[发明专利]一种对图像进行目标标注的方法、装置及计算机记录介质

说明书

本公开提供了一种对图像进行目标标注的方法、装置及计算机记录介质，该方法包括：获取训练好的对图像进行与目标相关的分类的第一神经网络，第一神经网络包括多层卷积神经网络和全连接层，每层卷积神经网络依序包括卷积层、激活函数层和下采样层；由处理器利用所获取的第一神经网络的多层卷积神经网络对图像进行处理；由处理器对第一神经网络的至少一层的激活函数层的输出进行大值空间位置采样；由处理器基于大值空间位置采样的结果将相应层的下采样层的输出映射到图像的坐标空间得到映射矩阵；由处理器基于映射矩阵获得目标位置蒙版；由处理器基于目标位置蒙版标注目标。该方法的训练样本更容易获得，训练更容易。

技术领域

本公开涉及图像处理领域，尤其涉及一种对图像进行目标标注的方法、装置及计算机记录介质。

背景技术

医学图像的病灶位置需要由有经验的医生来确定，而基于传统特征检测或模式识别的算法确定病灶位置的准确率较低。目前，虽然可以通过机器学习或深度学习的方式，能获得准确率较高的对病灶位置进行自动标注的算法，但这些算法需要借助已标注好病灶位置的图像进行训练，而带有病灶位置信息的图像在现实中很难获取到。

发明内容

针对现有技术中存在的上述技术问题，本公开提供了一种对图像进行目标标注的方法、装置及计算机记录介质，通过对训练好的对图像进行与目标分类的第一神经网络的至少一层的激活函数层的输出进行大值空间位置采样，基于大值空间位置采样的结果将相应层的下采样层的输出映射到图像中，从而得到目标位置蒙版。该方法利用训练好的分类神经网络完成了分割神经网络的功能，前者的训练样本更容易获得，训练更容易。

根据本公开的第一方案，提供了一种对图像进行目标标注的方法，所述方法包括：获取训练好的对图像进行与目标相关的分类的第一神经网络，所述第一神经网络包括多层卷积神经网络和全连接层，每层卷积神经网络依序包括卷积层、激活函数层和下采样层；由处理器，利用所获取的第一神经网络的所述多层卷积神经网络对所述图像进行处理；由处理器，对所述第一神经网络的至少一层的激活函数层的输出进行大值空间位置采样；由所述处理器，基于大值空间位置采样的结果将相应层的下采样层的输出映射到所述图像的坐标空间，以得到映射矩阵；由所述处理器，基于所述映射矩阵获得目标位置蒙版；由所述处理器，基于所述目标位置蒙版在所述图像中标注所述目标。

在一些实施例中，所述相应层的下采样层的输出经由至少一层反卷积神经网络映射到所述图像的坐标空间，各层反卷积神经网络依序包括上采样层、激活函数层和反卷积层。

在一些实施例中，所述大值空间位置采样针对所述第一神经网络的各层的激活函数层的输出进行，所述反卷积神经网络与所述卷积神经网络对应地设置，基于所述大值空间位置采样的结果将相应层的下采样层的输出映射到所述图像的坐标空间包括：将最后一层的下采样层的输出经由所述反卷积神经网络映射到所述图像的坐标空间，所述卷积神经网络的各层的大值空间位置采样的结果用于引导所述反卷积神经网络的相应各层的上采样。

在一些实施例中，各层反卷积神经网络的反卷积层的输出作为下一层反卷积神经网络的上采样层的输入。

在一些实施例中，对至少一层的激活函数层的输出进行大值空间位置采样，包括：将所述至少一层的激活函数层的输出与第一预设阈值进行比较；对比较结果进行二值化处理；记录二值化处理结果中的大值元素的空间位置信息。

在一些实施例中，基于所述映射矩阵获得目标位置蒙版，包括：将所述映射矩阵中的各元素与第二预设阈值进行比较；对比较结果进行二值化处理，以获得所述目标位置蒙版。

在一些实施例中，所述方法还包括：利用标注疾病种类的图像样本集合对所述第一神经网络进行训练。

在一些实施例中，所述目标包括病灶。

在一些实施例中，所述训练使用的损失函数基于如下公式(1)来计算：