JP2022529493A - 画像処理方法及び装置、電子機器並びに記憶媒体 - Google Patents
画像処理方法及び装置、電子機器並びに記憶媒体 Download PDFInfo
- Publication number
- JP2022529493A JP2022529493A JP2021562337A JP2021562337A JP2022529493A JP 2022529493 A JP2022529493 A JP 2022529493A JP 2021562337 A JP2021562337 A JP 2021562337A JP 2021562337 A JP2021562337 A JP 2021562337A JP 2022529493 A JP2022529493 A JP 2022529493A
- Authority
- JP
- Japan
- Prior art keywords
- image
- feature map
- target image
- feature
- target
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 121
- 238000012545 processing Methods 0.000 claims description 106
- 230000008569 process Effects 0.000 claims description 72
- 238000002591 computed tomography Methods 0.000 claims description 59
- 230000004927 fusion Effects 0.000 claims description 43
- 210000001981 hip bone Anatomy 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 20
- 210000000689 upper leg Anatomy 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000009966 trimming Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 7
- 230000007423 decrease Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 abstract description 18
- 238000013528 artificial neural network Methods 0.000 description 45
- 230000006870 function Effects 0.000 description 17
- 210000004197 pelvis Anatomy 0.000 description 10
- 210000000988 bone and bone Anatomy 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 208000012260 Accidental injury Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010061336 Pelvic neoplasm Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 210000005070 sphincter Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- 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
- G06T2207/20081—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]
-
- 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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
Description
本願は、2019年7月29日に提出された、出願番号が201910690342.3である、名称が「画像処理方法及び装置、電子機器並びに記憶媒体」である中国特許出願に基づく優先権を主張し、該中国特許出願の全内容が参照として本願に組み込まれる。
最終レベルのダウンサンプリング操作により出力された第1特徴マップに基づいて、少なくとも一つのレベルの膨張畳み込み操作へ入力する特徴マップを得ることと、少なくとも一つのレベルの膨張畳み込み操作へ入力する特徴マップに対して少なくとも一つのレベルの膨張畳み込み操作を行い、前記膨張畳み込み操作後の第3特徴マップを得ることであって、前記膨張畳み込み操作後に得られた第3特徴マップのサイズは、畳み込み処理のレベル数の増加に伴って減少する、ことと、前記膨張畳み込み操作後に得られた第3特徴マップに基づいて、前記アップサンプリング操作へ入力する特徴マップを得ることと、を含む。従って、ターゲット画像の局所的細部情報及びグローバル情報により、最終的に決定された画像領域をより正確にすることができる。
