申请/专利权人：北京建筑大学

申请日：2022-12-05

公开（公告）日：2024-04-12

公开（公告）号：CN116245892B

主分类号：G06T7/11

分类号：G06T7/11;G06V10/774;G06V10/764;G06N3/08;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2023.06.27#实质审查的生效;2023.06.09#公开

摘要：一种图像处理模型生成方法、图像处理方法及装置，获取包含同一种目标对象的多张样本图像；对多张样本图像进行预处理；获取对每张样本图像上目标对象进行分割得到的实际目标对象，以及按照指定属性对每张样本图像上目标对象进行分类得到的实际类别信息；将经过预处理的多张样本图像、每张样本图像对应的实际目标对象、实际类别信息作为训练样本集训练深度学习模型，生成图像处理模型；其中，深度学习模型采用UNet模型的结构预先构建，深度学习模型中每一个卷积块包括：一个depth‑wise卷积层和两个point‑wise卷积层。本公开实施例提升了模型表示能力，使得所训练出的图像处理模型能够提高图像分割精度，优化图像分割细节。

主权项：1.一种图像处理模型生成方法，其特征在于，包括：获取包含同一种目标对象的多张样本图像；所述包含同一种目标对象的多张样本图像包括：包含肝脏肿瘤的多张腹部平扫核磁共振成像MRI样本图像，或者，包含胰腺肿瘤的多张腹部MRI样本图，或者，包含结直肠肿瘤的多张腹部MRI样本图，或者，包含前列腺肿瘤的多张腹部MRI样本图，或者，包含胰腺肿瘤的多张腹部MRI样本图，或者，包含胰腺肿瘤的多张腹部MRI样本图或者，或者，包含同一种人体组织的多张病理切片医学扫描样本图像，或者，包含同一种动物组织的多张病理切片医学扫描样本图像，或者，包含同一种人体组织的多张苏木精—伊红染色法HE染色切片医学扫描样本图像，或者，包含同一种动物组织的多张HE染色切片医学扫描样本图像，或者，包含同一种人体组织的多张免疫组化切片的医学扫描样本图像，或者，包含同一种动物组织的多张免疫组化切片的医学扫描样本图像，或者，包含目标物体的自动驾驶场景样本图像；对所述多张样本图像进行预处理；获取对每张样本图像上所述目标对象进行分割得到的实际目标对象，以及按照指定属性对每张样本图像上所述目标对象进行分类得到的实际类别信息；将经过所述预处理的多张样本图像、所述每张样本图像对应的实际目标对象以及所述每张样本图像对应的实际类别信息作为训练样本集训练深度学习模型，生成图像处理模型；其中，所述深度学习模型采用UNet模型的结构预先构建，所述深度学习模型中每一个卷积块包括：一个从深度上提升模型表示能力的depth-wise卷积层和两个从宽度上提升模型表示能力的point-wise卷积层；所述将经过所述预处理的多张样本图像、所述每张样本图像对应的实际目标对象以及所述每张样本图像对应的实际类别信息作为训练样本集训练深度学习模型，生成图像处理模型，包括：将经过所述预处理的多张样本图像作为输入，将所述每张样本图像对应的实际目标对象以及所述每张样本图像上的实际类别信息作为输出，根据预先设定的损失函数，对所述深度学习模型进行迭代训练，并利用反向传播算法调整所述深度学习模型中的参数，直到所述损失函数的损失值收敛，得到所述图像处理模型；所述预先设定的损失函数包括：带权交叉熵损失函数和带权交并比损失函数；所述将经过所述预处理的多张样本图像作为输入，将所述每张样本图像对应的实际目标对象以及所述每张样本图像上的实际类别信息作为输出，根据预先设定的损失函数，对所述深度学习模型进行迭代训练，并利用反向传播算法调整所述深度学习模型中的参数，直到所述损失函数的损失值收敛，得到所述图像处理模型，包括：对经过所述预处理的多张样本图像划分批次，并将经过所述预处理的第一批次的样本图像作为当前批次样本图像，将初始的深度学习模型作为当前深度学习模型，执行以下迭代训练过程：将所述当前批次样本图像输入至所述当前深度学习模型，由所述当前深度学习模型对所述当前批次样本图像中每一张样本图像上所述目标对象进行分割得到预测目标对象，由所述当前深度学习模型按照所述指定属性对所述当前批次样本图像中每一张样本图像上所述目标对象进行分类得到预测类别信息；根据所述带权交叉熵损失函数和所述带权交并比损失函数计算所述当前批次样本图像中每一张样本图像对应的预测目标对象和实际目标对象之间的第一差异；并根据所述带权交叉熵损失函数计算当前批次样本图像中每一张样本图像对应的预测类别信息和实际类别信息之间的第二差异；基于所述当前批次样本图像中每一张样本图像对应的第一差异和第二差异，并利用所述反向传播算法调整所述当前深度学习模型中的参数，得到更新后的模型；将更新后的模型作为新的当前深度学习模型，并将经过所述预处理的下一批次样本图像作为新的当前批次样本图像，继续执行所述迭代训练过程，直到所述带权交叉熵损失函数和所述带权交并比损失函数收敛，并将最终得到的更新后的深度学习模型作为所述图像处理模型。

全文数据：

权利要求：

百度查询： 北京建筑大学 图像处理模型生成方法、图像处理方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD