JP7277342B2 - 幾何学的先行物を用いる曲線オブジェクトセグメンテーション - Google Patents
幾何学的先行物を用いる曲線オブジェクトセグメンテーション Download PDFInfo
- Publication number
- JP7277342B2 JP7277342B2 JP2019212351A JP2019212351A JP7277342B2 JP 7277342 B2 JP7277342 B2 JP 7277342B2 JP 2019212351 A JP2019212351 A JP 2019212351A JP 2019212351 A JP2019212351 A JP 2019212351A JP 7277342 B2 JP7277342 B2 JP 7277342B2
- Authority
- JP
- Japan
- Prior art keywords
- training
- image
- learnable
- segmentation
- curve
- 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.)
- Active
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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
-
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
Description
Claims (22)
- 曲線オブジェクトセグメンテーションのための方法であって、
曲線特徴を含む少なくとも1つの入力画像を受信することと、
プロセッサを使用して、前記少なくとも1つの画像を、パラメータΘ R を用いるパラメータを有する表現モジュールf()、及びパラメータΘ T を有するタスクモジュールF()を有するディープネットワークを使用して、前記曲線特徴のセグメンテーションマップにマッピングすることと、を含み、前記マッピングが、
グラウンドトゥルースセグメンテーションマップY g と、前記表現モジュールf()の出力を入力とする前記タスクモジュールF()の出力とのネットワーク誤差を用いた損失関数
に基づいて、曲線形状の認識と訓練誤差の減少とのバランスをとるように構成された学習可能フィルタを使用して、前記表現モジュールにおいて前記入力画像を変換することと、
前記タスクモジュールにおいて前記変換された入力画像を使用して前記セグメンテーションマップを生成することと、を含む、方法。 - 前記入力画像が、道路、血管、機械亀裂、及び皮膚のしわのうちの1つ以上を含む、請求項1に記載の方法。
- 前記マッピングが、損失関数を最小化することを含む訓練プロセスによって導出され、前記損失関数が、曲線形状の認識と訓練誤差の減少とのバランスをとるように構成されている、請求項1に記載の方法。
- 前記損失関数が、訓練誤差と曲線セグメンテーションのタスクに関する事前知識を組み込んだ幾何学的正則化項との合計を含む、請求項3に記載の方法。
- 前記学習可能フィルタのうちの少なくとも1つが、ガボールフィルタとして初期化される、請求項3に記載の方法。
- 前記ガボールフィルタが、訓練プロセス中に変化して、曲線形状の認識と訓練誤差の減少とのバランスをとるように構成されている、請求項5に記載の方法。
- 前記少なくとも1つの学習可能フィルタが、少なくとも1つの学習可能なパラメータを有する、請求項3に記載の方法。
- 前記少なくとも1つの学習可能パラメータが、搬送周波数、偏心、向き、及びスケールのうちの1つ以上を含む、請求項7に記載の方法。
- 少なくとも1つの訓練幾何学的パターン画像を用いて前記学習可能フィルタを訓練することを更に含む、請求項3に記載の方法。
- 前記少なくとも1つの訓練幾何学的パターン画像が、第1の訓練幾何学的パターン画像及び第2の訓練幾何学的パターン画像のうちの少なくとも1つを含み、前記第1の訓練幾何学的パターン画像が第1の向きのパターンを有し、前記第2の訓練幾何学的パターン画像が第2の向きのパターンを有し、前記第1の向きが前記第2の向きとは異なる、請求項9に記載の方法。
- 前記第1の向きが、前記第2の向きに直交する、請求項10に記載の方法。
- 前記少なくとも1つの学習可能フィルタが、前記第1の訓練幾何学的パターン画像に対する高応答と、前記第2の訓練幾何学的パターン画像に対する低応答とを生成するように構成されている、請求項10に記載の方法。
- 前記学習可能フィルタが、複数の空間スケールで導出される、請求項3に記載の方法。
- 前記タスクモジュールが、U-Netディープニューラルネットワークである、請求項1に記載の方法。
- 曲線オブジェクトセグメンテーションのためのシステムであって、
プロセッサと、
コンピュータプログラム命令を記憶するメモリと、を含み、前記コンピュータプログラム命令が、前記プロセッサによって実行されると、前記プロセッサに、
曲線特徴を含む少なくとも1つの入力画像を受信することと、
パラメータΘ R を用いるパラメータを有する表現モジュールf()、及びパラメータΘ T を有するタスクモジュールF()を有するディープネットワークを使用して、前記曲線特徴のセグメンテーションマップを生成するために、プロセッサを使用して前記少なくとも1つの画像をマッピングすることと、を含む動作を行わせ、前記マッピングが、
グラウンドトゥルースセグメンテーションマップY g と、前記表現モジュールf()の出力を入力とする前記タスクモジュールF()の出力とのネットワーク誤差を用いた損失関数
に基づいて、曲線形状の認識と訓練誤差の減少とのバランスをとるように構成された学習可能フィルタを使用して、前記表現モジュールにおいて前記入力画像を変換することと、
前記タスクモジュールにおいて前記変換された入力画像を使用して前記セグメンテーションマップを生成することと、を含む、システム。 - 訓練画像の第1のセット及び訓練画像の第2のセットを用いて前記学習可能フィルタを訓練することを更に含み、前記訓練画像の第1のセットが、第1の向きのパターンを有し、前記訓練画像の第2のセットが、第2の向きのパターンを有し、前記第1の向きが、前記第2の向きとは異なる、請求項15に記載のシステム。
