[发明专利]基于先验信息的眼部图像分割方法、装置、设备及介质在审
| 申请号： | 201910833947.3 | 申请日： | 2019-09-04 |
| 公开（公告）号： | CN110599491A | 公开（公告）日： | 2019-12-20 |
| 发明（设计）人： | 陈思宏 | 申请（专利权）人： | 腾讯医疗健康(深圳)有限公司 |
| 主分类号： | G06T7/10 | 分类号： | G06T7/10 |
| 代理公司： | 44202 广州三环专利商标代理有限公司 | 代理人： | 郝传鑫;贾允 |
| 地址： | 518000 广东省深圳市*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于先验信息的眼部图像分割方法、装置、设备及介质，所述方法包括获取眼底图像数据集，根据所述眼底图像数据集计算先验信息；构建机器学习模型，基于所述先验信息训练所述机器学习模型以得到图像分割模型；获取待分割的目标图像，所述目标图像包括眼部；将所述目标图像输入至所述图像分割模型以得到所述图像分割模型输出的目标图像分割结果。本发明通过引入先验信息训练图像分割模型，使得其对待分割目标图像的分割结果具有较强的解释性和准确性，还能够基于先验信息训练分类模型，并使用所述分类模型对待分割目标图像的分割结果进行分类，以得到可解释性强准确度高的分类结果，从而使本发明方案可以具备更为广阔的应用前景。 | ||
| 搜索关键词： | 先验信息 目标图像 图像分割模型 分割结果 机器学习模型 眼底图像数据 分割目标 解释性 图像 准确度 分割模型 分类结果 分类模型 训练分类 训练图像 眼部图像 分割 构建 眼部 输出 分类 引入 应用 | ||
【主权项】：
1.一种基于先验信息的眼部图像分割方法，其特征在于，所述方法包括：/n获取眼底图像数据集，根据所述眼底图像数据集计算先验信息；/n构建机器学习模型，基于所述先验信息训练所述机器学习模型以得到图像分割模型；/n获取待分割的目标图像，所述目标图像包括眼部；/n将所述目标图像输入至所述图像分割模型以得到所述图像分割模型输出的目标图像分割结果。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于腾讯医疗健康(深圳)有限公司，未经腾讯医疗健康(深圳)有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910833947.3/，转载请声明来源钻瓜专利网。
- 同类专利
- 作物株高测量方法及系统、田间定标装置-201710428654.8
- 温维亮;樊江川;郭新宇;卢宪菊;于泽涛 - 北京农业信息技术研究中心
- 2017-06-08 - 2020-02-14 - G06T7/10
- 本发明提供了一种作物株高测量方法及系统、田间定标装置，所述测量方法包括：获取目标区域中的目标作物群体的点云信息；标记所述目标作物群体的点云信息中的作物的种植位置信息；根据所述作物的种植位置信息对所述目标作物群体的点云信息进行分割，得到各作物小区；利用田间定标装置的高度信息，确定各所述作物小区的株高均值；以及，根据当前所述作物小区的株高均值获取当前作物小区的作物株高。本发明能够通过对目标田地进行准确的定标，实现大面积作物株高的高精度、高效率连续监测，进而对作物株高进行准确测量。
- 一种快速的高速公路路面分割和摄像机定位的方法-201810088021.1
- 王亚涛;江龙;赵英;郑全新;张磊 - 北京同方软件有限公司
- 2018-01-30 - 2020-02-07 - G06T7/10
- 一种快速的高速公路路面分割和摄像机定位的方法，涉及基于视频图像的目标检测、应用于高速公路交通场景下的视频监控数据的智能事件分析系统。本发明的方法步骤为：1）样本收集和模型训练；2）网络模型设计；3)模型损失函数；4)模型训练；5)模型预测。同现有技术相比，本发明能解决多场景下、不同天气情况下、不同路面状态下的高速路面定位分割问题；同时解决多场景下、不同天气情况下、不同路面状态下摄像机相对路面位置定位问题。