前記少なくとも一つのレベルの膨張畳み込み操作後に得られた複数の第3特徴マップに対して特徴融合を行い、第1融合特徴マップを得ることと、前記第1融合特徴マップに基づいて、前記アップサンプリング操作へ入力する特徴マップを得ることと、を含む。従って、アップサンプリング操作へ入力する特徴マップは、より多くのターゲット画像のグローバル情報を含むことができ、得られた画素点の属する画像特徴カテゴリの正確性を向上させることができる。
現在のアップサンプリング操作が第1レベルのアップサンプリング操作である場合、最終レベルのダウンサンプリング操作により出力された第1特徴マップに基づいて、現在のアップサンプリング操作へ入力する特徴マップを得ることと、現在のアップサンプリング操作が第2レベル以上のアップサンプリング操作である場合、前のレベルのアップサンプリングにより出力された第2特徴マップと、同一の特徴マップサイズでマッチングする第1特徴マップと、を融合し、第2融合特徴マップを得ることと、前記第2融合特徴マップに基づいて、現在のアップサンプリング操作へ入力する特徴マップを得ることと、を含む。従って、現在のアップサンプリング操作へ入力する特徴マップは、ターゲット画像の局所的細部情報及びグローバル情報を含むことができる。
処理しようとする画像シーケンスを取得するように構成される取得モジュールと、前記処理しようとする画像シーケンスにおけるターゲット画像の所在する画像シーケンス区間を決定し、ターゲット画像シーケンス区間を得るように構成される決定モジュールと、前記ターゲット画像シーケンス区間のターゲット画像を分割し、前記ターゲット画像区間における少なくとも1つの画像特徴カテゴリに対応する画像領域を決定するように構成される分割モジュールと、を備える。
プロセッサと、
プロセッサによる実行可能な命令を記憶するためのメモリと、を備え、
前記プロセッサは、上記画像処理方法を実行するように構成される。
処理しようとする画像シーケンスを取得するように構成される取得モジュール31と、
前記処理しようとする画像シーケンスにおけるターゲット画像の所在する画像シーケンス区間を決定し、ターゲット画像シーケンス区間を得るように構成される決定モジュール32と、
前記ターゲット画像シーケンス区間のターゲット画像を分割し、前記ターゲット画像区間における少なくとも1つの画像特徴カテゴリに対応する画像領域を決定するように構成される分割モジュール33と、を備える。
Claims (31)
- 画像処理方法であって、前記方法は、
処理しようとする画像シーケンスを取得することと、
前記処理しようとする画像シーケンスにおけるターゲット画像の所在する画像シーケンス区間を決定し、ターゲット画像シーケンス区間を得ることと、
前記ターゲット画像シーケンス区間のターゲット画像を分割し、ターゲット画像区間における少なくとも1つの画像特徴カテゴリに対応する画像領域を決定することと、を含むことを特徴とする、
画像処理方法。 - 前記処理しようとする画像シーケンスにおけるターゲット画像の所在する画像シーケンス区間を決定し、ターゲット画像シーケンス区間を得ることは、
画像シーケンスのサンプリングステップ幅を決定することと、
前記サンプリングステップ幅に基づいて、前記画像シーケンスにおける画像を取得し、サンプリング画像を得ることと、
前記サンプリング画像の画像特徴に基づいて、ターゲット画像特徴を有するサンプリング画像を決定することと、
前記画像シーケンスにおける、ターゲット画像特徴を有するサンプリング画像の配列位置に基づいて、前記ターゲット画像の所在する画像シーケンス区間を決定し、ターゲット画像シーケンス区間を得ることと、を含むことを特徴とする
請求項1に記載の方法。 - 前記ターゲット画像シーケンス区間のターゲット画像を分割し、前記ターゲット画像区間における少なくとも1つの画像特徴カテゴリに対応する画像領域を決定することは、
前記ターゲット画像シーケンス区間のターゲット画像及び所定の相対的位置情報に基づいて、前記ターゲット画像シーケンス区間のターゲット画像を分割し、前記ターゲット画像区間のターゲット画像における少なくとも1つの画像特徴カテゴリに対応する画像領域を決定することを含むことを特徴とする
請求項1又は2に記載の方法。 - 前記ターゲット画像シーケンス区間のターゲット画像及び所定の相対的位置情報に基づいて、前記ターゲット画像シーケンス区間のターゲット画像を分割し、前記ターゲット画像区間のターゲット画像における少なくとも1つの画像特徴カテゴリに対応する画像領域を決定することは、
画像処理周期内で、前記ターゲット画像シーケンス区間内で連続する所定数量のターゲット画像及び所定の相対的位置情報に基づいて、入力情報を生成することと、
