一种目标检测方法及装置制造方法及图纸

本申请提供了一种目标检测方法及装置，该方法通过获取待处理图像，将待处理图像输入到第一卷积神经网络模型，得到第一卷积神经网络模型获得的待处理图像的类别概率，若类别概率表征待处理图像为异常切片，则将待处理图像输入到第二卷积神经网络模型，减少非异常切片对第二卷积神经网络模型的干扰，使第二卷积神经网络模型对待处理图像进行处理，提升结节区域的分割准确性，并减少第二卷积神经网络模型的工作量，提高分割效率。提高分割效率。提高分割效率。

【技术实现步骤摘要】
一种目标检测方法及装置


[0001]本申请涉及图像处理
，特别涉及一种目标检测方法及装置。

技术介绍

[0002]随着人工智能技术的发展，其越来越广泛地被应用于医学图像分析领域。其中，对于医学图像中的结节分割任务，机器学习和深度学习成为主流研究方法。
[0003]其中，可以利用深度学习技术，预测图像中每个像素点的类别，基于像素点的类别从图像中分割出结节区域。
[0004]但是，如何利用深度学习技术，对图像中的结节区域进行准确的分割成为问题。

技术实现思路

[0005]本申请提供如下技术方案：
[0006]本申请一方面提供一种目标检测方法，包括：
[0007]获取待处理图像；
[0008]将所述待处理图像输入到第一卷积神经网络模型，得到所述第一卷积神经网络模型获得的所述待处理图像的类别概率；
[0009]若所述类别概率表征所述待处理图像为异常切片，则将所述待处理图像输入到第二卷积神经网络模型的编码器，得到所述编码器对所述待处理图像进行下采样处理获得的浅层特征；
[0010]将所述待处理图像和所述浅层特征输入到所述第二卷积神经网络模型的解码器，得到所述解码器对所述待处理图像进行上采样处理获得的深层特征，及对所述浅层特征和所述深层特征进行融合处理，得到的融合特征；
[0011]将所述融合特征输入到所述第二卷积神经网络模型的输出层，得到所述输出层获得的所述待处理图像的结节区域。
[0012]可选的，所述将所述待处理图像输入到第二卷积神经网络模型的编码器，得到所述编码器对所述待处理图像进行下采样处理获得的浅层特征，包括：
[0013]将所述待处理图像输入到第二卷积神经网络模型的编码器，所述编码器对所述待处理图像的输入通道进行随机分组，得到多个第一组；
[0014]所述编码器分别对各个所述第一组中输入通道进行随机分组，得到所述第一组对应的多个第二组；
[0015]所述编码器利用残差网络模型基于所述第二组中的输入通道，提取所述待处理图像的特征，将提取的特征作为所述第二组对应的特征；
[0016]所述编码器将所述第一组对应的所述第二组对应的特征输入到注意力模型，得到所述注意力模型获得的所述第一组对应的特征；
[0017]所述编码器的连接层对各个所述第一组对应的特征进行拼接，得到所述待处理图像的浅层特征。
[0018]可选的，所述将所述待处理图像和所述浅层特征输入到所述第二卷积神经网络模型的解码器，得到所述解码器对所述待处理图像进行上采样处理获得的深层特征，及对所述浅层特征和所述深层特征进行融合处理，得到的融合特征，包括：
[0019]将所述待处理图像和所述浅层特征输入到所述第二卷积神经网络模型的解码器，所述解码器对所述待处理图像进行上采样处理，获得深层特征，并使用密集跳跃连接，对所述浅层特征和所述深层特征进行融合处理，得到融合特征。
[0020]可选的，所述第一卷积神经网络模型通过以下方式训练得到，包括：
[0021]获取第一训练图像，所述第一训练图像标注有真实类别概率，所述真实类别概率表征所述第一训练图像包含结节或不包含结节；
[0022]对所述第一训练图像进行数据增强、标签平滑和随机擦除，得到第一目标训练图像；
[0023]将所述第一目标训练图像输入到第一卷积神经网络模型，得到所述第一卷积神经网络模型对所述第一目标训练图像进行预测的类别预测概率；
[0024]判断所述第一卷积神经网络模型的损失函数值是否收敛，所述第一卷积神经网络模型的损失函数值表征所述类别预测概率和所述真实类别概率之间的差异；
[0025]若收敛，则结束训练；
[0026]若未收敛，则更新所述第一卷积神经网络模型的参数。
[0027]可选的，所述第二卷积神经网络模型通过以下方式训练得到：
[0028]获取标注有结节的真实框位置的第二训练图像；
[0029]对所述第二训练图像进行数据增强，得到第二目标训练图像；
[0030]将所述第二目标训练图像输入到第二卷积神经网络模型，得到所述第一卷积神经网络模型对所述第二目标训练图像进行预测的感兴趣区域；
[0031]判断所述第二卷积神经网络模型的损失函数值是否收敛，所述第二卷积神经网络模型的损失函数值表征所述真实框位置与所述感兴趣区域之间的差异；
[0032]若收敛，则结束训练；
[0033]若未收敛，则更新所述第二卷积神经网络模型的参数。
[0034]本申请另一方面提供一种目标检测装置，包括：
[0035]获取模块，用于获取待处理图像；
[0036]分类模块，用于将所述待处理图像输入到第一卷积神经网络模型，得到所述第一卷积神经网络模型获得的所述待处理图像的类别概率；
[0037]分割模块，用于：
[0038]若所述类别概率表征所述待处理图像为异常切片，则将所述待处理图像输入到第二卷积神经网络模型的编码器，得到所述编码器对所述待处理图像进行下采样处理获得的浅层特征；