- 基于宽残差金字塔池化网络的图像分割方法及系统-201711228818.9
- 王瑜;朱婷;马泽源 - 北京工商大学
- 2017-11-29 - 2020-02-07 - G06T7/10
- 本发明公开了一种基于宽残差金字塔池化网络的图像分割方法及系统，其中，方法步骤包括：输入待分割图像；对待分割图像进行标准化；获取WRN‑PPNet模型；对训练图像进行预处理，并通过数据扩展法增加训练图像的模式和数量，得到训练图像集；根据WRN‑PPNet模型和训练图像集进行模型训练，以生成WRN‑PPNet分割模型；根据待分割图像通过WRN‑PPNet分割模型得到图像分割结果。该方法可以基于WRN‑PPNet全自动地对图像进行分割，实现对目标对象分割的目的，不受待分割图像类别的限制，而且适应性强，模型性能好，从而有效提高图像分割的准确性和便捷性。
- 一种基于神经网络的口腔CT下颌神经管的分割方法-201910899490.6
- 华臻;王浩然;李晋江 - 山东工商学院
- 2019-09-23 - 2020-01-31 - G06T7/10
- 一种基于神经网络的口腔CT下颌神经管的分割方法，该方法包括以下步骤：对已有的数据进行预处理；训练时进行数据增强；使用神经网络训练来得到最终的分割模型；使用得到的分割模型对测试数据进行预测；最终完成下颌神经管的分割。本发明的方法可以相比较其他神经网络经过较少的数据训练得到较为理想的分割结果，极大的解决了口腔科医生在处理下颌神经管定位时费时费力的状况，也能够缓解影像科医生人才供不应求的情况。
- 一种植物图像分割及叶片骨架提取方法及系统-201811216474.4
- 李叶;许乐乐;郭丽丽;王先锋;阎镇;饶骏;金山 - 中国科学院空间应用工程与技术中心
- 2018-10-18 - 2020-01-31 - G06T7/10
- 本发明涉及一种植物精细分割和叶片骨架提取方法及系统，其方法包括构建包括多个子神经网络的混合神经网络模型；采集多张植物图像作为训练图像样本,根据训练图像样本标注对应植物的类别和叶片骨架，并根据标注后的训练图像样本对混合神经网络模型进行训练；采集目标植物图像，并将目标植物图像输入训练后的混合神经网络模型，训练后的混合神经网络模型输出植物图像分割结果和植物叶片骨架提取结果。本发明的植物图像分割及叶片骨架提取方法，通过构建混合神经网络模型，并采采集植物图像对混合神经网络模型进行训练，从而同时实现植物图像精细分割和叶片骨架提取，并且能有效抑制负复杂背景的干扰，提高植物图像分割及叶片骨架提取的精度。
- 纹理图像分割方法、电子装置及计算机存储介质-201910930664.0
- 曾军英;朱伯远;姜晓伟;吴海峰;秦传波;朱京明;翟懿奎;甘俊英 - 五邑大学
- 2019-09-29 - 2020-01-17 - G06T7/10
- 本发明公开了一种纹理图像分割方法、电子装置及计算机存储介质，其中纹理图像分割方法在建立传统U‑Net卷积神经网络的基础上，又建立了MobileNetV2网络结构，并且将U‑Net卷积神经网络的所述压缩路径和所述扩张路径二者的所有标准卷积均替换为Bottleneck处理，MobileNetV2网络结构当中包括了Bottleneck处理，由于所述Bottleneck处理依次包括升维操作、正常卷积以及降维操作，其中Bottleneck处理构成了深度可分离卷积，通过深度可分离卷积将标准卷积分解为深度卷积和点卷积方式进行计算，从而Bottleneck处理的参数量减少，减小了运算量。
- 一种视网膜眼底图像分割方法及装置-201910945333.4
- 阿孜古丽.吾拉木;未忠杰;张德政;蒋彦钊;孙振起;李军;胡良缘 - 北京科技大学
- 2019-09-30 - 2020-01-17 - G06T7/10