前記入力情報に対して少なくとも一つのレベルの畳み込み処理を行い、前記ターゲット画像区間のターゲット画像における画素点の属する画像特徴カテゴリを決定することと、
前記ターゲット画像における画素点の属する画像特徴カテゴリに基づいて、前記ターゲット画像区間のターゲット画像における少なくとも1つの画像特徴カテゴリに対応する画像領域を決定することと、を含むことを特徴とする
請求項3に記載の方法。 - 前記畳み込み処理は、アップサンプリング操作及びダウンサンプリング操作を含み、前記入力情報に対して少なくとも一つのレベルの畳み込み処理を行い、前記ターゲット画像における画素点の属する画像特徴カテゴリを決定することは、
前記入力情報に基づいて、ダウンサンプリング操作へ入力する特徴マップを得ることと、
前記ダウンサンプリング操作へ入力する特徴マップに対してダウンサンプリング操作を行い、前記ダウンサンプリング操作により出力された第1特徴マップを得ることと、
前記ダウンサンプリング操作により出力された第1特徴マップに基づいて、前記アップサンプリング操作へ入力する特徴マップを得ることと、
前記アップサンプリング操作へ入力する特徴マップに対してアップサンプリング操作を行い、前記アップサンプリング操作により出力された第2特徴マップを得ることと、
最終レベルのアップサンプリング操作により出力された第2特徴マップに基づいて、前記ターゲット画像における画素点の属する画像特徴カテゴリを決定することと、を含むことを特徴とする
請求項4に記載の方法。 - 前記畳み込み処理は、膨張畳み込み操作を更に含み、前記ダウンサンプリング操作により出力された第1特徴マップに基づいて、前記アップサンプリング操作へ入力する特徴マップを得ることは、
最終レベルのダウンサンプリング操作により出力された第1特徴マップに基づいて、少なくとも一つのレベルの膨張畳み込み操作へ入力する特徴マップを得ることと、
少なくとも一つのレベルの膨張畳み込み操作へ入力する特徴マップに対して少なくとも一つのレベルの膨張畳み込み操作を行い、前記膨張畳み込み操作後の第3特徴マップを得ることであって、前記膨張畳み込み操作後に得られた第3特徴マップのサイズは、畳み込み処理のレベル数の増加に伴って減少する、ことと、
前記膨張畳み込み操作後に得られた第3特徴マップに基づいて、前記アップサンプリング操作へ入力する特徴マップを得ることと、を含むことを特徴とする
請求項5に記載の方法。 - 前記膨張畳み込み操作後に得られた第3特徴マップに基づいて、前記アップサンプリング操作へ入力する特徴マップを得ることは、
前記少なくとも一つのレベルの膨張畳み込み操作後に得られた複数の第3特徴マップに対して特徴融合を行い、第1融合特徴マップを得ることと、
前記第1融合特徴マップに基づいて、前記アップサンプリング操作へ入力する特徴マップを得ることと、を含むことを特徴とする
請求項6に記載の方法。 - 前記ダウンサンプリング操作により出力された第1特徴マップに基づいて、前記アップサンプリング操作へ入力する特徴マップを得ることは、
現在のアップサンプリング操作が第1レベルのアップサンプリング操作である場合、最終レベルのダウンサンプリング操作により出力された第1特徴マップに基づいて、現在のアップサンプリング操作へ入力する特徴マップを得ることと、
現在のアップサンプリング操作が第2レベル以上のアップサンプリング操作である場合、前のレベルのアップサンプリングにより出力された第2特徴マップと、同一の特徴マップサイズでマッチングする第1特徴マップと、を融合し、第2融合特徴マップを得ることと、
前記第2融合特徴マップに基づいて、現在のアップサンプリング操作へ入力する特徴マップを得ることと、を含むことを特徴とする
請求項5に記載の方法。 - 前記ターゲット画像区間における少なくとも1つの画像特徴カテゴリに対応する画像領域を決定した後、前記方法は、
前記ターゲット画像区間のターゲット画像における画素点に対応する画像特徴カテゴリとアノテーションした参照画像特徴カテゴリを比較し、比較結果を得ることと、
前記比較結果に基づいて、画像処理過程における第1損失及び第2損失を決定することと、
前記第1損失及び前記第2損失に基づいて、画像処理過程に用いられる処理パラメータを調整し、前記ターゲット画像における画素点に対応する画像特徴カテゴリを前記参照画像特徴カテゴリと同じであるようにすることと、を更に含むことを特徴とする
請求項1から8のうちいずれか一項に記載の方法。 - 前記第1損失及び前記第2損失に基づいて、画像処理過程に用いられる処理パラメータを調整することは、
前記第1損失に対応する第1重み及び前記第2損失に対応する第2重みを取得することと、
前記第1重み及び前記第2重みに基づいて、前記第1損失及び前記第2損失に対して重み付け処理を行い、ターゲット損失を得ることと、
前記ターゲット損失に基づいて、画像処理過程に用いられる処理パラメータを調整することと、を含むことを特徴とする
請求項9項に記載の方法。 - 処理しようとする画像シーケンスを取得する前に、前記方法は、
