[发明专利]使用神经网络识别图像分割质量

说明书

本发明公开了使用神经网络识别图像分割质量，具体地，比较逻辑至少部分地基于识别边界来比较一个或更多个图像的特征的边界，耦合到该比较逻辑的指示逻辑用于指示边界是否至少相差第一阈值。该边界可以包括表示图像中对象的边界(其是由分割过程确定的分割中的边界)的第一标签掩码以及来自应用于第一标签掩码的形状评估过程的第二标签掩码。该指示逻辑可以被配置为比较第一标签掩码和第二标签掩码以确定分割的质量。神经网络可以执行分割。使用第一标签掩码作为输入、第二标签掩码作为输出的形状评估可以由变分自动编码器执行。图形处理单元(GPU)可用于该分割和/或自动编码器。

背景技术

在图像处理中，分割是指识别图像元素的边界，例如根据图像中描绘的对象的边界划分图像中的区域。分割过程可以使用经训练的神经网络进行自动边界检测。分割在医学图像处理和其他领域都是很有用的。当遇到不易分割的稀有图像时，自动分割过程可能会失败。有时，使用额外的训练数据对神经网络进行额外的训练可能有助于一些自动分割过程，但在训练数据中可能没有对应项的罕见情况下，它仍然可能失败。因此，很难完全防止分割过程失败。

一种解决方案是也有自动化的质量评估过程。应用贝叶斯神经网络可以捕获分割结果的不确定性，并基于不确定性进行质量评估。然而，这也会受到罕见事件的影响，因为分割过程可能会出错，但对某些罕见事件上的错误仍然要有信心。

附图说明

参照附图来描述各种技术，其中：

图1示出了根据实施例的分割的示例；

图2示出了根据实施例的用于训练神经网络以评估输入图像的分割的系统的图；

图3示出了根据实施例的用于验证待验证的神经网络的系统的图；

图4示出了根据实施例的要针对真值标签掩码训练的变分自动编码器(VAE)的图；

图5示出了在实施例中用于针对分割图像训练分割器以获得图像的标签掩码的过程，以及用于针对真值标签编码训练VAE以评估分割器输出的标签掩码的质量的过程；

图6示出了根据实施例的用于处理图像、生成图像的标签掩码、将标签掩码应用于自动编码器、将标签掩码与自动编码器的输出进行比较以及根据比较的结果采取动作的系统的图；

图7示出了根据实施例的将输入标签掩码编码为潜在表示并将潜在表示解码为输出标签掩码的自动编码器；

图8示出了根据实施例的并行处理单元(“PPU”)的示例；

图9示出了根据一个实施例的通用处理集群(“GPC”)的示例；

图10示出了根据一个实施例的存储器分区单元的示例；

图11示出了根据一个实施例的流式多处理器的示例；

图12示出了根据一个实施例的可以实现各种示例的计算机系统。

具体实施方式

分割是从图像中确定图像中描绘的元素的边界在何处，也可能标记这些对象的过程。人类通常可以很容易地识别图像中一个对象的开始位置和其他对象的结束位置，但是这对于计算机系统来说是一个很难执行的过程。此外，在某些类型的图像中，即使是未经训练的人类也很难辨别对象的边界或图像中对象的存在。例如，计算机断层(“CT”)扫描可以对人体的某些部分进行成像，而专业放射科医生可能会花费大量时间观察、识别和标记CT扫描数据中对象的边界，因此，拥有能够执行这些任务的自动化过程是有益的，尽管在自动分割过程失败的少数情况下会有一些标志、指示或警报。