- 本发明提供一种视网膜眼底图像分割方法及装置，能够在只有少量标注样本的情况下，也能实现视网膜眼底图像血管与视盘的自动、高效、准确分割。所述方法包括：获取训练集图像和相应的标注图，其中，所述图像为视网膜眼底图像；对获取的训练集图像和相应的标注图进行一致的随机裁剪分块；构建U型全卷积神经网络；将随机剪裁分块后的训练集图像和相应的标注图输入到构建的U型全卷积神经网络中，对所述U型全卷积神经网络进行训练；利用训练好的U型全卷积神经网络对视网膜眼底图像进行分割。本发明涉及人工智能、糖尿病视网膜诊断领域。
- 一种基于FCN和CNN的云图分割方法-201710182281.0
- 毋立芳;贺娇瑜;简萌;张加楠;邹蕴真 - 北京工业大学
- 2017-03-24 - 2020-01-17 - G06T7/10
- 一种基于FCN和CNN的云图分割方法属于计算机视觉的图像分割领域。其特征在于：首先通过超像素对云图中每个像素点的近邻域实现相应的聚类同时将云图输入到不同步长的全卷积神经网络FCN32s和FCN8s中，实现云图的预分割结果；FCN32s结果图中的黑色区域一定是云图中的一部分“非云”区域，FCN8s结果图中的白色区域一定是云图中的一部分“云”区域；剩下不确定的区域即灰色区域需要通过深度卷积神经网络CNN来确定，需要选取超像素区域中的关键像素来代表超像素区域的特征，像素的特征通过CNN网络来判断是“云”或者是“非云”。本发明发现而精度与MR‑CNN、SP‑CNN相当，但是速度相比于MR‑CNN提高了880倍，相比于SP‑CNN提高了1.657倍。
- 一种基于多级卷积神经网络的人像分割处理方法及装置-201810724647.7
- 胡事民;张松海;李瑞龙;董欣 - 清华大学
- 2018-07-04 - 2020-01-14 - G06T7/10
- 本发明实施例提供一种基于多级卷积神经网络的人像分割处理方法及装置，所述方法包括：获取包含有待处理人像的图像；输入所述图像至第一卷积神经网络，以输出所述待处理人像的分割结果；输入所述分割结果和所述图像至第二卷积神经网络，以输出所述分割结果的优化处理结果。所述装置执行上述方法。本发明实施例提供的基于多级卷积神经网络的人像分割处理方法及装置，通过将第一卷积神经网络和第二卷积神经网络串联成多级卷积神经网络，并输出待处理人像分割结果的优化处理结果，能够实时、准确和高效地进行人像分割。
- 基于注意机制的改进卷积神经网络脑肿瘤图像分割方法-201910884954.6
- 白柯鑫;李锵;关欣 - 天津大学
- 2019-09-19 - 2020-01-14 - G06T7/10
- 本发明涉及一种基于注意机制的改进卷积神经网络脑肿瘤图像分割方法，包括下列步骤：数据预处理：首先对三维脑肿瘤MRI图像数据进行N4ITK算法的去偏置场效应处理，其次对原始MRI图像中的Flair、T1、T1C和T2四种模态图像分别进行灰度归一化预处理；搭建并训练基于注意机制的改进卷积神经网络模型，在训练过程中，将患者的四种模态数据当作神经网络的四个通道输入到网络模型中进行训练，以便融合不同模态的不同特征，进行更精确的分割；将预处理后的图像分为训练集和测试集，利用训练集对基于注意机制的改进卷积神经网络模型进行训练。
- 相差显微镜细胞主要信息粘连情况的分离与分组方法-201611197203.X
- 陈胜勇;陈磊;周小龙;张剑华;刘琪琪;管秋;李疆;汪晓妍 - 浙江工业大学
- 2016-12-22 - 2020-01-10 - G06T7/10
- 一种适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法，包括如下步骤：1)基于对相差显微镜细胞图像特性的分析，构建图像中的层次信息之后，定义相差显微细胞图像的主要信息；2)手动标记关键信息，标记时需要参照原始图片和主要信息，将细胞主要信息粘连情况划分为一个区域，以便于将这些情况进行单独分析；3)利用无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法，对目标粘连情况进行分离和分组；4)更新相差显微镜细胞图像中的主要信息标号与颜色标记，得到此图像修复后的主要信息。本发明能有效处理相差显微镜细胞图像检测和分割。
