图像处理模型的训练方法技术

一种图像处理模型的训练方法

【技术实现步骤摘要】
图像处理模型的训练方法、图像处理方法及装置


[0001]本公开涉及人工智能领域，具体涉及一种基于可导区域增长模块的图像处理模型的训练方法
、
图像处理方法
、
装置及计算机可读介质
。

技术介绍

[0002]在临床疾病诊断和治疗中，对图像进行处理能够辅助医生更好地了解图像组织结构信息
。
近年来卷积神经网络
(CNN)
的应用使得图像处理效果得到显著提升
。
然而，常见
CNN
网络旨在鼓励对单个像素进行处理，忽略组织结构间的连通性，进而影响后续分析步骤
。
[0003]基于
CNN
网络框架，现有技术中已经提出新的网络框架来约束结构拓扑和连接性
。
例如，利用一系列图卷积代替传统卷积层，可以获取更高阶的邻域信息
。
此外，提出利用注意力网络获取聚合
CNN
特征
。
还提出将图卷积网络整合到统一的
CNN
架构中，构建新的图网络，以共同学习表征包括连通性在内的全局图像特征和局部外观
。
还提出新的基于中心线提取的连通感知相似度量
(clDice)
，通过计算处理的血管掩膜的形态学骨架与金标准掩膜的重叠度，保证血管段的连通性
。
然而，
clDice
在细小血管的处理结果并不能达到满意的效果
。
[0004]因此，有待提出一种改进的图像处理模型的训练方法，能够解决医学图像中组织结构间断连的问题，保证组织结构的连通性
。