所定の収集周期で収集された画像からなる画像シーケンスを取得することと、
前記画像シーケンスに対して前処理を行い、処理しようとする画像シーケンスを得ることと、を更に含むことを特徴とする
請求項1から10のうちいずれか一項に記載の方法。 - 前記画像シーケンスに対して前処理を行い、処理しようとする画像シーケンスを得ることは、
前記画像シーケンスにおける画像の方向識別子に基づいて、前記画像シーケンスにおける画像に対して方向補正を行い、処理しようとする画像シーケンスを得ることを含むことを特徴とする
請求項11に記載の方法。 - 前記画像シーケンスに対して前処理を行い、処理しようとする画像シーケンスを得ることは、
前記画像シーケンスにおける画像を所定サイズの画像に変換することと、
前記所定サイズの画像に対して中心トリミングを行い、処理しようとする画像シーケンスを得ることを含むことを特徴とする
請求項12に記載の方法。 - 前記ターゲット画像は、骨盤コンピュータトモグラフィCT画像であり、前記画像領域は、左寛骨領域、右寛骨領域、左大腿骨領域、右大腿骨領域及び脊椎領域のうちの1つ又は複数を含むことを特徴とする
請求項1から13のうちいずれか一項に記載の方法。 - 画像処理装置であって、
処理しようとする画像シーケンスを取得するように構成される取得モジュールと、前記処理しようとする画像シーケンスにおけるターゲット画像の所在する画像シーケンス区間を決定し、ターゲット画像シーケンス区間を得るように構成される決定モジュールと、前記ターゲット画像シーケンス区間のターゲット画像を分割し、前記ターゲット画像区間における少なくとも1つの画像特徴カテゴリに対応する画像領域を決定するように構成される分割モジュールと、を備えることを特徴とする、
画像処理装置。 - 前記決定モジュールは具体的には、
画像シーケンスのサンプリングステップ幅を決定し、
前記サンプリングステップ幅に基づいて、前記画像シーケンスにおける画像を取得し、サンプリング画像を得て、
前記サンプリング画像の画像特徴に基づいて、ターゲット画像特徴を有するサンプリング画像を決定し、
前記画像シーケンスにおける、ターゲット画像特徴を有するサンプリング画像の配列位置に基づいて、前記ターゲット画像の所在する画像シーケンス区間を決定し、ターゲット画像シーケンス区間を得るように構成されることを特徴とする
請求項15に記載の装置。 - 前記分割モジュールは具体的には、
前記ターゲット画像シーケンス区間のターゲット画像及び所定の相対的位置情報に基づいて、前記ターゲット画像シーケンス区間のターゲット画像を分割し、前記ターゲット画像区間のターゲット画像における少なくとも1つの画像特徴カテゴリに対応する画像領域を決定するように構成されることを特徴とする
請求項15又は16に記載の装置。 - 前記分割モジュールは具体的には、
画像処理周期内で、前記ターゲット画像シーケンス区間内で連続する所定数量のターゲット画像及び所定の相対的位置情報に基づいて、入力情報を生成し、
前記入力情報に対して少なくとも一つのレベルの畳み込み処理を行い、前記ターゲット画像区間のターゲット画像における画素点の属する画像特徴カテゴリを決定し、
前記ターゲット画像における画素点の属する画像特徴カテゴリに基づいて、前記ターゲット画像区間のターゲット画像における少なくとも1つの画像特徴カテゴリに対応する画像領域を決定するように構成されることを特徴とする
請求項17に記載の装置。 - 前記畳み込み処理は、アップサンプリング操作及びダウンサンプリング操作を含み、前記分割モジュールは具体的には、
前記入力情報に基づいて、ダウンサンプリング操作へ入力する特徴マップを得て、
前記ダウンサンプリング操作へ入力する特徴マップに対してダウンサンプリング操作を行い、前記ダウンサンプリング操作により出力された第1特徴マップを得て、
前記ダウンサンプリング操作により出力された第1特徴マップに基づいて、前記アップサンプリング操作へ入力する特徴マップを得て、
前記アップサンプリング操作へ入力する特徴マップに対してアップサンプリング操作を行い、前記アップサンプリング操作により出力された第2特徴マップを得て、
最終レベルのアップサンプリング操作により出力された第2特徴マップに基づいて、前記ターゲット画像における画素点の属する画像特徴カテゴリを決定するように構成されることを特徴とする
請求項18に記載の装置。 - 前記畳み込み処理は、膨張畳み込み操作を更に含み、前記分割モジュールは具体的には、
最終レベルのダウンサンプリング操作により出力された第1特徴マップに基づいて、少なくとも一つのレベルの膨張畳み込み操作へ入力する特徴マップを得て、
少なくとも一つのレベルの膨張畳み込み操作へ入力する特徴マップに対して少なくとも一つのレベルの膨張畳み込み操作を行い、前記膨張畳み込み操作後の第3特徴マップを得るように構成され、前記膨張畳み込み操作後に得られた第3特徴マップのサイズは、畳み込み処理のレベル数の増加に伴って減少し、