- 前記少なくとも1つの学習可能フィルタが、前記訓練画像の第1のセットに対する高応答と、前記訓練画像の第2のセットに対する低応答とを生成するように構成されている、請求項16に記載の方法。
- 前記プロセッサが、損失関数を最小化するように構成され、前記損失関数が、曲線形状の認識と訓練誤差の減少とのバランスをとるように構成されている、請求項15に記載のシステム。
- 前記損失関数が、訓練誤差と曲線セグメンテーションのタスクに関する事前知識を組み込んだ幾何学的正則化項との合計を含む、請求項18に記載のシステム。
- 前記学習可能フィルタのうちの少なくとも1つが、ガボールフィルタとして初期化される、請求項18に記載の方法。
- 前記少なくとも1つの学習可能フィルタが、少なくとも1つの学習可能なパラメータを有する、請求項18に記載の方法。
- 曲線オブジェクトセグメンテーションのためのコンピュータプログラム命令を記憶する非一時的コンピュータ可読媒体であって、前記コンピュータプログラム命令が、プロセッサによって実行されると、前記プロセッサに、
曲線特徴を含む少なくとも1つの入力画像を受信することと、
パラメータΘ R を用いるパラメータを有する表現モジュールf()、及びパラメータΘ T を有するタスクモジュールF()を有するディープネットワークを使用して、前記曲線特徴のセグメンテーションマップを生成するために、プロセッサを使用して前記少なくとも1つの画像をマッピングすることと、を含む動作を行わせ、前記マッピングが、
グラウンドトゥルースセグメンテーションマップY g と、前記表現モジュールf()の出力を入力とする前記タスクモジュールF()の出力とのネットワーク誤差を用いた損失関数
に基づいて、曲線形状の認識と訓練誤差の減少とのバランスをとるように構成された学習可能フィルタを使用して、前記表現モジュールにおいて前記入力画像を変換することと、
前記タスクモジュールにおいて前記変換された入力画像を使用して前記セグメンテーションマップを生成することと、を含む、非一時的コンピュータ可読媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/223,519 US10832413B2 (en) | 2018-12-18 | 2018-12-18 | Curvilinear object segmentation with geometric priors |
US16/223,519 | 2018-12-18 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020098589A JP2020098589A (ja) | 2020-06-25 |
JP7277342B2 true JP7277342B2 (ja) | 2023-05-18 |
Family
ID=68917734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019212351A Active JP7277342B2 (ja) | 2018-12-18 | 2019-11-25 | 幾何学的先行物を用いる曲線オブジェクトセグメンテーション |
Country Status (3)
Country | Link |
---|---|
US (1) | US10832413B2 (ja) |
EP (1) | EP3671634B1 (ja) |
JP (1) | JP7277342B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257622B (zh) * | 2020-10-28 | 2022-08-16 | 汕头大学 | 基于遗传算法和u型神经网络的道路裂缝分割的方法 |
CN112508827B (zh) * | 2020-11-06 | 2022-04-22 | 中南大学湘雅医院 | 一种基于深度学习的融合多场景的危及器官的分割方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8861844B2 (en) * | 2010-03-29 | 2014-10-14 | Ebay Inc. | Pre-computing digests for image similarity searching of image-based listings in a network-based publication system |
US8737728B2 (en) * | 2011-09-30 | 2014-05-27 | Ebay Inc. | Complementary item recommendations using image feature data |
US9454713B2 (en) * | 2014-12-30 | 2016-09-27 | Ebay Inc. | Similar item detection |
US10762425B2 (en) * | 2017-09-26 | 2020-09-01 | Nvidia Corporation | Learning affinity via a spatial propagation neural network |
CN109345538B (zh) * | 2018-08-30 | 2021-08-10 | 华南理工大学 | 一种基于卷积神经网络的视网膜血管分割方法 |
US10782136B2 (en) * | 2018-09-28 | 2020-09-22 | Zoox, Inc. | Modifying map elements associated with map data |
CN109816661B (zh) * | 2019-03-22 | 2022-07-01 | 电子科技大学 | 一种基于深度学习的牙齿ct图像分割方法 |
-
2018
- 2018-12-18 US US16/223,519 patent/US10832413B2/en active Active
-
2019
- 2019-11-25 JP JP2019212351A patent/JP7277342B2/ja active Active