技术实现思路

[0005]考虑到以上问题而做出了本公开
。
本公开的一个目的是提供一种基于可导区域增长模块的图像处理模型的训练方法
、
图像处理方法
、
装置及计算机可读介质
。
[0006]本公开的实施例提供了一种图像处理模型的训练方法，所述方法包括：获取训练数据集，所述训练数据集包括多个样本图像和与每一个样本图像对应的真实标签图像；以及基于所述训练数据集，对所述图像处理模型进行训练，以获得训练完成的图像处理模型，其中，所述图像处理模型由可导区域增长模块和用于执行图像处理的深度学习网络模块连接构成，所述可导区域增长模块用于执行区域增长操作，以获得样本图像的连通域特征图像，其中，对所述图像处理模型进行训练是至少基于所述连通域特征图像进行的
。
[0007]例如，根据本公开的实施例，其中，所述可导区域增长模块执行区域增长操作以获得样本图像的连通域特征图像包括：接收输入图像和种子函数，所述输入图像是所述深度学习网络模块的中间层针对所述样本图像所生成的特征图像
、
所述深度学习网络模块的输出层针对所述样本图像所生成的预测结果图像
、
以及所述样本图像的真实标签图像中的一个；基于所述输入图像对所述种子函数执行最大池化膨胀操作；将最大池化膨胀操作后的种子函数与所述输入图像执行结合操作；重复上述步骤直到达到迭代次数阈值，得到所述种子函数的区域增长结果，以作为所述样本图像的连通域特征图像
。
[0008]例如，根据本公开的实施例，其中，所述结合操作包括以下中的任意一项：将所述最大池化膨胀操作后的种子函数中的每个像素点与所述输入图像中的对应像素点进行相
乘操作；以及将所述最大池化膨胀操作后的种子函数中的每个像素点与所述输入图像中的对应像素点进行取最小值操作
。
[0009]例如，根据本公开的实施例，其中，所述可导区域增长模块连接在所述深度学习网络模块的输出层之后，其中，对所述图像处理模型进行训练包括：利用所述深度学习网络模块对样本图像进行图像处理预测，并从所述输出层输出所述预测结果图像；将所述预测结果图像作为第一输入图像输入到所述可导区域增长模块；将所述样本图像的真实标签图像作为第二输入图像输入到所述可导区域增长模块；利用所述可导区域增长模块，基于所述第一输入图像和所述种子函数执行区域增长操作，得到所述种子函数的第一区域增长结果，以作为所述样本图像的第一连通域特征图像；利用所述可导区域增长模块，基于所述第二输入图像和所述种子函数执行区域增长操作，得到所述种子函数的第二区域增长结果，以作为所述样本图像的第二连通域特征图像；以及基于所述第一连通域特征图像和所述第二连通域特征图像，计算目标损失函数值，并基于所述目标损失函数值调整所述深度学习网络模块的参数
。
[0010]例如，根据本公开的实施例，其中，所述目标损失函数为如下定义的损失函数
L
c
：
[0011][0012]L
c
＝1‑
softcoDice
ꢀꢀꢀꢀ
(2)
[0013]其中，
X
表示真实标签图像，
Y
表示预测结果图像，
S
为种子函数，
g(X,S)
为所述第一连通域特征图像，
g(Y,S)
为所述第二连通域特征图像，以及所述损失函数
L
c
对不连通域产生更重的惩罚
。
[0014]例如，根据本公开的实施例，其中，所述种子函数是基于等间距策略
、
池化反池化策略和断点池化策略中的任意一个所生成的
。
[0015]例如，根据本公开的实施例的方法，其中，基于所述等间距策略生成种子函数包括：
[0016]构建与样本图像相同维度的图像，将所述图像中预定间隔的像素点设置为种子点，并将其余像素点设置为背景像素，并将设置后的所述图像作为种子函数
。
[0017]例如，根据本公开的实施例，其中，基于所述池化反池化策略生成种子函数包括：对所述真实标签图像执行最大池化操作以获取一个或多个局部最大值；对最大池化操作后的结果图像进行反池化操作以恢复所述一个或多个局部最大值在所述真实标签图像中的实际位置，并将反池化操作后的结果图像作为种子函数
。
[0018]例如，根据本公开的实施例，其中，基于所述断点池化策略生成种子函数包括：将所述预测结果图像和所述真实标签图像相减；对相减后的图像执行所述最大池化膨胀操作；将执行所述最大池化膨胀操作后得到的图像与所述预测结果图像相乘，以得到交叉点图像；以及对所述交叉点图像执行最大池化操作以获取一个或多个局部最大值；对最大池化操作后的结果图像进行反池化操作以恢复所述一个或多个局部最大值在所述交叉点图像中的实际位置，并将反池化操作后的结果图像作为种子函数
。
[0019]例如，根据本公开的实施例，其中，所述最大池化膨胀操作包括：利用池化内核对所述种子函数执行步长为1的最大池化操作
。
[0020]例如，根据本公开的实施例的方法，其中，当所述样本图像是一维图像时，所述池
化内核的尺寸为3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种图像处理模型的训练方法，所述方法包括：获取训练数据集，所述训练数据集包括多个样本图像和与每一个样本图像对应的真实标签图像；以及基于所述训练数据集，对所述图像处理模型进行训练，以获得训练完成的图像处理模型，其中，所述图像处理模型由可导区域增长模块和用于执行图像处理的深度学习网络模块连接构成，所述可导区域增长模块用于执行区域增长操作，以获得样本图像的连通域特征图像，其中，对所述图像处理模型进行训练是至少基于所述连通域特征图像进行的
。2.
根据权利要求1所述的方法，其中，所述可导区域增长模块执行区域增长操作以获得样本图像的连通域特征图像包括：接收输入图像和种子函数，所述输入图像是所述深度学习网络模块的中间层针对所述样本图像所生成的特征图像
、
所述深度学习网络模块的输出层针对所述样本图像所生成的预测结果图像
、
以及所述样本图像的真实标签图像中的一个；基于所述输入图像对所述种子函数执行最大池化膨胀操作；将最大池化膨胀操作后的种子函数与所述输入图像执行结合操作；重复上述步骤直到达到迭代次数阈值，得到所述种子函数的区域增长结果，以作为所述样本图像的连通域特征图像
。3.
根据权利要求2所述的方法，其中，所述结合操作包括以下中的任意一项：将所述最大池化膨胀操作后的种子函数中的每个像素点与所述输入图像中的对应像素点进行相乘操作；以及将所述最大池化膨胀操作后的种子函数中的每个像素点与所述输入图像中的对应像素点进行取最小值操作
。4.
根据权利要求2‑3中任一项所述的方法，其中，所述可导区域增长模块连接在所述深度学习网络模块的输出层之后，其中，对所述图像处理模型进行训练包括：利用所述深度学习网络模块对样本图像进行图像处理，并从所述输出层输出所述预测结果图像；将所述预测结果图像作为第一输入图像输入到所述可导区域增长模块；将所述样本图像的真实标签图像作为第二输入图像输入到所述可导区域增长模块；利用所述可导区域增长模块，基于所述第一输入图像和所述种子函数执行区域增长操作，得到所述种子函数的第一区域增长结果，以作为所述样本图像的第一连通域特征图像；利用所述可导区域增长模块，基于所述第二输入图像和所述种子函数执行区域增长操作，得到所述种子函数的第二区域增长结果，以作为所述样本图像的第二连通域特征图像；以及基于所述第一连通域特征图像和所述第二连通域特征图像，计算目标损失函数值，并基于所述目标损失函数值调整所述深度学习网络模块的参数
。5.
根据权利要求4所述的方法，其中，所述目标损失函数为如下定义的损失函数
L
c
：
L
c
＝1‑
s...

【专利技术属性】
技术研发人员：王纯亮，董嘉慧，吕岩，白萱，田明，张超，赵清华，毛益进，刘伟，
申请(专利权)人：北京阅影科技有限公司，
类型：发明
国别省市：