本发明涉及超声图像处理,尤其涉及一种超声图像标签处理方法、装置、超声设备及存储介质。
背景技术:
1、在超声应用中,图像分割是一个重点领域,不管是心脏对腔室的分割,还是乳腺对结节的分割,或者其他部位的应用,分割是工程师及临床医生最为关心的应用,精确的自动图像分割能够极大地提高医生的操作效率、诊断效率及精确度,因此,不同超声图像分割技术不断被提出来。近年来,自然图像的深度学习技术的迅速发展,使得超声领域的主流技术也迅速转向深度学习技术在超声领域中的应用,但与自然图像相比,深度学习在超声图像中的应用有一些天然的不足,其中一个重要的问题就是欠缺精确的标签数据集。由于目前深度学习的主流是全监督与半监督式的机器学习任务(无监督目前效果不够好),标签数据集的质量极大的影响深度学习方法的效果。超声图像由于其较低的信噪比,模糊不清的边界特征,复杂的扫查面结构变化,使得即使是经验颇丰的专业医师在标注图像分割的结构边界时,也往往难以准确判断,一般需要反复观看一帧图像的前后视频帧,来辅助判断超声图像的结构边界到底在何处。但这种通过视频来标注方式需要借助前后视频帧来辅助识别当前视频帧进行标注,无法依据当前视频帧进行标注。也就是说,很可能当前超声图像中确实是没有足够的边界信息,在这种情况下,后续的训练想要学习到这种边界特征就会变得比较缺乏说服力。
2、总的来说,当前在超声图像分割的数据标注问题来说,主要的缺陷是两个,一个是标注的准确度,一个是标注的效率。目前深度学习在图像分割上的主流标注手段是对每个像素点赋予一个非零即一的数值,使图像完全二值化,1代表是某种结构,0代表不是某种结构,这种非零即一的判定给标注医生造成困扰,也实际上在超声图像中经常会难以下这种绝对的非零即一的判断。为了克服这个问题,研究者事实上已经提出了一种比较好的思路,即标签平滑方案,通过标签平滑,通过使医生标注时不用过于拘泥具体像素的分类,可以是从整体上迅速给出一个区域判断,而且由于标签平滑后,不再非零即一,通过模糊化使标签完全错误的风险大为降低,也能使模型能够学习到更好的图像特征,带来更强的泛化能力。
3、当前,标签平滑技术主要有两类,一是通过简单的局域加权(如高斯平滑)来获取连续变化的标签,这种方案过于简单,虽然可实现标签平滑,但平滑方式与图像结构的实际意义往往缺乏足够的关联,因此效果难以保证;二是通过一个基础模型基于原本的硬标签进行训练得到,即利用基础模型对原本的数据集进行一轮处理,得到一些平滑的关联信息,思路很好,但是由于仍然是基于一个很可能有错的硬标签进行训练的,因此得到的平滑标签的可靠性较低,且基础模型训练也增加工程的复杂性。
技术实现思路
1、本发明实施例提供一种超声图像标签处理方法、装置、超声设备及存储介质,以解决超声图像标注的准确度和效率较低的问题。
2、一种超声图像标签处理方法,包括:
3、获取原始超声图像和所述原始超声图像对应的原始标签图像;
4、对所述原始超声图像进行特征提取,获取所述原始超声图像对应的图像特征;
5、对所述原始标签图像进行解剖约束提取,获取所述原始标签图像对应的原始约束信息;
6、基于所述原始超声图像对应的图像特征,对所述原始标签图像对应的原始约束信息进行极限优化,获取内极限边界和外极限边界;
7、对所述内极限边界和所述外极限边界进行区域平滑处理,确定所述原始超声图像对应的目标标签图像。
8、一种超声图像标签处理装置,包括:
9、原始图像获取模块,用于获取原始超声图像和所述原始超声图像对应的原始标签图像;
10、图像特征获取模块,用于对所述原始超声图像进行特征提取,获取所述原始超声图像对应的图像特征;
11、原始约束信息获取模块,用于对所述原始标签图像进行解剖约束提取,获取所述原始标签图像对应的原始约束信息;
12、极限边界获取模块,用于基于所述原始超声图像对应的图像特征,对所述原始标签图像对应的原始约束信息进行极限优化,获取内极限边界和外极限边界;
