样本图像的第一检测结果和所述样本图像的第二检测结果进行匹配,根据匹配结果确定所述第二检测网络的第二损失,包括:
将所述类别置信度高于第一预设阈值的所述样本图像的第一检测结果,作为待匹配的第一检测结果;
将所述类别置信度高于第二预设阈值的所述样本图像的第二检测结果,作为待匹配的第二检测结果,其中,所述第一预设阈值高于所述第二预设阈值;
根据所述待匹配的第一检测结果与所述待匹配的所述第二检测结果之间的交并比、所述待匹配的第一检测结果的类别置信度以及所述待匹配的第二检测结果的类别置信度中的一种或多种,确定匹配的第一检测结果和匹配的第二检测结果;
根据所述匹配的第一检测结果和所述匹配的第二检测结果,确定所述第二检测网络的第二损失。
10.根据权利要求9所述的方法,其特征在于,所述根据所述待匹配的第一检测结果与待匹配的所述第二检测结果之间的交并比、所述待匹配的第一检测结果的类别置信度以及所述待匹配的第二检测结果的类别置信度中的一种或多种,确定匹配的第一检测结果和匹配的第二检测结果,包括:
获取所述待匹配的第一检测结果,与各所述待匹配的第二检测结果之间的交并比,得到多个交并比结果;
将交并比最高的k1个交并比结果,作为交并比匹配结果,其中,k1为正整数;
将所述交并比匹配结果中类别置信度最高的k2个待匹配的第一检测结果,作为所述匹配的第一检测结果,并将与所述匹配的第一检测结果对应的第二检测结果,作为所述匹配的第二检测结果,其中,k2为不大于k1的正整数。
11.根据权利要求6至10中任意一项所述的方法,其特征在于,所述将所述样本图像输入第一检测网络,获得所述样本图像的第一检测结果,包括:将所述样本图像进行第一扰动处理后输入第一检测网络,获得所述样本图像的第一检测结果;和/或,
所述将所述样本图像输入第二检测网络,获得所述样本图像的第二检测结果,包括:将所述样本图像进行第二扰动处理后输入第二检测网络,获得所述样本图像的第二检测结果;
其中,所述第一扰动处理与所述第二扰动处理的处理方式不同。
12.根据权利要求6至11中任意一项所述的方法,其特征在于,在将所述样本图像输入第一检测网络,获得所述样本图像的第一检测结果之前,所述方法还包括:
通过所述第一样本图像,对所述第二检测网络进行一次或多次初始训练,其中,在包括多次初始训练的情况下,第i+1次的初始训练所采用的第一样本图像中,包含第i次初始训练中检测结果与标注不一致的第一样本图像,i为正整数。
13.一种图像处理装置,其特征在于,所述装置包括:
特征提取模块,用于对待处理图像进行特征提取,得到所述待处理图像的第一特征图,以及多个尺度下的第二特征图;
确定模块,用于根据所述第二特征图,确定所述待处理图像中目标对象的第一候选区域;
检测模块,用于根据所述第一候选区域和所述第一特征图,对所述待处理图像中的目标对象进行检测,得到所述待处理图像的第一检测结果,其中,所述待处理图像的第一检测结果包括所述目标对象的位置和/或所述目标对象的类别置信度。
14.一种神经网络的训练装置,其特征在于,所述装置包括:
获取模块,用于获取样本图像,其中,所述样本图像包括已标注的第一样本图像和未标注的第二样本图像;
第一检测模块,用于将所述样本图像输入第一检测网络,获得所述样本图像的第一检测结果,其中,所述第一检测网络通过权利要求1至3中任意一项所述的图像处理方法对输入的图像进行处理,所述样本图像的第一检测结果包括所述样本图像中目标对象的位置和/或类别置信度;
第二检测模块,用于将所述样本图像输入第二检测网络,获得所述样本图像的第二检测结果,其中,所述第二检测网络通过权利要求4所述的图像处理方法对输入的图像进行处理,所述样本图像的第二检测结果包括所述样本图像中目标对象的位置和/或类别置信度;
训练模块,用于至少根据所述样本图像的第一检测结果和所述样本图像的第二检测结果,训练所述第一检测网络和所述第二检测网络。
15.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至14中任意一项所述的方法。
16.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至14中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111265436.XA CN113902730A (zh) | 2021-10-28 | 2021-10-28 | 图像处理和神经网络训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111265436.XA CN113902730A (zh) | 2021-10-28 | 2021-10-28 | 图像处理和神经网络训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113902730A true CN113902730A (zh) | 2022-01-07 |
Family