- 2019-12-16 EP EP19216742.7A patent/EP3671634B1/en active Active
Non-Patent Citations (1)
Title |
---|
Nicola Strisciuglio et al.,Supervised vessel delineation in retinal fundus images with the automatic selection of B-COSFIRE filters,Machine Vision and Applications,Vol.27, no.8,米国,Springer,2016年06月24日,p.1137-p.1149,https://link.springer.com/article/10.1007/s00138-016-0781-7 |
Also Published As
Publication number | Publication date |
---|---|
US10832413B2 (en) | 2020-11-10 |
JP2020098589A (ja) | 2020-06-25 |
EP3671634A1 (en) | 2020-06-24 |
EP3671634B1 (en) | 2022-02-09 |
US20200193605A1 (en) | 2020-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598881B (zh) | 基于变分自编码器的图像异常检测方法 | |
Hermosilla et al. | Total denoising: Unsupervised learning of 3D point cloud cleaning | |
Elangovan et al. | Glaucoma assessment from color fundus images using convolutional neural network | |
JP7277341B2 (ja) | ノイズ先行物を用いる曲線オブジェクトセグメンテーション | |
CN110097130A (zh) | 分类任务模型的训练方法、装置、设备及存储介质 | |
Shaw et al. | MRI k-space motion artefact augmentation: model robustness and task-specific uncertainty | |
CN106462963B (zh) | 用于自适应放射治疗中自动勾画轮廓的系统和方法 | |
KR20210048523A (ko) | 이미지 처리 방법, 장치, 전자 기기 및 컴퓨터 판독 가능 기억 매체 | |
CN110222700A (zh) | 基于多尺度特征与宽度学习的sar图像识别方法及装置 | |
JP7277342B2 (ja) | 幾何学的先行物を用いる曲線オブジェクトセグメンテーション | |
CN109064478B (zh) | 一种基于极限学习机的天文图像轮廓提取方法 | |
CN111626379B (zh) | 肺炎x光图像检测方法 | |
CN111680755A (zh) | 医学图像识别模型构建及医学图像识别方法、装置、介质及终端 | |
CN107862680A (zh) | 一种基于相关滤波器的目标跟踪优化方法 | |
CN113298742A (zh) | 基于图像配准的多模态视网膜图像融合方法及系统 | |
CN110634119B (zh) | 分割磁敏感加权图像中静脉血管的方法、装置和计算设备 | |
Zhang et al. | Retinal vessel segmentation using Gabor filter and textons | |
CN110909819A (zh) | 基于时域的电磁信息泄漏检测方法、终端设备及存储介质 | |
CN113361494B (zh) | 基于人脸识别的自助服务方法及自助服务系统 | |
CN115424093A (zh) | 一种识别眼底图像中细胞的方法及装置 | |
CN110570417B (zh) | 肺结节分类装置及图像处理设备 | |
Domingos et al. | Local phase-based fast ray features for automatic left ventricle apical view detection in 3D echocardiography | |
CN115578753B (zh) | 人体关键点检测方法、装置、电子设备及存储介质 | |
CN116109841B (zh) | 一种基于动态语义向量的零样本目标检测方法及装置 | |
CN110503015B (zh) | 一种基于局部结构保持类子字典学习的目标识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20191129 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20191129 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221125 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20221125 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221226 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230327 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230406 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230508 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7277342 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |