[发明专利]一种基于深度学习的X射线图像交互式分割方法有效
申请号: | 202110644869.X | 申请日: | 2021-06-09 |
公开(公告)号: | CN113313700B | 公开(公告)日: | 2023-04-07 |
发明(设计)人: | 姚鑫骅;杜旺哲;沈洪垚;傅建中;王伯旺 | 申请(专利权)人: | 浙江大学;浙江国研智能电气有限公司 |
主分类号: | G06T7/00 | 分类号: | G06T7/00;G06T7/11;G06F18/214;G06N3/0464;G06V10/82;G06N3/08 |
代理公司: | 浙江新篇律师事务所 33371 | 代理人: | 李旻 |
地址: | 310013 浙江*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 深度 学习 射线 图像 交互式 分割 方法 | ||
本发明涉及深度学习技术领域,具体涉及一种基于深度学习的X射线图像交互式分割方法,本发明利用基于深度学习的交互式分割模型,以多边形掩模、前景点和背景点为输入进行第一次推理得出分割结果;如果分割结果可以达到检测标准,结束分割;如果分割结果未达到检测标准,则在过分割的区域中心位置处设置背景点,在欠分割的区域中心设置前景点;将交互信息再次输入到交互式分割模型中进行推理,得出分割结果;迭代上述步骤,直到得到满意的分割结果。本发明在X射线图像中的缺陷分割可以通过较少的交互次数得到满意的分割结果,并且极大地提高X射线图像中缺陷的检测效率。
技术领域
本发明涉及深度学习技术领域,具体涉及一种基于深度学习的X射线图像交互式分割方法。
背景技术
目前基于深度学习的算法都是基于特定场景构建较大的数据集进行训练并取得较好的性能。在构建数据集的过程中,数据标注大都由人工标注完成,存在标注成本高、标准较难统一等问题。在工业检测领域中,缺少具有完整标注的大型数据集,在一定程度上限制了深度学习技术在工业检测领域中的应用。
目前学术界针对自然场景的基于深度学习的交互式分割研究较多,其目的是为了提高大型数据集的标注效率,自然场景中的目标具有较强的语义性,边界明确,且现有的交互式分割技术的分割对象往往为单个目标。
与自然场景不同,在实际的检测过程中,需要对X射线图像中的缺陷进行定量化的评价,且在X射线图像中的缺陷往往在一个区域会同时出现多个目标,且具有低语义性,边界模糊,应用现有的交互式分割方法检测效率较低,因此需要根据X射线图像中缺陷的特点,研发一种面向X射线图像的交互式分割方法。
发明内容
针对现有技术的不足,本发明公开了一种基于深度学习的X射线图像交互式分割方法,为了尽可能模拟实际交互的过程,提高操作者的交互效率,在实际操作中,用户只需要用多边形勾勒缺陷区域,并在缺陷目标中心位置处设置前景点即可完成首次的输入,根据首次分割结果在欠分割区域中心处设置前景点和在过分割区域设置背景点可以进一步修正分割结果。
本发明通过以下技术方案予以实现:
本发明公开了一种基于深度学习的X射线图像交互式分割方法,包括以下步骤:
S1获取X射线图像,用多边形大致勾勒出缺陷的区域,并对缺陷区域中的缺陷中心点处设置前景点;
S2利用基于深度学习的交互式分割模型,以多边形掩模、前景点和背景点为输入进行第一次推理得出分割结果;
S3分析第一次分割的结果,如果分割结果可以达到检测标准,结束分割;
S4如果分割结果未达到检测标准,则在过分割的区域中心位置处设置背景点,在欠分割的区域中心设置前景点;
S5将交互信息再次输入到交互式分割模型中进行推理,得出分割结果;
S6迭代上述步骤,直到得到满意的分割结果,然后输出最终分割结果。
更进一步的,所述方法中,基于深度学习的交互式分割模型的主干网络采用了编码-解码的结构,在编码器中的输入有图像、多边形掩码和首次选中的点,解码器有深层特征和浅层特征两个输入,在通道维度进行级联后通过卷积层、ReLu和批归一化层的处理后输出特征图。
更进一步的,所述方法中,首次选中的点的定义为目标区域的中心,在解码器中将特征图、辅助点和首次选中点作为解码模块的输入,其中辅助点为根据模型首次分割的结果,在过分割区域设置背景点和在欠分割区域设置前景点作为辅助点来指导模型后续的分割。
更进一步的,所述方法中,采用静态的点击点生成策略来生成前景点和背景点来指导模型训练,对于前景点的选择,针对一个缺陷目标,选取距边界最大的欧式距离处选择,对选择好的位置进行一个随机的微小的扰动,对于背景点的选取,在背景区域随机选择背景点或在缺陷区域附近选择背景点。
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浙江大学;浙江国研智能电气有限公司,未经浙江大学;浙江国研智能电气有限公司许可,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/pat/books/202110644869.X/2.html,转载请声明来源钻瓜专利网。