[发明专利]图像处理方法、计算机设备和存储介质

说明书

本申请涉及一种图像处理方法、计算机设备和存储介质。所述方法包括：获取待处理的医学图像和相关配置参数，相关配置参数包括处理医学图像的计算机设备的可使用内存和/或最大时间消耗值；根据医学图像的尺寸和可使用内存和/或最大时间消耗值确定图像块尺寸的目标值；将医学图像按照图像块尺寸的目标值进行分块，得到至少一个图像块；将至少一个图像块依次输入至神经网络模型，并将各个图像块对应的输出结果进行组合，得到医学图像的处理结果。采用本方法能够提高运行速度，降低运算耗时。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种图像处理方法、计算机设备和存储介质。

背景技术

随着人工智能热潮的兴起，以深度学习为代表的机器学习算法被广泛应用于自然语言识别、自然图像分割等领域。

近来，深度学习也应用于医学影像的处理与分析，与常见的自然图像相比，医学影像(如CT、MRI)具有数据维度高，信息量大的特点，在利用医学影像进行深度学习的过程中，高维的医学影像会占用更多的显存，同时也会使运算过程更加耗时。因此在深度学习相关算法的研发过程中，提出了将图像数据进行分块，然后将分好的图像块输入至神经网络，最后将各个图像块的结果进行拼接得到图像完整的处理结果。

然而上述技术在利用神经网络对医学图像进行处理时，存在耗时较长的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够降低神经网络耗时的图像处理方法、计算机设备和存储介质。

一种图像处理方法，该方法包括：

获取待处理的医学图像和相关配置参数，相关配置参数包括处理医学图像的计算机设备的可使用内存和/或最大时间消耗值；

根据医学图像的尺寸和可使用内存和/或最大时间消耗值确定图像块尺寸的目标值；

将医学图像按照图像块尺寸的目标值进行分块，得到至少一个图像块；

将至少一个图像块依次输入至神经网络模型，并将各个图像块对应的输出结果进行组合，得到医学图像的处理结果。

在其中一个实施例中，该方法还包括：

根据医学图像的尺寸和神经网络模型确定内存模型；和/或，

根据医学图像的尺寸和神经网络模型确定耗时模型；和/或，

根据医学图像的尺寸和神经网络模型以及可使用内存和/或最大时间消耗值确定缺省模型。

在其中一个实施例中，上述根据医学图像的尺寸和可使用内存和/或最大时间消耗值确定图像块尺寸的目标值，包括：

根据医学图像的尺寸和可使用内存和/或最大时间消耗值确定至少一个图像块尺寸的候选值；

获取选择的目标模型，目标模型为内存模型和耗时模型以及缺省模型中的任意一个；

将至少一个图像块尺寸的候选值输入目标模型中，对目标模型进行最优值求解处理，得到目标模型的最优值，并将目标模型的最优值对应的图像块尺寸的候选值确定为图像块尺寸的目标值。

在其中一个实施例中，若目标模型为内存模型，则根据所述医学图像的尺寸和神经网络模型确定内存模型，包括：

获取多个不同的图像块尺寸，以及神经网络模型处理各种尺寸的图像块所需的内存消耗；

对多个不同的图像块尺寸和各种尺寸的图像块所需的内存消耗进行数据处理，建立图像块尺寸和内存消耗之间的对应关系，得到内存模型。

在其中一个实施例中，若目标模型为耗时模型，则根据医学图像的尺寸和神经网络模型确定耗时模型，包括：