- 一种采用概率图梯度损失函数的图像语义分割方法-201910779851.3
- 王吴凡;朱纪洪;杨佳利;匡敏驰;史恒;闫星辉 - 清华大学
- 2019-08-22 - 2020-01-07 - G06T7/10
- 本发明公开了一种采用概率图梯度损失函数的图像语义分割方法，其特征在于含有：图像语义分割数据集，卷积网络，归一化指数函数，概率图损失以及概率图梯度损失。所述卷积网络用于从所述图像语义分割数据集中提取特征，这些特征经过所述归一化指数函数处理形成预测概率图。用于训练网络模型的损失函数由所述概率图损失与所述概率图梯度损失两部分构成。所述概率图损失使预测概率图中单个像素的概率值尽可能接近真实概率值，所述概率图梯度损失使预测概率图梯度尽可能接近真实概率图梯度。本发明的一种采用概率图梯度损失函数的图像语义分割方法能够有效学习语义分割图的局部细节特征，适用于推广应用。
- 多图像融合的肿瘤三维位置精准定位系统-201910888197.X
- 袁双虎;董蕾蕾;李玮;王素贞;刘宁;魏玉春;李莉;李潇箫;刘文举;于金明 - 山东省肿瘤防治研究院(山东省肿瘤医院);山东大学
- 2019-09-19 - 2020-01-07 - G06T7/10
- 本公开提供了一种多图像融合的肿瘤三维位置精准定位系统，系统包括：图像预处理模块，被配置为对采集的多模态图像进行预处理；配准及融合模块，被配置为基于互信息配准对齐图像，对对齐后的图像进行融合；分割及重构模块，被配置为对融合后的图像进行分割和三维重建，确定肿瘤位置。本公开利用医学图像融合技术，对提供不同医学信息的多模态图像进行适当整合，对融合后的图像做分割和三维重建，以对肿瘤所在位置进行精准定位。
- 一种基于CT图像的肺叶分割方法及装置-201710546860.9
- 陈磊;曲凯晨;康雁;吕晓凤 - 东软医疗系统股份有限公司
- 2017-07-06 - 2020-01-07 - G06T7/10
- 本发明提供一种基于CT图像的肺叶分割的方法及装置，包括：从CT图像中提取肺部区域，将肺部区域分割为左肺区和右肺区；从左肺区和右肺区中提取肺叶裂缝点；由提取的肺叶裂缝点构造肺叶裂隙面。从CT图像中提取肺部区域，并将肺部区域分割为左肺区和右肺区；左肺区包括2个肺叶，右肺区包括3个肺叶。从左肺区和右肺区提取肺叶裂缝点；由肺叶裂缝点构造肺叶裂隙面。该方法自动实现肺叶分割，当利用该方法进行肺叶分割以后，若不能清楚地分割出五个肺叶，说明肺本身存在生理异常，或肺周边存在肿瘤。该方法自动进行五个肺叶的分割，如果分割不出五个肺叶说明存在异常，节省医生大量时间。医生不必人工花费大量时间分析CT图像查找可疑区域。
- 一种目标空间定位方法-201910792381.4
- 韩守东;夏晨斐;陈国荣;刘巾英 - 华中科技大学
- 2019-08-26 - 2019-12-20 - G06T7/10
- 本发明公开了一种目标空间定位方法，包括：同时采集两张不同视角的目标图像，并通过双目视觉空间定位，得到其中一张图像中各像素点三维坐标集；基于实例分割，对该张图像中的目标分类回归，得到目标二值掩码集；基于各像素点三维坐标集和目标二值掩码集，通过像素点坐标映射并融合，得到该张图像中的目标三维坐标，实现目标空间定位。本发明基于双目视觉空间定位，获取用以描述目标真实尺度和空间定位信息的稀疏三维坐标；采用深度学习方法，对感兴趣的特定类别目标进行单目实例分割，精确定义像素的语义属性。最后基于三维坐标和实例分割结果的耦合，在像素坐标的连接关系下，进行目标空间定位，使得稀疏分散的三维坐标稠密化，提高定位准确率。
- 基于先验信息的眼部图像分割方法、装置、设备及介质-201910833947.3
- 陈思宏 - 腾讯医疗健康(深圳)有限公司
- 2019-09-04 - 2019-12-20 - G06T7/10