前記分割モジュールは具体的には、前記膨張畳み込み操作後に得られた第3特徴マップに基づいて、前記アップサンプリング操作へ入力する特徴マップを得るように構成されることを特徴とする
請求項19に記載の装置。 - 分割モジュールは具体的には、
各レベルの膨張畳み込み操作後に得られた複数の第3特徴マップに対して特徴融合を行い、第1融合特徴マップを得て、
前記第1融合特徴マップに基づいて、前記アップサンプリング操作へ入力する特徴マップを得るように構成されることを特徴とする
請求項20に記載の装置。 - 前記分割モジュールは具体的には、
現在のアップサンプリング操作が第1レベルのアップサンプリング操作である場合、最終レベルのダウンサンプリング操作により出力された第1特徴マップに基づいて、現在のアップサンプリング操作へ入力する特徴マップを得て、
現在のアップサンプリング操作が第2レベル以上のアップサンプリング操作である場合、前のレベルのアップサンプリングにより出力された第2特徴マップと、同一の特徴マップサイズでマッチングする第1特徴マップと、を融合し、第2融合特徴マップを得て、
前記第2融合特徴マップに基づいて、現在のアップサンプリング操作へ入力する特徴マップを得るように構成されることを特徴とする
請求項19に記載の装置。 - 前記装置は、
前記ターゲット画像区間のターゲット画像における画素点に対応する画像特徴カテゴリとアノテーションした参照画像特徴カテゴリを比較し、比較結果を得て、前記比較結果に基づいて、画像処理過程における第1損失及び第2損失を決定し、前記第1損失及び前記第2損失に基づいて、画像処理過程に用いられる処理パラメータを調整し、前記ターゲット画像における画素点に対応する画像特徴カテゴリを前記参照画像特徴カテゴリと同じであるようにするように構成される訓練モジュールを更に備えることを特徴とする
請求項15から22のうちいずれか一項に記載の装置。 - 前記訓練モジュールは具体的には、
前記第1損失に対応する第1重み及び前記第2損失に対応する第2重みを取得し、
前記第1重み及び前記第2重みに基づいて、前記第1損失及び前記第2損失に対して重み付け処理を行い、ターゲット損失を得て、
前記ターゲット損失に基づいて、画像処理過程に用いられる処理パラメータを調整するように構成されることを特徴とする
請求項23に記載の装置。 - 前記装置は、
所定の収集周期で収集された画像からなる画像シーケンスを取得し、前記画像シーケンスに対して前処理を行い、処理しようとする画像シーケンスを得るように構成される前処理モジュールを更に備えることを特徴とする
請求項15から24のうちいずれか一項に記載の装置。 - 前記前処理モジュールは具体的には、前記画像シーケンスにおける画像の方向識別子に基づいて、前記画像シーケンスにおける画像に対して方向補正を行い、処理しようとする画像シーケンスを得るように構成されることを特徴とする
請求項25に記載の装置。 - 前記前処理モジュールは具体的には、前記画像シーケンスにおける画像を所定サイズの画像に変換し、前記所定サイズの画像に対して中心トリミングを行い、処理しようとする画像シーケンスを得るように構成されることを特徴とする
請求項25に記載の装置。 - 前記ターゲット画像は、骨盤コンピュータトモグラフィCT画像であり、前記画像領域は、左寛骨領域、右寛骨領域、左大腿骨領域、右大腿骨領域及び脊椎領域のうちの1つ又は複数を含むことを特徴とする
請求項15から27のうちいずれか一項に記載の装置。 - 電子機器であって、
プロセッサと、
プロセッサによる実行可能な命令を記憶するためのメモリと、を備え、
前記プロセッサは、前記メモリに記憶されている命令を呼び出し、請求項1から14のうちいずれか一項に記載の方法を実行するように構成されることを特徴とする、電子機器。 - コンピュータ可読記憶媒体であって、前記コンピュータ可読記憶媒体には、コンピュータプログラム命令が記憶されており、前記コンピュータプログラム命令がプロセッサにより実行される時、請求項1から14のうちいずれか一項に記載の方法を実現させることを特徴とする、コンピュータ可読記憶媒体。
- コンピュータプログラムであって、前記コンピュータプログラムは、コンピュータ可読コードを含み、前記コンピュータ可読コードが電子機器において実行される場合、前記電子機器におけるプロセッサは、請求項1から14のうちいずれか一項に記載の方法を実現することを特徴とする、コンピュータプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910690342.3 | 2019-07-29 | ||
CN201910690342.3A CN110490878A (zh) | 2019-07-29 | 2019-07-29 | 图像处理方法及装置、电子设备和存储介质 |
PCT/CN2020/079544 WO2021017481A1 (zh) | 2019-07-29 | 2020-03-16 | 图像处理方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022529493A true JP2022529493A (ja) | 2022-06-22 |
