使用一个或更多个神经网络的体积图像分割制造技术

用于预测图像中对象的注释的装置、系统和技术。在至少一个实施例中，一个或更多个神经网络用于帮助在一个或更多个数字图像内生成一个或更多个对象的一个或更多个分割边界，其中所述一个或更多个神经网络用于所述一个或更多个对象的一个或更多个部分的一个或更多个表示转换为所述一个或更多个对象的所述一个或更多个部分的一个或更多个低维表示。个或更多个部分的一个或更多个低维表示。个或更多个部分的一个或更多个低维表示。

【技术实现步骤摘要】
【国外来华专利技术】使用一个或更多个神经网络的体积图像分割
[0001]相关申请的交叉引用
[0002]本申请要求于2021年6月13日提交的标题为“使用一个或更多个神经网络的体积图像注释(VOLUMETRIC IMAGE ANNOTATION USING ONE OR MORE NEURAL NETWORKS)”的美国专利申请17/374,525的权益，通过引用以其全文并且出于所有目的并入本文。


[0003]至少一个实施例涉及用于执行和促进人工智能的处理资源。例如，至少一个实施例涉及用于根据本文描述的各种新颖技术来训练神经网络的处理器或计算系统。

技术介绍

[0004]计算机技术的进步已经导致对象识别和分析能力的提高。为了进行这种分析，机器学习已被用作检测图像数据中对象的工具。对于体积数据，利用二维卷积的网络会丢失三维输入数据的一些空间上下文。然而，三维卷积非常耗费资源，这会限制网络的深度和待分析输入体积的大小。
附图说明
[0005]将参考附图描述根据本公开的各个实施例，其中：
[0006]图1A、1B和1C示出了根据至少一个实施例的可以使用一个或更多个神经网络处理的图像；
[0007]图2示出了根据至少一个实施例的用于图像分割的编码器
‑
解码器网络的使用；
[0008]图3示出了根据至少一个实施例的组件真值(ground truth)和预测分割；
[0009]图4示出了根据至少一个实施例的编码器/解码器网络的架构；
[0010]图5A和5B示出了根据至少一个实施例的用于识别图像中对象边界的过程；
[0011]图6A示出了根据至少一个实施例的推理和/或训练逻辑；
[0012]图6B示出了根据至少一个实施例的推理和/或训练逻辑；
[0013]图7示出了根据至少一个实施例的示例数据中心系统；
[0014]图8示出了根据至少一个实施例的计算机系统；
[0015]图9示出了根据至少一个实施例的计算机系统；
[0016]图10示出了根据至少一个实施例的计算机系统；
[0017]图11示出了根据至少一个实施例的计算机系统；
[0018]图12A示出了根据至少一个实施例的计算机系统；
[0019]图12B示出了根据至少一个实施例的计算机系统；
[0020]图12C示出了根据至少一个实施例的计算机系统；
[0021]图12D示出了根据至少一个实施例的计算机系统；
[0022]图12E和图12F示出了根据至少一个实施例的共享编程模型；
[0023]图13示出了根据至少一个实施例的示例性集成电路和相关联的图形处理器；
[0024]图14A
‑
14B示出了根据至少一个实施例的示例性集成电路和相关联的图形处理器；
[0025]图15A
‑
15B示出了根据至少一个实施例的附加的示例性图形处理器逻辑；
[0026]图16示出了根据至少一个实施例的计算机系统；
[0027]图17A示出了根据至少一个实施例的并行处理器；
[0028]图17B示出了根据至少一个实施例的分区单元；
[0029]图17C示出了根据至少一个实施例的处理集群；
[0030]图17D示出了根据至少一个实施例的图形多处理器；
[0031]图18示出了根据至少一个实施例的多图形处理单元(GPU)系统；
[0032]图19示出了根据至少一个实施例的图形处理器；
[0033]图20示出了根据至少一个实施例的处理器的微架构；
[0034]图21示出了根据至少一个实施例的深度学习应用处理器；
[0035]图22示出了根据至少一个实施例的示例神经形态处理器；
[0036]图23和图24示出了根据至少一个实施例的图形处理器的至少部分；
[0037]图25示出了根据至少一个实施例的图形处理器核心的至少部分；
[0038]图26A
‑
26B示出了根据至少一个实施例的图形处理器核心的至少部分；
[0039]图27示出了根据至少一个实施例的并行处理单元(“PPU”)；
[0040]图28示出了根据至少一个实施例的通用处理集群(“GPC”)；
[0041]图29示出了根据至少一个实施例的并行处理单元(“PPU”)的存储器分区单元；
[0042]图30示出了根据至少一个实施例的流式多处理器；
[0043]图31是根据至少一个实施例的用于高级计算管线的示例数据流程图；
[0044]图32是根据至少一个实施例的用于在高级计算管线中训练、适配、实例化和部署机器学习模型的示例系统的系统图；