- 本发明公开了一种基于先验信息的眼部图像分割方法、装置、设备及介质，所述方法包括获取眼底图像数据集，根据所述眼底图像数据集计算先验信息；构建机器学习模型，基于所述先验信息训练所述机器学习模型以得到图像分割模型；获取待分割的目标图像，所述目标图像包括眼部；将所述目标图像输入至所述图像分割模型以得到所述图像分割模型输出的目标图像分割结果。本发明通过引入先验信息训练图像分割模型，使得其对待分割目标图像的分割结果具有较强的解释性和准确性，还能够基于先验信息训练分类模型，并使用所述分类模型对待分割目标图像的分割结果进行分类，以得到可解释性强准确度高的分类结果，从而使本发明方案可以具备更为广阔的应用前景。
- 图像分割模型的训练方法、装置、电子设备及存储介质-201910888527.5
- 张剑;史颖欢;郑冶枫 - 腾讯科技(深圳)有限公司;南京大学
- 2019-09-19 - 2019-12-20 - G06T7/10
- 本发明提供了一种图像分割模型的训练方法、装置、电子设备及存储介质；其中，方法包括：基于第一代价比例的损失函数训练第一图像分割模型；通过所述第一图像分割模型从图像样本中提取图像特征；通过待训练的第二图像分割模型从所述图像样本中提取图像特征；将所述第一图像分割模型提取的图像特征、与所述第二图像分割模型提取的图像特征进行融合处理，得到融合图像特征；基于第二代价比例的损失函数、以及所述融合图像特征，训练所述第二图像分割模型。通过本发明，能够提升图像分割的精度。
- 基于卷积神经网络的ET细胞图像自动分割方法及系统-201910672147.8
- 万晓华;张恩泽;张法 - 中国科学院计算技术研究所
- 2019-07-24 - 2019-12-17 - G06T7/10
- 本发明提出基于卷积神经网络的ET细胞图像自动分割方法方法及系统，包括：获取待图像分割的ET细胞图像作为原始图像，根据预设的原始顺序切分该原始图像，得到多个图像块，利用多个由卷积层构成的下采样模块，对该图像块进行压缩，得到特征小图，使用多个空洞比率相异的卷积核分别对该特征小图进行卷积操作，并将得到的多个操作结果合并为编码特征图；通过多个由卷积层构成的解码模块，对该编码特征图进行解码，得到解码特征图，并根据预设的阈值，将该解码特征图中每个像素值二值化，将二值化后的解码特征图依次按照该原始顺序进行拼接，并将拼接结果作为图像分割结果。
- 结合完全残差与特征融合的遥感图像分割方法-201811306585.4
- 汪西莉;张小娟;洪灵;刘明;刘侍刚 - 陕西师范大学
- 2018-11-05 - 2019-12-17 - G06T7/10
- 结合完全残差与多尺度特征融合的遥感图像分割方法，包括：S100：对作为分割的主干网络卷积编码‑解码网络进行改进，具体为：S101：采用卷积编码‑解码网络作为分割的主干网络；S102：在所述主干网络中加入聚合多尺度上下文信息的特征金字塔模块；S103：在所述主干网络的编码器和解码器对应的卷积层内部加入残差单元，同时将编码器中的特征以逐像素相加的方式融合到解码器相应层中；S200：采用改进后的结合完全残差与多尺度特征融合的图像分割网络进行遥感图像的分割；S300：输出遥感图像的分割结果。该方法既简化了深层网络的训练，增强了特征融合，又能使网络提取丰富的上下文信息，应对目标尺度变化，提升分割性能。
- 一种融合边缘检测的遥感影像语义分割方法及装置-201910655764.7
- 王艳杰;杨泽宇;冷伟 - 武汉珈和科技有限公司
- 2019-07-19 - 2019-12-13 - G06T7/10
- 本发明提出一种融合边缘检测的遥感影像语义分割方法及装置，所述方法包括：根据高分辨率遥感影像制作训练样本；分别训练HED边缘检测模型和图像语义分割模型；使用训练好的HED边缘检测模型对待分割遥感影像进行边缘检测，生成边缘概率图，对所述边缘概率图进行后处理；使用训练好的图像语义分割模型对所述待分割遥感影像进行影像分割；将所述边缘检测后处理的结果与所述影像分割后的图像基于地理位置进行叠加，得到待分割遥感影像的语义分割矢量结果。本发明结合了边缘检测模型，分割对象的边缘更加精确，减少了对语义分割模型的精度依赖，大幅降低大型图像语义分割模型的复杂度，且模型具有可拓展性。