[0039]将所述待处理图像和所述浅层特征输入到所述第二卷积神经网络模型的解码器，得到所述解码器对所述待处理图像进行上采样处理获得的深层特征，及对所述浅层特征和所述深层特征进行融合处理，得到的融合特征；
[0040]将所述融合特征输入到所述第二卷积神经网络模型的输出层，得到所述输出层获得的所述待处理图像的结节区域。
[0041]可选的，所述分割模块，具体用于：
[0042]将所述待处理图像输入到第二卷积神经网络模型的编码器，所述编码器对所述待处理图像的输入通道进行随机分组，得到多个第一组；
[0043]所述编码器分别对各个所述第一组中输入通道进行随机分组，得到所述第一组对应的多个第二组；
[0044]所述编码器利用残差网络模型基于所述第二组中的输入通道，提取所述待处理图像的特征，将提取的特征作为所述第二组对应的特征；
[0045]所述编码器将所述第一组对应的所述第二组对应的特征输入到注意力模型，得到所述注意力模型获得的所述第一组对应的特征；
[0046]所述编码器的连接层对各个所述第一组对应的特征进行拼接，得到所述待处理图像的浅层特征。
[0047]可选的，所述分割模块，具体用于：
[0048]将所述待处理图像和所述浅层特征输入到所述第二卷积神经网络模型的解码器，所述解码器对所述待处理图像进行上采样处理，获得深层特征，并使用密集跳跃连接，对所述浅层特征和所述深层特征进行融合处理，得到融合特征。
[0049]可选的，所述装置还包括：
[0050]第一训练模块，用于：
[0051]获取第一训练图像，所述第一训练图像标注有真实类别概率，所述真实类别概率表征所述第一训练图像包含结节或不包含结节；
[0052]对所述第一训练图像进行数据增强、标签平滑和随机擦除，得到第一目标训练图像；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测方法，其特征在于，包括：获取待处理图像；将所述待处理图像输入到第一卷积神经网络模型，得到所述第一卷积神经网络模型获得的所述待处理图像的类别概率；若所述类别概率表征所述待处理图像为异常切片，则将所述待处理图像输入到第二卷积神经网络模型的编码器，得到所述编码器对所述待处理图像进行下采样处理获得的浅层特征；将所述待处理图像和所述浅层特征输入到所述第二卷积神经网络模型的解码器，得到所述解码器对所述待处理图像进行上采样处理获得的深层特征，及对所述浅层特征和所述深层特征进行融合处理，得到的融合特征；将所述融合特征输入到所述第二卷积神经网络模型的输出层，得到所述输出层获得的所述待处理图像的结节区域。2.根据权利要求1所述的方法，其特征在于，所述将所述待处理图像输入到第二卷积神经网络模型的编码器，得到所述编码器对所述待处理图像进行下采样处理获得的浅层特征，包括：将所述待处理图像输入到第二卷积神经网络模型的编码器，所述编码器对所述待处理图像的输入通道进行随机分组，得到多个第一组；所述编码器分别对各个所述第一组中输入通道进行随机分组，得到所述第一组对应的多个第二组；所述编码器利用残差网络模型基于所述第二组中的输入通道，提取所述待处理图像的特征，将提取的特征作为所述第二组对应的特征；所述编码器将所述第一组对应的所述第二组对应的特征输入到注意力模型，得到所述注意力模型获得的所述第一组对应的特征；所述编码器的连接层对各个所述第一组对应的特征进行拼接，得到所述待处理图像的浅层特征。3.根据权利要求1或2所述的方法，其特征在于，所述将所述待处理图像和所述浅层特征输入到所述第二卷积神经网络模型的解码器，得到所述解码器对所述待处理图像进行上采样处理获得的深层特征，及对所述浅层特征和所述深层特征进行融合处理，得到的融合特征，包括：将所述待处理图像和所述浅层特征输入到所述第二卷积神经网络模型的解码器，所述解码器对所述待处理图像进行上采样处理，获得深层特征，并使用密集跳跃连接，对所述浅层特征和所述深层特征进行融合处理，得到融合特征。4.根据权利要求1所述的方法，其特征在于，所述第一卷积神经网络模型通过以下方式训练得到，包括：获取第一训练图像，所述第一训练图像标注有真实类别概率，所述真实类别概率表征所述第一训练图像包含结节或不包含结节；对所述第一训练图像进行数据增强、标签平滑和随机擦除，得到第一目标训练图像；将所述第一目标训练图像输入到第一卷积神经网络模型，得到所述第一卷积神经网络模型对所述第一目标训练图像进行预测的类别预测概率；
判断所述第一卷积神经网络模型的损失函数值是否收敛，所述第一卷积神经网络模型的损失函数值表征所述类别预测概率和所述真实类别概率之间的差异；若收敛，则结束训练；若未收敛，则更新所述第一卷积神经网络模型的参数。5.根据权利要求1所述的方法，其特征在于，所述第二卷积神经网络模型通过以下方式训练得到：获取标注有结节的真实框位置的第二训练图像；对所述第二训练图像进行数据增强，得到第二目标训练图像；将所述第二目标训练图像输入到第二卷积神经网络模型，得到所述第一卷积神经网络模型对所述第二目标训练图像进行预测的感兴趣区域；判断所述第二卷积神经网络模型的损失函数值是否收敛，所述第二卷积神经网络模型的损失...

【专利技术属性】
技术研发人员：韩文廷，易会特，石军，赵敏帆，朱子琦，王朝晖，安虹，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：