Family
ID=68548433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021562337A Pending JP2022529493A (ja) | 2019-07-29 | 2020-03-16 | 画像処理方法及び装置、電子機器並びに記憶媒体 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220108452A1 (ja) |
JP (1) | JP2022529493A (ja) |
KR (1) | KR20210134945A (ja) |
CN (1) | CN110490878A (ja) |
TW (1) | TWI755717B (ja) |
WO (1) | WO2021017481A1 (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490878A (zh) * | 2019-07-29 | 2019-11-22 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN111028246A (zh) * | 2019-12-09 | 2020-04-17 | 北京推想科技有限公司 | 一种医学图像分割方法、装置、存储介质及电子设备 |
CN111260666B (zh) * | 2020-01-19 | 2022-05-24 | 上海商汤临港智能科技有限公司 | 图像处理方法及装置、电子设备、计算机可读存储介质 |
CN111294512A (zh) * | 2020-02-10 | 2020-06-16 | 深圳市铂岩科技有限公司 | 图像处理方法、装置、存储介质及摄像装置 |
CN111291817B (zh) * | 2020-02-17 | 2024-01-23 | 北京迈格威科技有限公司 | 图像识别方法、装置、电子设备和计算机可读介质 |
CN111639607A (zh) * | 2020-06-01 | 2020-09-08 | 广州虎牙科技有限公司 | 模型训练、图像识别方法和装置、电子设备及存储介质 |
US11488371B2 (en) * | 2020-12-17 | 2022-11-01 | Concat Systems, Inc. | Machine learning artificial intelligence system for producing 360 virtual representation of an object |
CN113781636B (zh) * | 2021-09-14 | 2023-06-20 | 杭州柳叶刀机器人有限公司 | 盆骨建模方法与系统、存储介质、计算机程序产品 |
KR20230105233A (ko) * | 2022-01-03 | 2023-07-11 | 삼성전자주식회사 | 이미지 기반의 이미지 효과를 제공하는 전자 장치 및 그 제어 방법 |
CN116543147A (zh) * | 2023-03-10 | 2023-08-04 | 武汉库柏特科技有限公司 | 一种颈动脉超声图像分割方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019504659A (ja) * | 2015-11-29 | 2019-02-21 | アーテリーズ インコーポレイテッド | 自動化された心臓ボリュームセグメンテーション |
JP2019029938A (ja) * | 2017-08-02 | 2019-02-21 | 日本放送協会 | 誤差計算器およびそのプログラム |
CN109658401A (zh) * | 2018-12-14 | 2019-04-19 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN109934235A (zh) * | 2019-03-20 | 2019-06-25 | 中南大学 | 一种无监督的腹部ct序列图像多器官同时自动分割方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010092494A1 (en) * | 2009-02-11 | 2010-08-19 | Koninklijke Philips Electronics N.V. | Group-wise image registration based on motion model |
US10176408B2 (en) * | 2015-08-14 | 2019-01-08 | Elucid Bioimaging Inc. | Systems and methods for analyzing pathologies utilizing quantitative imaging |