13、目标标签图像获取模块,用于对所述内极限边界和所述外极限边界进行区域平滑处理,确定所述原始超声图像对应的目标标签图像。
14、一种超声设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述超声图像标签处理方法。
15、一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述超声图像标签处理方法。
16、上述超声图像标签处理方法、装置、超声设备及存储介质,提取原始超声图像的图像特征和原始标签图像的原始约束信息,再基于图像特征对原始标签图像对应的原始约束信息进行极限优化处理,获取两个极限边界;再对两个极限边界进行区域平滑处理,将平滑处理后的平滑标签,确定原始超声图像对应的目标标签图像,以将原始标签图像上的不够可靠的硬标签,转化为目标标签图像上的更加符合实际的平滑标签,以方便后续利用原始超声图像和目标标签图像进行模型训练,提升模型训练的准确率,并且由于不再特别强调原始标签图像上的硬标签的精确度,也会降低标注医师的工作量,提升标注工作效率。
1.一种超声图像标签处理方法,其特征在于,包括:
2.如权利要求1所述的超声图像标签处理方法,其特征在于,所述对所述原始超声图像进行特征提取,获取所述原始超声图像对应的图像特征,包括:
3.如权利要求1所述的超声图像标签处理方法,其特征在于,所述对所述原始超声图像进行特征提取,获取所述原始超声图像对应的图像特征,包括:
4.如权利要求1所述的超声图像标签处理方法,其特征在于,所述原始标签图像包括背景标签和至少一个目标结构对应的结构标签;
5.如权利要求1所述的超声图像标签处理方法,其特征在于,所述基于所述原始超声图像对应的图像特征,对所述原始标签图像对应的原始约束信息进行极限优化,获取内极限边界和外极限边界,包括:
6.如权利要求5所述的超声图像标签处理方法,其特征在于,所述基于每一所述目标像素点的图像特征、所述原始约束信息和所述优化约束信息,判断是否满足极限优化终止条件,包括:
7.如权利要求6所述的超声图像标签处理方法,其特征在于,所述基于所述原始约束信息和所述优化约束信息,确定边界相似度,包括:
8.如权利要求6所述的超声图像标签处理方法,其特征在于,所述基于所述原始约束信息对应的目标像素点的图像特征和所述优化约束信息对应的目标像素点的图像特征,确定特征相似度,包括:
9.如权利要求1所述的超声图像标签处理方法,其特征在于,所述对所述内极限边界和所述外极限边界进行区域平滑处理,确定所述原始超声图像对应的目标标签图像,包括:
10.一种超声图像标签处理装置,其特征在于,包括:
11.如权利要求10所述的超声图像标签处理装置,其特征在于,所述图像特征获取模块,包括:
12.如权利要求10所述的超声图像标签处理装置,其特征在于,所述图像特征获取模块,包括:
13.如权利要求10所述的超声图像标签处理装置,其特征在于,所述原始标签图像包括背景标签和至少一个目标结构对应的结构标签;
14.如权利要求10所述的超声图像标签处理装置,其特征在于,所述极限边界获取模块,包括:
15.如权利要求14所述的超声图像标签处理装置,其特征在于,所述极限优化终止判断子模块,包括:
16.如权利要求15所述的超声图像标签处理装置,其特征在于,所述边界相似度确定单元,包括:
17.如权利要求15所述的超声图像标签处理装置,其特征在于,所述特征相似度确定单元,包括:
18.如权利要求10所述的超声图像标签处理装置,其特征在于,所述目标标签图像获取模块,包括:
19.一种超声设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至9任一项所述超声图像标签处理方法。
20.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至9任一项所述超声图像标签处理方法。