[发明专利]一种图像处理方法和系统

说明书

本发明公开了一种图像处理方法和系统，可以训练深度学习模型，所述训练深度学习模型包括：获取初始深度学习模型；获取样本图像；将所述样本图像划分成若干子图像，所述若干子图像包括第一子图像和第二子图像，并且所述若干子图像中的任意两个相邻的子图像具有部分重叠的区域；以及基于所述若干子图像，训练所述初始深度学习模型，以得到经过训练的深度学习模型。所述图像处理方法还包括获取输入图像，以及基于所述经过训练的深度学习模型处理所述输入图像，以产生处理结果。采用该图像处理方法，可以降低单次训练时占用的GPU显存空间，提高GPU的工作性能；也能保证所有图像信息都能用于训练，避免信息丢失，提高了训练的准确性。

技术领域

本申请涉及图像信息技术领域，尤其是涉及一种图像处理方法和系统。

背景技术

随着深度学习算法的发展，医学影像领域也逐渐开始采用深度学习算法处理图像。由于医学影像与传统的自然图像和互联网图像不同，几乎都是3D或4D的，数据量较大，因此在训练过程中需要使用非常大量的GPU内存资源。而目前主流的GPU一般只有8-16G显存空间，这就使得深度学习训练所用的样本图像大小受到了极大的限制，无法一次性训练较大尺寸的医学影像。此外，深度学习算法多采用卷积神经网络，由于卷积运算本身的特性，卷积神经网络在图像训练过程中容易丢失图像边界区域的信息，这意味着部分图像信息无法被用于训练，从而降低了训练的准确性。

发明内容

针对上述无法一次性训练较大尺寸医学影像的问题，本发明的目的在于提供一种图像处理方法和系统，该方法可以将样本图像划分成边界区域部分重合的若干个子图像，并将这些子图像分别推进网络进行训练，既降低了单次训练时占用的GPU显存空间，提高GPU的工作性能，也保证了图像边界信息不丢失，使得所有图像信息都能用于训练，提高了训练的准确性。

为达到上述发明的目的，本发明提供的技术方案如下：

一方面，本发明实施例提供了一种图像处理方法，所述方法包括：训练深度学习模型，获取输入图像；以及基于所述经过训练的深度学习模型处理所述输入图像，以产生处理结果。所述训练深度学习模型包括：获取初始深度学习模型；获取样本图像；将所述样本图像划分成若干子图像，所述若干子图像包括第一子图像和第二子图像，并且所述若干子图像中的任意两个相邻的子图像具有部分重叠的区域；以及基于所述若干子图像，训练所述初始深度学习模型，以得到经过训练的深度学习模型；

在本发明中，所述若干子图像还包括第三子图像，所述第一子图像和所述第二子图像的重叠区域为所述样本图像的第一区域，所述第一子图像和所述第三子图像的重叠区域为所述样本图像的第二区域。

在本发明中，所述样本图像的所述第一区域与所述样本图像的所述第二区域具有相同的宽度。

在本发明中，所述训练所述初始深度学习模型包括通过图形处理器GPU训练所述初始深度学习模型。

在本发明中，将所述样本图像划分成若干子图像包括：确定所述重叠区域的宽度；基于所述样本图像的尺寸和所述图形处理器GPU的可用显存空间，确定所述若干子图像的个数和/或所述若干子图像中每个子图像的尺寸；以及基于所述重叠区域的宽度，以及所述若干子图像中每个子图像的尺寸和/或所述若干子图像的个数，对所述样本图像进行划分，生成所述若干子图像。