CN105590324A (zh) * | 2016-02-03 | 2016-05-18 | 上海联影医疗科技有限公司 | 医学图像的分割方法及其装置 |
US9947102B2 (en) * | 2016-08-26 | 2018-04-17 | Elekta, Inc. | Image segmentation using neural network method |
CN107665491B (zh) * | 2017-10-10 | 2021-04-09 | 清华大学 | 病理图像的识别方法及系统 |
CN107871119B (zh) * | 2017-11-01 | 2021-07-06 | 西安电子科技大学 | 一种基于目标空间知识和两阶段预测学习的目标检测方法 |
CN107767384B (zh) * | 2017-11-03 | 2021-12-03 | 电子科技大学 | 一种基于对抗训练的图像语义分割方法 |
CN108446729A (zh) * | 2018-03-13 | 2018-08-24 | 天津工业大学 | 基于卷积神经网络的鸡蛋胚胎分类方法 |
CN108647684A (zh) * | 2018-05-02 | 2018-10-12 | 深圳市唯特视科技有限公司 | 一种基于引导注意力推理网络的弱监督语义分割方法 |
CN109064447A (zh) * | 2018-06-29 | 2018-12-21 | 沈阳东软医疗系统有限公司 | 骨密度展示方法、装置及设备 |
US10304193B1 (en) * | 2018-08-17 | 2019-05-28 | 12 Sigma Technologies | Image segmentation and object detection using fully convolutional neural network |
CN110490878A (zh) * | 2019-07-29 | 2019-11-22 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
-
2019
- 2019-07-29 CN CN201910690342.3A patent/CN110490878A/zh active Pending
-
2020
- 2020-03-16 JP JP2021562337A patent/JP2022529493A/ja active Pending
- 2020-03-16 WO PCT/CN2020/079544 patent/WO2021017481A1/zh active Application Filing
- 2020-03-16 KR KR1020217031481A patent/KR20210134945A/ko active Search and Examination
- 2020-04-28 TW TW109114133A patent/TWI755717B/zh active
-
2021
- 2021-12-17 US US17/553,997 patent/US20220108452A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019504659A (ja) * | 2015-11-29 | 2019-02-21 | アーテリーズ インコーポレイテッド | 自動化された心臓ボリュームセグメンテーション |
JP2019029938A (ja) * | 2017-08-02 | 2019-02-21 | 日本放送協会 | 誤差計算器およびそのプログラム |
CN109658401A (zh) * | 2018-12-14 | 2019-04-19 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN109934235A (zh) * | 2019-03-20 | 2019-06-25 | 中南大学 | 一种无监督的腹部ct序列图像多器官同时自动分割方法 |
Non-Patent Citations (1)
Title |
---|
LIANG-CHIEH CHEN,外4名: "DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Con", IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, vol. Volume 40,Issue 4, JPN6022047237, 1 April 2018 (2018-04-01), pages 834 - 848, ISSN: 0004916283 * |
Also Published As
Publication number | Publication date |
---|---|
TWI755717B (zh) | 2022-02-21 |
US20220108452A1 (en) | 2022-04-07 |
