基于活体CT数据的图像分割方法、重量预测方法和设备技术

本发明专利技术提供一种基于活体CT数据的图像分割方法、重量预测方法和设备，属于计算机视觉技术领域，其中，基于活体CT数据的图像分割方法包括：获取目标品种鸡的活体计算机断层扫描CT数据；对所述活体CT数据进行预处理，得到所述活体CT数据对应的多张矢状切面图像；将所述多张矢状切面图像输入至检测分割模型，得到所述检测分割模型输出的所述活体CT数据对应的目标部位图像；其中，所述检测分割模型是基于目标品种鸡的活体CT训练数据对应的多张矢状切面训练图像，以及所述目标品种鸡的活体CT训练数据对应的目标部位图像，进行训练得到的。本发明专利技术实现了高效率、高精度的图像分割。高精度的图像分割。高精度的图像分割。

【技术实现步骤摘要】
基于活体CT数据的图像分割方法、重量预测方法和设备


[0001]本专利技术涉及计算机视觉
，尤其涉及一种基于活体CT数据的图像分割方法、重量预测方法和设备。

技术介绍

[0002]随着生活水平的提高，消费者对鸡肉的品质等级要求越来越高，加快我国肉鸡育种产业的发展变得尤为重要。肉鸡育种前，通过对肉鸡的计算机断层扫描(Computed Tomography，CT)图像进行分割，可以对肉鸡的目标部位的重量进行无创检测，图像分割的精度对重量预测的准确性影响较大。现有技术在对肉鸡的CT图像进行分割时，通常采用基于阈值的分割算法、基于区域的分割算法、边缘检测分割算法等传统的机器学习算法，图像分割的效率低，精度低。

