[發(fā)明專利]一種圖像處理的方法、裝置和存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110095599.1
• 申請(qǐng)日: 2021-01-25
• 公開（公告）號(hào): CN112785575B
• 公開（公告）日: 2022-11-18
• 發(fā)明（設(shè)計(jì)）人: 黃高;杜超群;宋士吉
• 申請(qǐng)（專利權(quán)）人: 清華大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/11;G06N3/08
• 代理公司: 北京德琦知識(shí)產(chǎn)權(quán)代理有限公司 11018
• 代理人: 吳點(diǎn);鄭紅娟

本申請(qǐng)公開了一種圖像處理的方法、裝置和存儲(chǔ)介質(zhì)，具體為首先獲取待訓(xùn)練圖像樣本和待訓(xùn)練圖像樣本對(duì)應(yīng)的標(biāo)簽分割圖像，將待訓(xùn)練圖像樣本輸入待訓(xùn)練的圖像分割模型，在通過圖像分割模型對(duì)待訓(xùn)練圖像樣本進(jìn)行提取時(shí)圖像分割模型中最末輸出層的第一圖像特征和倒數(shù)第二輸出層的第二圖像特征，輸出對(duì)應(yīng)的分割圖像樣本，基于標(biāo)簽分割圖像和分割圖像樣本，計(jì)算模型損失函數(shù)，并對(duì)模型參數(shù)進(jìn)行優(yōu)化，生成優(yōu)化后的圖像分割模型，將獲取的待處理圖像輸入優(yōu)化后的圖像分割模型，生成待處理圖像對(duì)應(yīng)的分割圖像。本申請(qǐng)實(shí)施例通過引入多層解碼輸出特征，進(jìn)一步地提高隱層特征的質(zhì)量，增加分割精度，有效地降低了分割誤差，提升了模型的識(shí)別效率和識(shí)別準(zhǔn)確率。

技術(shù)領(lǐng)域

本申請(qǐng)涉及計(jì)算機(jī)技術(shù)領(lǐng)域，尤其涉及一種圖像處理的方法、裝置和存儲(chǔ)介質(zhì)。

背景技術(shù)

醫(yī)學(xué)影像診斷是指通過某種物理介質(zhì)的非侵入作用，如電磁波、超聲波等，獲取人體內(nèi)部影像數(shù)據(jù)，如CT方法為獲取人體內(nèi)部密度數(shù)據(jù)，從而對(duì)人體健康狀況進(jìn)行評(píng)價(jià)。醫(yī)生一般在臨床實(shí)踐上結(jié)合醫(yī)學(xué)影像和常規(guī)疾病檢查方法做出最終醫(yī)學(xué)診斷。對(duì)于現(xiàn)代醫(yī)學(xué)而言，醫(yī)學(xué)影像診斷手段已成為臨床診斷中必不可少的一環(huán)，因此解讀醫(yī)學(xué)影像數(shù)據(jù)成為了醫(yī)生的一項(xiàng)重要且關(guān)鍵的工作。

但醫(yī)學(xué)影像診斷對(duì)分割精度和穩(wěn)定性的要求較高，所以目前解讀醫(yī)學(xué)影像數(shù)據(jù)的工作依然依靠經(jīng)驗(yàn)豐富的影像醫(yī)生進(jìn)行解讀這種診斷方式的診斷結(jié)果易受醫(yī)生個(gè)人經(jīng)驗(yàn)及能力限制，在處理較大規(guī)模的數(shù)據(jù)時(shí)受疲勞影響準(zhǔn)確率難以保證，而且醫(yī)學(xué)影像數(shù)據(jù)結(jié)構(gòu)復(fù)雜，導(dǎo)致了人工診斷的誤診率非常之高。

發(fā)明內(nèi)容

本申請(qǐng)實(shí)施例提供了一種圖像處理的方法，克服了圖像分割精確度較低的問題。

該方法包括：

獲取至少一個(gè)待訓(xùn)練圖像樣本和所述待訓(xùn)練圖像樣本對(duì)應(yīng)的標(biāo)簽分割圖像；

將所述待訓(xùn)練圖像樣本輸入待訓(xùn)練的圖像分割模型，在通過所述圖像分割模型對(duì)所述待訓(xùn)練圖像樣本進(jìn)行提取時(shí)所述圖像分割模型中最末輸出層的第一圖像特征和倒數(shù)第二輸出層的第二圖像特征，并基于所述第一圖像特征和所述第二圖像特征分別輸出對(duì)應(yīng)的分割圖像樣本；

基于所述標(biāo)簽分割圖像和所述分割圖像樣本，計(jì)算所述圖像分割模型的模型損失函數(shù)，并利用所述模型損失函數(shù)對(duì)所述圖像分割模型中的模型參數(shù)進(jìn)行優(yōu)化，生成優(yōu)化后的所述圖像分割模型；

將獲取的待處理圖像輸入優(yōu)化后的所述圖像分割模型，生成所述待處理圖像對(duì)應(yīng)的分割圖像。

可選地，利用卷積核為第一數(shù)值的卷積操作分別將所述第一圖像特征和所述第二圖像特征的通道維度調(diào)整至預(yù)設(shè)通道維度數(shù)值。

可選地，對(duì)所述標(biāo)簽分割圖像進(jìn)行最大池化操作，將所述標(biāo)簽分割圖像的包含所述通道維度的圖像尺度調(diào)整至包含所述預(yù)設(shè)通道維度數(shù)值的預(yù)設(shè)圖像尺度。

可選地，計(jì)算經(jīng)過所述最大池化操作后的至少一個(gè)所述標(biāo)簽分割圖像和對(duì)應(yīng)的所述分割圖像樣本之間的交叉熵?fù)p失，并將獲取的預(yù)設(shè)數(shù)量個(gè)所述交叉熵?fù)p失的和的平均值作為所述圖像分割模型的所述模型損失函數(shù)。

可選地，初始化所述圖像分割模型中的所述模型參數(shù)和訓(xùn)練代數(shù)；

對(duì)所述模型損失函數(shù)進(jìn)行反向求導(dǎo)，基于反向求導(dǎo)后的與所述模型損失函數(shù)對(duì)應(yīng)的梯度更新所述模型參數(shù)，并累計(jì)更新次數(shù)到所述訓(xùn)練代數(shù)；

重復(fù)執(zhí)行所述獲取至少一個(gè)待訓(xùn)練圖像樣本和所述待訓(xùn)練圖像樣本對(duì)應(yīng)的標(biāo)簽分割圖像的步驟至所述基于反向求導(dǎo)后的與所述模型損失函數(shù)對(duì)應(yīng)的梯度更新所述模型參數(shù)的步驟，直至當(dāng)前所述訓(xùn)練代數(shù)大于總訓(xùn)練代數(shù)，停止優(yōu)化并保存當(dāng)前優(yōu)化后的所述圖像分割模型。

在本發(fā)明的另一個(gè)實(shí)施例中，提供了一種圖像處理的裝置，該裝置包括：

獲取模塊，用于獲取至少一個(gè)待訓(xùn)練圖像樣本和所述待訓(xùn)練圖像樣本對(duì)應(yīng)的標(biāo)簽分割圖像；