一种基于神经网络的图像层间边界确定方法及装置与流程

技术特征：
1.一种基于神经网络的图像层间边界确定方法，其特征在于，所述方法包括：将待检测图像输入至第一卷积神经网络模型，得到预测边界结果，所述预测边界结果包括所述待检测图像的n个分层边界、与n个所述分层边界对应的n个边界通道以及n个所述边界通道分别对应的概率值集合，其中，所述n大于等于1，每个所述边界通道对应的概率值集合包括所述待检测图像中所有像素点属于每个所述边界通道的概率值；对于任一所述边界通道中的任一边界位置，确定与该边界位置相对应的目标像素点集，根据所述预测边界结果，计算所述目标像素点集中所有像素点属于该边界通道的概率值的分布集中度，得到该边界位置对应的分布集中度；对于任一所述边界通道中的任一边界位置，根据该边界位置对应的分布集中度，确定该边界位置的确定度信息，该边界位置的确定度信息用于确定该边界位置的准确度。2.根据权利要求1所述的基于神经网络的图像层间边界确定方法，其特征在于，所述对于任一所述边界通道中的任一边界位置，确定与该边界位置相对应的目标像素点集，包括：对于任一所述边界通道中的任一边界位置，确定该边界通道对应的分层边界的分布方向，当确定出该边界通道对应的分层边界的分布方向是横向时，将该边界通道中该边界位置处的整列像素点确定为与该边界位置相对应的目标像素点集；当确定出该边界通道对应的分层边界的分布方向是纵向时，将该边界位置处的整行像素点确定为与该边界位置相对应的目标像素点集。3.根据权利要求2所述的基于神经网络的图像层间边界确定方法，其特征在于，所述根据所述预测边界结果，计算所述目标像素点集中所有像素点属于该边界通道的概率值的分布集中度，得到该边界位置对应的分布集中度，包括：根据所述预测边界结果，对所述目标像素点集中所有像素点属于该边界通道的概率值执行softmax回归操作，得到所述目标像素点集中所有像素点属于该边界通道的回归概率值；对所述目标像素点集中所有像素点属于该边界通道的回归概率值执行概率分布统计操作，得到所述目标像素点集中所有像素点属于该边界通道的概率值的分布集中度，将所述目标像素点集中所有像素点属于该边界通道的概率值的分布集中度确定为该边界位置对应的分布集中度。4.根据权利要求3所述的基于神经网络的图像层间边界确定方法，其特征在于，所述对于任一所述边界通道中的任一边界位置，根据该边界位置对应的分布集中度，确定该边界位置的确定度信息，包括：对于任一所述边界通道中的任一边界位置，判断该边界位置的分布集中度是否大于预设阈值，当判断出该边界位置的分布集中度大于所述预设阈值时，将用于表示该边界位置为实际边界位置的标识信息确定为该边界位置的确定度信息；当判断出该边界位置的分布集中度小于等于所述预设阈值时，将用于表示该边界位置为非实际边界位置的标识信息确定为该边界位置的确定度信息。5.根据权利要求4所述的基于神经网络的图像层间边界确定方法，其特征在于，对于任一所述边界通道中的任一边界位置，所述将用于表示该边界位置为非实际边界位置的标识信息确定为该边界位置的确定度信息之后，所述方法还包括：根据该边界位置，从所述待检测图像中确定出局部难例样本图片；
将所述局部难例样本图片输入至第二卷积神经网络模型，得到该边界位置对应的纠偏量；根据该边界位置对应的纠偏量，计算该边界位置对应的纠偏边界位置，并将所述纠偏边界位置确定为实际边界位置。6.根据权利要求1所述的基于神经网络的图像层间边界确定方法，其特征在于，所述第一卷积神经网络模型包括：深度为m的编码层以及与m层所述编码层对应的m层解码层，所述m大于等于1；其中，相邻两层所述编码层之间通过下采样单元连接，相邻两层所述解码层之间通过上采样单元连接；其中，每个所述编码层以及每个所述解码层均包括若干卷积单元，每个所述卷积单元中依次包括卷积层、归一化层、激活层。7.根据权利要求1