技术实现思路

[0003]本专利技术提供一种基于活体CT数据的图像分割方法、重量预测方法和设备，用以解决现有技术中采用传统的机器学习算法对CT图像进行分割，效率低、精度低的缺陷，实现高效率、高精度的图像分割。
[0004]第一方面，本专利技术提供了一种基于活体CT数据的图像分割方法，包括：
[0005]获取目标品种鸡的活体计算机断层扫描CT数据；
[0006]对所述活体CT数据进行预处理，得到所述活体CT数据对应的多张矢状切面图像；
[0007]将所述多张矢状切面图像输入至检测分割模型，得到所述检测分割模型输出的所述活体CT数据对应的目标部位图像；
[0008]其中，所述检测分割模型是基于目标品种鸡的活体CT训练数据对应的多张矢状切面训练图像，以及所述目标品种鸡的活体CT训练数据对应的目标部位图像，进行训练得到的。
[0009]在一些实施例中，所述对所述活体CT数据进行预处理，得到所述活体CT数据对应的多张矢状切面图像，包括：
[0010]对所述活体CT数据进行格式转换，得到目标格式的活体CT图像；
[0011]从所述活体CT图像中获取矢状位上的所有切面图像；
[0012]对所述矢状位上的所有切面图像进行图像增强处理，得到所述活体CT数据对应的多张矢状切面图像。
[0013]在一些实施例中，所述检测分割模型包括并行的目标检测模型和语义分割模型，其中，所述目标检测模型和语义分割模型共用骨干部分和Neck部分，
[0014]所述骨干部分用于对输入图像进行多个尺度的特征提取；
[0015]所述Neck部分包括快速空间金字塔池化模块SPPF和特征金字塔网络，所述SPPF用于融合不同尺度大小的特征图，所述特征金字塔网络用于对SPPF输出的特征图进行语义表达增强；
[0016]所述目标检测模型还包括目标检测头部分，所述目标检测头部分用于基于Neck部分输出的特征图进行目标检测，输出含有完整目标部位的切面图像；
[0017]所述语义分割模型还包括语义分割头部分，所述语义分割头部分用于基于Neck部分输出的特征图和所述目标检测头部分的中间层输出的特征图进行像素级语义分割，输出目标部位区域图像；
[0018]所述检测分割模型还包括输出端，所述输出端用于对所述含有完整目标部位的切面图像和所述目标部位区域图像进行融合，得到目标部位图像。
[0019]在一些实施例中，所述语义分割头部分具体用于：采用基于锚点anchor的多尺度检测方案，并使用语义分割网络PSPNet结构在多尺度特征图上进行像素级语义分割，输出目标部位区域图像；
[0020]其中，所述多尺度特征图融合了不同级别和尺度的语义特征，基于所述Neck部分输出的特征图和所述目标检测头部分的中间层输出的特征图，经过金字塔池化模块PPM处理后得到。
[0021]在一些实施例中，所述骨干部分包括Focus结构和跨阶段局部网络CSP结构，所述Focus结构用于将w
‑
h平面上的信息转换到通道维度，再通过卷积层提取不同特征，并采用切片操作降低输入图像的分辨率，所述CSP结构用于将特征图拆成第一部分和第二部分，对所述第一部分进行卷积操作，将所述第二部分和第一部分卷积操作的结果进行融合。
[0022]在一些实施例中，所述目标检测头部分和语义分割头部分的损失函数在计算边界框回归时，考虑了预测框和真实GT框的长宽比。
[0023]在一些实施例中，所述检测分割模型的训练过程包括以下步骤：
[0024]构建所述检测分割模型；
[0025]获取所述目标品种鸡的活体CT训练数据；
[0026]对所述活体CT训练数据进行预处理，得到所述活体CT训练数据对应的多张矢状切面训练图像；
[0027]对所述多张矢状切面训练图像中的目标部位进行标注，得到标注后的图像；
[0028]基于所述多张矢状切面训练图像，以及所述标注后的图像，对所述检测分割模型进行训练。
[0029]第二方面，本专利技术还提供了一种基于活体CT数据的重量预测方法，包括：
[0030]采用所述基于活体CT数据的图像分割方法，得到目标部位图像；
[0031]对所述目标部位图像进行像素点统计，并结合灰度直方图分布信息，得到所述目标部位图像对应的像素点分布信息；
[0032]将所述目标部位图像对应的像素点分布信息输入至重量预测模型，得到所述目标部位图像对应的目标部位重量；
[0033]其中，所述重量预测模型是基于目标部位图像样本对应的像素点分布信息以及所述目标部位图像样本对应的真实目标部位重量训练得到的。
[0034]在一些实施例中，所述重量预测模型的训练过程包括以下步骤：
[0035]获取目标部位图像样本以及所述目标部位图像样本对应的真实目标部位重量；
[0036]对所述目标部位图像样本进行像素点统计，并结合灰度直方图分布信息，得到所述目标部位图像样本对应的像素点分布信息；
[0037]将所述目标部位图像样本对应的像素点分布信息输入至支持向量机SVM模型，得到所述目标部位图像样本对应的预测目标部位重量；
[0038]基于所述真实目标部位重量和所述预测目标部位重量，对所述SVM模型进行训练，在训练结束后，得到所述重量预测模型。
[0039]第三方面，本专利技术还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现所述基于活体CT数据的图像分割方法，或实现所述基于活体CT数据的重量预测方法。
[0040]本专利技术提供的基于活体CT数据的图像分割方法、重量预测方法和设备，通过获取目标品种鸡的活体CT数据，对活体CT数据进行预处理，得到活体CT数据对应的多张矢状切面图像，将多张矢状切面图像输入至基于深度学习的检测分割模型，得到检测分割模型输出的活体CT数据对应的目标部位图像，提高了图像分割的效率和精度。
附图说明
[0041]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于活体CT数据的图像分割方法，其特征在于，包括：获取目标品种鸡的活体计算机断层扫描CT数据；对所述活体CT数据进行预处理，得到所述活体CT数据对应的多张矢状切面图像；将所述多张矢状切面图像输入至检测分割模型，得到所述检测分割模型输出的所述活体CT数据对应的目标部位图像；其中，所述检测分割模型是基于目标品种鸡的活体CT训练数据对应的多张矢状切面训练图像，以及所述目标品种鸡的活体CT训练数据对应的目标部位图像，进行训练得到的。2.根据权利要求1所述的基于活体CT数据的图像分割方法，其特征在于，所述对所述活体CT数据进行预处理，得到所述活体CT数据对应的多张矢状切面图像，包括：对所述活体CT数据进行格式转换，得到目标格式的活体CT图像；从所述活体CT图像中获取矢状位上的所有切面图像；对所述矢状位上的所有切面图像进行图像增强处理，得到所述活体CT数据对应的多张矢状切面图像。3.根据权利要求1所述的基于活体CT数据的图像分割方法，其特征在于，所述检测分割模型包括并行的目标检测模型和语义分割模型，其中，所述目标检测模型和语义分割模型共用骨干部分和Neck部分，所述骨干部分用于对输入图像进行多个尺度的特征提取；所述Neck部分包括快速空间金字塔池化模块SPPF和特征金字塔网络，所述SPPF用于融合不同尺度大小的特征图，所述特征金字塔网络用于对SPPF输出的特征图进行语义表达增强；所述目标检测模型还包括目标检测头部分，所述目标检测头部分用于基于Neck部分输出的特征图进行目标检测，输出含有完整目标部位的切面图像；所述语义分割模型还包括语义分割头部分，所述语义分割头部分用于基于Neck部分输出的特征图和所述目标检测头部分的中间层输出的特征图进行像素级语义分割，输出目标部位区域图像；所述检测分割模型还包括输出端，所述输出端用于对所述含有完整目标部位的切面图像和所述目标部位区域图像进行融合，得到目标部位图像。4.根据权利要求3所述的基于活体CT数据的图像分割方法，其特征在于，所述语义分割头部分具体用于：采用基于锚点anchor的多尺度检测方案，并使用语义分割网络PSPNet结构在多尺度特征图上进行像素级语义分割，输出目标部位区域图像；其中，所述多尺度特征图融合了不同级别和尺度的语义特征，基于所述Neck部分输出的特征图和所述目标检测头部分的中间层输出的特征图，经过金字塔池化模块PPM处理后得到。5.根据权利要求3所述的基于活体CT数据的图像分割方法，其特征在于，所述骨干部分包括Focus结构和跨阶段局部网络CSP结构，所述Focus结构用...

【专利技术属性】
技术研发人员：孙瑞志，孙树霖，卫雷，陈泽秋，王舒帆，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：