ID=79027328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111265436.XA Pending CN113902730A (zh) | 2021-10-28 | 2021-10-28 | 图像处理和神经网络训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902730A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439686A (zh) * | 2022-08-30 | 2022-12-06 | 一选(浙江)医疗科技有限公司 | 一种基于扫描影像的关注对象检测方法及系统 |
CN116403074A (zh) * | 2023-04-03 | 2023-07-07 | 上海锡鼎智能科技有限公司 | 基于主动标注的半自动图像标注方法及标注装置 |
-
2021
- 2021-10-28 CN CN202111265436.XA patent/CN113902730A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439686A (zh) * | 2022-08-30 | 2022-12-06 | 一选(浙江)医疗科技有限公司 | 一种基于扫描影像的关注对象检测方法及系统 |
CN115439686B (zh) * | 2022-08-30 | 2024-01-09 | 一选(浙江)医疗科技有限公司 | 一种基于扫描影像的关注对象检测方法及系统 |
CN116403074A (zh) * | 2023-04-03 | 2023-07-07 | 上海锡鼎智能科技有限公司 | 基于主动标注的半自动图像标注方法及标注装置 |
CN116403074B (zh) * | 2023-04-03 | 2024-05-14 | 上海锡鼎智能科技有限公司 | 基于主动标注的半自动图像标注方法及标注装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674719B (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
US20210158533A1 (en) | Image processing method and apparatus, and storage medium | |
US20220198775A1 (en) | Image processing method and apparatus, electronic device, storage medium and computer program | |
CN112785565B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN112767329B (zh) | 图像处理方法及装置、电子设备 | |
JP2022537974A (ja) | ニューラルネットワーク訓練方法及び装置、電子機器並びに記憶媒体 | |
CN112541928A (zh) | 网络训练方法及装置、图像分割方法及装置和电子设备 | |
CN111899268B (zh) | 图像分割方法及装置、电子设备和存储介质 | |
CN112967291B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113222038B (zh) | 基于核磁图像的乳腺病灶分类和定位方法及装置 | |
CN114820584B (zh) | 肺部病灶定位装置 | |
CN112115894B (zh) | 手部关键点检测模型的训练方法、装置及电子设备 | |
WO2023050691A1 (zh) | 图像处理方法及装置、电子设备、存储介质和程序 | |
CN113012166A (zh) | 颅内动脉瘤分割方法及装置、电子设备和存储介质 | |
CN111523485A (zh) | 位姿识别方法及装置、电子设备和存储介质 | |
CN113902730A (zh) | 图像处理和神经网络训练方法及装置 | |
CN113034491B (zh) | 一种冠脉钙化斑块检测方法及装置 | |
CN111652107B (zh) | 对象计数方法及装置、电子设备和存储介质 | |
JP2022547372A (ja) | 画像処理方法及び装置、電子デバイス、記憶媒体及びプログラム製品 | |
WO2023050690A1 (zh) | 图像处理方法、装置、电子设备、存储介质和程序 | |
CN115239999A (zh) | 蛋白质电子密度图处理方法、装置、电子设备和存储介质 | |
CN111798498A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111860388A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111640114A (zh) | 图像处理方法及装置 | |
CN114581525A (zh) | 姿态确定方法及装置、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 |