[發明專利]一種圖像處理方法和系統

有效

• 申請號: 201711288530.0
• 申請日: 2017-12-07
• 公開（公告）號: CN107832807B
• 公開（公告）日: 2020-08-07
• 發明（設計）人: 呂傳峰
• 申請（專利權）人: 上海聯影醫療科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06T1/20
• 代理公司: 成都七星天知識產權代理有限公司 51253
• 代理人: 楊永梅

本發明公開了一種圖像處理方法和系統，可以訓練深度學習模型，所述訓練深度學習模型包括：獲取初始深度學習模型；獲取樣本圖像；將所述樣本圖像劃分成若干子圖像，所述若干子圖像包括第一子圖像和第二子圖像，并且所述若干子圖像中的任意兩個相鄰的子圖像具有部分重疊的區域；以及基于所述若干子圖像，訓練所述初始深度學習模型，以得到經過訓練的深度學習模型。所述圖像處理方法還包括獲取輸入圖像，以及基于所述經過訓練的深度學習模型處理所述輸入圖像，以產生處理結果。采用該圖像處理方法，可以降低單次訓練時占用的GPU顯存空間，提高GPU的工作性能；也能保證所有圖像信息都能用于訓練，避免信息丟失，提高了訓練的準確性。

技術領域

本申請涉及圖像信息技術領域，尤其是涉及一種圖像處理方法和系統。

背景技術

隨著深度學習算法的發展，醫學影像領域也逐漸開始采用深度學習算法處理圖像。由于醫學影像與傳統的自然圖像和互聯網圖像不同，幾乎都是3D或4D的，數據量較大，因此在訓練過程中需要使用非常大量的GPU內存資源。而目前主流的GPU一般只有8-16G顯存空間，這就使得深度學習訓練所用的樣本圖像大小受到了極大的限制，無法一次性訓練較大尺寸的醫學影像。此外，深度學習算法多采用卷積神經網絡，由于卷積運算本身的特性，卷積神經網絡在圖像訓練過程中容易丟失圖像邊界區域的信息，這意味著部分圖像信息無法被用于訓練，從而降低了訓練的準確性。

發明內容

針對上述無法一次性訓練較大尺寸醫學影像的問題，本發明的目的在于提供一種圖像處理方法和系統，該方法可以將樣本圖像劃分成邊界區域部分重合的若干個子圖像，并將這些子圖像分別推進網絡進行訓練，既降低了單次訓練時占用的GPU顯存空間，提高GPU的工作性能，也保證了圖像邊界信息不丟失，使得所有圖像信息都能用于訓練，提高了訓練的準確性。

為達到上述發明的目的，本發明提供的技術方案如下：

一方面，本發明實施例提供了一種圖像處理方法，所述方法包括：訓練深度學習模型，獲取輸入圖像；以及基于所述經過訓練的深度學習模型處理所述輸入圖像，以產生處理結果。所述訓練深度學習模型包括：獲取初始深度學習模型；獲取樣本圖像；將所述樣本圖像劃分成若干子圖像，所述若干子圖像包括第一子圖像和第二子圖像，并且所述若干子圖像中的任意兩個相鄰的子圖像具有部分重疊的區域；以及基于所述若干子圖像，訓練所述初始深度學習模型，以得到經過訓練的深度學習模型；

在本發明中，所述若干子圖像還包括第三子圖像，所述第一子圖像和所述第二子圖像的重疊區域為所述樣本圖像的第一區域，所述第一子圖像和所述第三子圖像的重疊區域為所述樣本圖像的第二區域。

在本發明中，所述樣本圖像的所述第一區域與所述樣本圖像的所述第二區域具有相同的寬度。

在本發明中，所述訓練所述初始深度學習模型包括通過圖形處理器GPU訓練所述初始深度學習模型。

在本發明中，將所述樣本圖像劃分成若干子圖像包括：確定所述重疊區域的寬度；基于所述樣本圖像的尺寸和所述圖形處理器GPU的可用顯存空間，確定所述若干子圖像的個數和/或所述若干子圖像中每個子圖像的尺寸；以及基于所述重疊區域的寬度，以及所述若干子圖像中每個子圖像的尺寸和/或所述若干子圖像的個數，對所述樣本圖像進行劃分，生成所述若干子圖像。