[0045]图33包括根据至少一个实施例的用于处理成像数据的高级计算管线3210A的示例图示；
[0046]图34A包括根据至少一个实施例的支持超声设备的虚拟仪器的示例数据流程图；
[0047]图34B包括根据至少一个实施例的支持CT扫描仪的虚拟仪器的示例数据流程图；
[0048]图35A示出了根据至少一个实施例的用于训练机器学习模型的过程的数据流程图；以及
[0049]图35B是根据至少一个实施例的用于利用预训练的注释模型来增强注释工具的客户端
‑
服务器架构的示例图示。
具体实施方式
[0050]在至少一个实施例中，可以分析图1A中所示的图像100。在至少一个实施例中，图像100包括人类患者的躯干102的横截面视图中的内部器官表示，如可以包括在磁共振成像(MRI)或计算机断层扫描(CT)数据的图像中。在至少一个实施例中，尽管示出了二维表示，但是可以利用三维图像数据。在至少一个实施例中，图像100包括感兴趣对象104的表示，在这种情况下是要分析的人类肝脏。在至少一个实施例中，为了分析肝脏，诸如测量尺寸、形状或其他此类方面，确定与肝脏相对应的输入图像数据的一部分。在至少一个实施例中，可
以执行图像分割，该图像分割将识别输入图像数据中与感兴趣对象(在本例中为人类肝脏)相对应的部分142，如图1B的图像视图140所示。在至少一个实施例中，输入体积数据的分割可以产生原始或目标分辨率的三维(3D)表示180，如图1C所示。在至少一个实施例中，此类对象表示可用于各种类型的分析，诸如测量该器官中的大小、形状或不规则性。
[0051]在至少一个实施例中，此类分割可以在医学图像分析中发挥重要作用，这有利于临床研究、疾病诊断和手术规划。在至少一个实施例中，可以使用自动或半自动分割方法来识别和解析器官、骨骼、肿瘤和其他感兴趣区域(ROI)。在至少一个实施例中，这可以包括识别和解析被识别为2D、3D或4D医学图像的解剖对象(例如器官、骨骼或肿瘤)。在至少一个实施例中，分割过程可以准确地预测图像中ROI的边界区域。在至少一个实施例中，在训练和优化机器学习模型时，利用损失函数来实施各种约束。在至少一本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种处理器，包括：一个或更多个电路，用于使用一个或更多个神经网络来帮助生成一个或更多个数字图像内的一个或更多个对象的一个或更多个分割边界，其中所述一个或更多个神经网络用于将所述一个或更多个对象的一个或更多个部分的一个或更多个三维表示转换为所述一个或更多个对象的所述一个或更多个部分的一个或更多个低维表示。2.根据权利要求1所述的处理器，其中一个或更多个神经网络包括一个或更多个编码器
‑
解码器神经网络。3.根据权利要求2所述的处理器，其中所述一个或更多个编码器
‑
解码器神经网络的编码器包括多个转换器层，用于对所述一个或更多个三维表示进行编码。4.根据权利要求3所述的处理器，其中所述编码器将所述表示的特征序列编码到潜在空间中。5.根据权利要求4所述的处理器，其中所述一个或更多个编码器
‑
解码器神经网络的解码器通过一组跳跃连接以多种分辨率接收所述表示的所述编码特征。6.根据权利要求1所述的处理器，其中所述一个或更多个分割边界是使用所述一个或更多个神经网络的一个或更多个序列到序列预测而生成的。7.一种系统，包括：一个或更多个处理器，用于使用一个或更多个神经网络生成一个或更多个数字图像内的一个或更多个对象的一个或更多个分割边界，其中所述一个或更多个神经网络用于转换所述一个或更多个对象的一个或更多个部分的一个或更多个表示。8.根据权利要求7所述的系统，其中一个或更多个神经网络包括一个或更多个编码器
‑
解码器神经网络。9.根据权利要求8所述的系统，其中所述一个或更多个编码器
‑
解码器神经网络的编码器包括多个转换器层，用于对所述一个或更多个表示进行编码。10.根据权利要求9所述的系统，其中所述编码器将所述表示的特征序列编码到潜在空间中。11.根据权利要求10所述的系统，其中所述编码器
‑
解码器神经网络的解码器通过一组跳跃连接以多种分辨率接收所述表示的所述编码特征。12.根据权利要求7所述的系统，其中所述一个或更多个分割边界是使用所述一个或更多个神经网络的一个或更多个序列到序列预测而生成的。13.一种方法，包括：使用一个或更多个神经网络生成一个或更多个数字图像内的一个或更多个对象的一个或更多个分割边界，其中所述一个或更多个神经网络用于转换所述一个或更多个对象的一个或更多个部分的一个或更多个表示。14.根据权利要求13所述的方法，其中一个或更多个神经网络包括一个或更多个编码器
‑
解码器神经网络。15.根据权利要求14所述的方法，其中所述一个或更多个编码器
‑
解码器神经网络的编码器包括多个转换器层，用于对所述一个或更多个表示进行转换。16.根据权利要求15...

【专利技术属性】
技术研发人员：A，
申请(专利权)人：辉达公司，
类型：发明
国别省市：