CN110490878A (zh) | 2019-11-22 |
KR20210134945A (ko) | 2021-11-11 |
TW202105322A (zh) | 2021-02-01 |
WO2021017481A1 (zh) | 2021-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022529493A (ja) | 画像処理方法及び装置、電子機器並びに記憶媒体 | |
CN109598728B (zh) | 图像分割方法、装置、诊断系统及存储介质 | |
US20220180521A1 (en) | Image processing method and apparatus, and electronic device, storage medium and computer program | |
WO2019161813A1 (zh) | 动态场景的三维重建方法以及装置和系统、服务器、介质 | |
CN110956635B (zh) | 一种肺段分割方法、装置、设备及存储介质 | |
US20190102878A1 (en) | Method and apparatus for analyzing medical image | |
EP3992851A1 (en) | Image classification method, apparatus and device, storage medium, and medical electronic device | |
US20210319560A1 (en) | Image processing method and apparatus, and storage medium | |
KR20210082234A (ko) | 이미지 처리 방법 및 장치, 전자 기기 및 기억 매체 | |
CN110598714B (zh) | 一种软骨图像分割方法、装置、可读存储介质及终端设备 | |
WO2018205232A1 (zh) | 一种针对拼接结果自动精确定位参考线的方法 | |
KR20210002606A (ko) | 의료 영상 처리 방법 및 장치, 전자 기기 및 저장 매체 | |
US10002424B2 (en) | Image processing system and method to reconstruct a three-dimensional (3D) anatomical surface | |
TW201143352A (en) | Image processor, image processing method, and image processing program | |
WO2024011943A1 (zh) | 基于深度学习的膝关节髌骨置换三维术前规划方法及系统 | |
JP2021140780A (ja) | 地図作成のためのコンピュータ実施方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム | |
CN112382359B (zh) | 患者注册方法、装置、电子设备及计算机可读介质 | |
KR20200137768A (ko) | 두부경부 컴퓨터단층촬영영상에서의 안와뼈 분할 방법 및 장치 | |
Bellos et al. | Reconstruction of cochlea based on micro-CT and histological images of the human inner ear | |
US20220245933A1 (en) | Method for neural network training, method for image segmentation, electronic device and storage medium | |
CN116630513A (zh) | 人体高质量渲染方法、装置、电子设备及存储介质 | |
CN112200780B (zh) | 骨组织定位方法、装置、计算机设备和存储介质 | |
WO2023241032A1 (zh) | 基于深度学习的智能识别骨关节炎的方法及系统 | |
CN111899265A (zh) | 图像分析方法、装置、计算机设备和存储介质 | |
CN115797416A (zh) | 基于点云图像的图像重建方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211020 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211020 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221028 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221108 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230606 |