‑
5任一所述的基于神经网络的图像层间边界确定方法，其特征在于，在所述将待检测图像输入至第一卷积神经网络模型之前，所述方法还包括：对预训练数据集执行图像增强操作，得到目标训练数据集；将所述目标训练数据集输入到预置神经网络中，得到预分割结果，所述预分割结果包括图像层分类结果以及图像层间边界结果；计算所述预分割结果与预先确定出的标记结果之间的联合损失，所述预先确定出的标记结果包括预先标记分类结果以及预先标记层间边界结果；将所述联合损失进行反向传播，通过预设周期长度的迭代训练得到第一卷积神经网络模型。8.根据权利要求7所述的基于神经网络的图像层间边界确定方法，其特征在于，所述联合损失的计算公式为：l＝λ
label_dice
l
label_dice
λ
label_ce
l
label_ce
λ
bd_ce
l
bd_ce
λ
bd_l1
l
bd_l1
；其中，l为所述联合损失，l
label_dice
为所述图像层分类结果与所述预先标记分类结果之间的dice损失，λ
label_dice
为所述dice损失对应的权重系数，l
label_ce
为所述图像层分类结果与所述预先标记分类结果之间的分类交叉熵损失，λ
label_ce
为所述分类交叉熵损失对应的权重系数，l
bd_ce
为所述图像层间边界结果与所述预先标记层间边界结果之间的边界交叉熵损失，λ
bd_ce
为所述边界交叉熵损失对应的权重系数，l
bd_l1
为所述图像层间边界结果与所述预先标记层间边界结果之间的平滑损失，λ
bd_l1
为所述平滑损失对应的权重系数。9.一种基于神经网络的图像层间边界确定装置，其特征在于，所述装置包括：第一处理模块，用于将待检测图像输入至第一卷积神经网络模型，得到预测边界结果，所述预测边界结果包括所述待检测图像的n个分层边界、与n个所述分层边界对应的n个边界通道以及n个所述边界通道分别对应的概率值集合，其中，所述n大于等于1，每个所述边界通道对应的概率值集合包括所述待检测图像中所有像素点属于每个所述边界通道的概率值；第一确定模块，用于对于任一所述边界通道中的任一边界位置，确定与该边界位置相对应的目标像素点集，根据所述预测边界结果，计算所述目标像素点集中所有像素点属于该边界通道的概率值的分布集中度，得到该边界位置对应的分布集中度；第二确定模块，用于对于任一所述边界通道中的任一边界位置，根据该边界位置对应
的分布集中度，确定该边界位置的确定度信息，该边界位置的确定度信息用于确定该边界位置的准确度。10.一种基于神经网络的图像层间边界确定装置，其特征在于，所述装置包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1
‑
8任一项所述的基于神经网络的图像层间边界确定方法。

技术总结
本发明公开了一种基于神经网络的图像层间边界确定方法及装置，该方法包括：将待检测图像输入至第一卷积神经网络模型，得到预测边界结果，该预测边界结果包括N个分层边界以及与分层边界对应的N个边界通道；对于任一边界通道中的边界位置，确定与该边界位置相对应的目标像素点集；计算目标像素点集中所有像素点属于该边界通道的概率值的分布集中度，得到该边界位置对应的分布集中度；根据该边界位置对应的分布集中度，确定该边界位置的确定度信息。可见，本发明能够基于神经网络准确分割图像的分层并获取分层边界信息，进而确定识别出的边界信息的准确度信息，有利于提高对图像分层边界识别的准确性。层边界识别的准确性。层边界识别的准确性。


技术研发人员：区初斌 叶重荣 彭勇
受保护的技术使用者：唯智医疗科技（佛山）有限公司
技术研发日：2021.06.16
技术公布日：2021/10/23