- 一种基于改进的卷积神经网络的医学图像分割方法-201910879578.1
- 吴成东;张子昂;迟剑宁 - 东北大学
- 2019-09-18 - 2019-12-13 - G06T7/10
- 本发明提出了一种基于改进的卷积神经网络的医学图像分割方法，属于图像处理领域。本发明构建了一种改进的卷积神经网络，分别在标准U‑Net网络原有框架的基础上设计了多通道融合模块、多通道稠密连接模块、下采样模块和上采样模块。在控制网络训练计算量的同时提升网络的深度，减少冗余计算；网络变深的同时通过改进网络内部结构从而避免梯度消失。实验结果是所训练的神经网络的输出预测图的分割DICE系数为98.57％，原网络分割出来的DICE系数为98.26％，体现了本发明的有效性。
- 图像处理方法及终端设备-201810200219.4
- 王健 - 北京达佳互联信息技术有限公司
- 2018-03-12 - 2019-12-13 - G06T7/10
- 本发明涉及图像处理技术领域，公开了一种图像处理方法及终端设备。该图像处理方法包括：确定目标图像的目标像素宽高比；根据所述目标像素宽高比对所述目标图像进行图像切割，得到至少两张切割图像；对所述至少两张切割图像分别进行压缩，并将压缩得到的切割图像上传到服务器进行存储。本发明中，实现了对该超长比例图像的分割展示，且保证了该超长比例图像的清晰度；同时通过分段的预览处理，提高了对图像的显示效率，增强了用户的使用体验。
- 用于核磁同步自动化成像与分割的系统和方法-201910863918.1
- 杨光;牛张明;陆纬;江荧辉;李劳;王承嘉;叶旭炯;董豪;姜敏 - 杭州海睿博研科技有限公司
- 2019-09-12 - 2019-12-06 - G06T7/10
- 本发明公开了一种用于核磁同步自动化成像与分割的系统，包括：压缩感知磁共振成像CS‑MRI单元，用于接收原始输入图像并进行压缩感知的磁共振成像；多个重建‑分割单元，所述多个重建‑分割单元依次级联在压缩感知磁共振成像CS‑MRI单元之后，一个或多个重建‑分割单元中的每一个的结构相同，每个重建‑分割单元包括重建单元、分割单元、求和单元和数据保真度单元；以及级联‑合并单元，用于将每一级重建‑分割单元的分割结果连接，然后通过卷积单元给出最终分割。本发明的方案在成像的同时得到分割结果，并通过分割结果限制成像部分损失函数的优化，提高成像质量。
- 一种改进的基于超像素的图像显著性检测方法-201710058391.6
- 王鑫;周韵;熊星南;张春燕;石爱业 - 河海大学
- 2017-01-23 - 2019-12-06 - G06T7/10
- 本发明公开了一种改进的基于超像素的图像显著性检测方法，该方法首先采用简单线性迭代聚类的超像素分割算法将原始图像分割为具有颜色和纹理一致性的超像素；第二，针对图像超像素分割结果，基于稀疏表示理论计算原始图像初始显著图；第三，针对图像超像素分割结果，基于中心‑边缘思想计算原始图像中心‑边缘权重图；第四，针对图像超像素分割结果，基于归一化割理论对其进行聚类，得到若干聚类区域；第五，基于上述结果，计算原始图像最终显著图。本发明与传统的基于超像素的图像显著性检测方法相比，解决了显著性对象边界模糊、内部常被抑制等问题，能够更加均匀地突出显著对象，有效地抑制背景，获得更好的检测结果。
- 病理图像处理方法、装置、图像分析系统及存储介质-201910809326.1
- 李志成;梁栋;赵源深 - 中国科学院深圳先进技术研究院
- 2019-08-29 - 2019-11-29 - G06T7/10
- 本发明实施例公开了一种病理图像处理方法、装置、图像分析系统及存储介质，该方法包括：对包含有肿瘤组织的目标病理图像进行颜色空间变换，以得到HIS颜色空间下的I分量图像和YUV颜色空间下的U分量图像；基于预设定位方法，确定所述I分量图像和所述U分量图像对应的融合图像中的肿瘤细胞部分；对所述肿瘤细胞部分进行图像分割以得到包含至少对应于细胞核的孔洞的分割图像；确定所述分割图像中的孔洞分布参数，以作为肿瘤细胞的分布参数。解决了现有技术的病理图像分析存在无法兼顾病理图像分析速度与准确性的问题。
- 眼底血管图像分割对抗样本生成方法、分割网络安全评价方法-201910608656.4
- 张道强;徐梦婷;张涛;李仲年 - 南京航空航天大学
- 2019-07-08 - 2019-11-26 - G06T7/10
- 本发明公开了眼底血管图像分割对抗样本生成方法和分割网络安全评价方法，其中对抗样本生成方法包括步骤：1、建立眼底血管图像分割网络；2、采集原始眼底血管图像，对采集图像中的血管进行标记，构建训练样本来训练眼底血管图像分割网络；3、构建生成扰动网络来生成对抗样本图像；4、将生成的对抗样本图像输入到训练好的眼底血管图像分割网络中，得到分割结果，计算目标函数，通过最小化目标函数来更新生成扰动网络的参数，得到优化的生成扰动网络；5、使用优化的生成扰动网络来生成扰动，添加到原始眼底血管图像上，得到对抗样本图像。该方法能够得到与原始图像人眼不可分辨的对抗样本图像，且得到的生成扰动网络能够较好地学习到分割网络的特征。
- 一种图像显著对象分割方法及装置-201910732318.1
- 李甲;苏金明;夏长群;赵沁平 - 北京航空航天大学
- 2019-08-09 - 2019-11-26 - G06T7/10
- 本发明提供一种图像显著对象分割方法及装置，包括：获取全景图像；对所述全景图像投影处理，获取等矩形图像；获取预设的分割卷积神经网络模型，并根据所述预设的分割卷积神经网络模型对所述等矩形图像处理，获取显著对象分割图像。本方案提高了对全景图像的显著对象分割的可靠性。
- 图像分割方法及装置-201910795857.X
- 任思可;刘明浩;邹建法;聂磊;苏业 - 北京百度网讯科技有限公司
- 2019-08-27 - 2019-11-26 - G06T7/10
- 本申请的实施例公开了图像分割方法及装置，涉及云计算领域。该方法的一具体实施方式包括：基于待标注图像，获取待标注图像中的待标注对象的极值点；将待标注图像和待标注对象的极值点输入图像分割模型，得到基于待标注对象的分割对象。本实施方式可以应用于分割标注场景，只需对待标注对象的极值点进行标注便可通过入图像分割模型得到分割对象，提高了图像标注效率。
- 基于双相关性网络的图像分割方法-201910704960.9
- 徐培寒;李梓源;张靖义;徐行;沈复民;贾可;申恒涛 - 成都考拉悠然科技有限公司
- 2019-08-01 - 2019-11-26 - G06T7/10
- 本发明涉及图像分割领域，具体的说，是一种利用相关性网络提高图像低层和高层之间分割清晰度的基于双相关性网络的图像分割方法。本发明的基于双相关性网络的图像分割方法，通过获得通道相关性特征Dk、阶段相关性特征Ek，并将每一个阶段的通道相关性特征Dk、阶段相关性特征Ek逐像素相加，得到融合特征输出Gk，再通过多个卷积层获得最终的分割图，提高了图像的分割清晰度，而且方法简单、实用。
- 一种基于新型粒子滤波算法的图像分割方法-201710457337.9
- 曾念寅;张红;邱弘 - 厦门大学
- 2017-06-16 - 2019-11-19 - G06T7/10
- 本发明提出一种基于新型粒子滤波算法的图像分割方法，包括：针对要分割的图像特点，建立相应的动态空间模型；采集训练图像，对其进行预处理，提取感兴趣区域；以像素点作为样本单位，选取网络输入特征，组建训练样本；构建深度神经网络模型，完成深度网络训练，输入测试样本得到初始分割结果；利用初始分割结果生成粒子群，并采用粒子群优化算法将粒子移动到高似然区域，将得到的结果作为粒子滤波的建议性分布；采用上述建议性分布的新粒子滤波算法对状态量进行估计，得到最终的图像分割结果。本发明采用深度学习和粒子群优化算法产生建议性分布，有效解决了粒子退化问题，能够获得较好的图像分割效果，具有较强的应用性和鲁棒性。
- 专利分类
