CN119477926A 一种联合图像自适应增强的图像分割模型的训练方法、装置及设备 （卡本(深圳)医疗器械有限公司）

道塘头社区塘头1号路创维创新谷5#B一种联合图像自适应增强的图像分割模型及一种联合图像自适应增强的图像分割模型的模块针对样本超声图像进行图像增强处理后输网络模型针对超声图像进行图像分割的技术中由于有过多人工参与的环节导致输入至神经网络模型的图像质量不稳定以及神经网络模型输2将样本超声图像输入至所述图像处理系统模块，以使所述图像样本超声图像确定预测增强参数并且根据所述预测增强参数针对所述样本超声图像进行将所述样本增强图像输入至所述图像分割模块，以使所述图像根据所述预测分割图像确定损失值，根据所述损失值对所述模型的模型参数进行更将所述样本超声图像输入至所述质量参数模块，以使所述质量将所述样本超声图像输入至所述风格参数模块，以使所述风格所述增强处理模块的数量均为多个；所述将样本超声图像输入至所述图像处理系统模块，将所述样本超声图像与一个所述预测质量增强参数或者一个所述预测风格增强参数将多组所述目标输入数据中的每组所述目标输入数据均输入一个所述增强处理模块，以使每个所述增强处理模块根据所述目标输入数据中的所述预测质量增强参数或者所述预测风格增强参数针对所述样本超声图像进行图像增强处理后输出将多个所述三通道增强图像输入至所述图像融合模块，以使所述图个所述三通道增强图像进行融合处理后输出多通道的所将包括所述预测锐化参数的所述目标输入数据输入至一个所述增强应的所述增强处理模块根据所述预测锐化参数对所述样本超声图像中的高频图像特征进将包括所述预测伽马校正参数的所述目标输入数据输入至一使对应的所述增强处理模块对所述样本超声图像中较亮区域和较暗区域之间的对比度进3将包括所述预测去噪参数的所述目标输入数据输入至一个所述增强处理模块应的所述增强处理模块对所述样本超声图像进行增强处理后输出一将包括所述预测色调参数的所述目标输入数据输入至一个所述增强将包括所预测对比度参数的所述目标输入数据输入至一个所述增强应的所述增强处理模块对所述样本超声图像的整体对比度进行调整后输出一个三通道增将待分割超声图像输入至已训练的所述联合图像自适应增强的图像述图像处理系统模块根据所述待分割超声图像确定预测增强参数并且根据所述预测增强割模块针对所述样本增强图像进行图像分割处理后输出所述第一输入模块，用于将样本超声图像输入至所述图像处理系统模像处理系统模块根据所述样本超声图像确定预测增强参数并且根据所述预测增强参数针对所述样本超声图像进行图像增强处理后输出所述第二输入模块，用于将所述样本增强图像输入至所述图像分割模像分割模块针对所述样本增强图像进行图像分割所述更新模块，用于根据所述预测分割图像确定损失值，根据所述损设备实现如权利要求1至6中任一项所述的联合图像自适应增强的图像分割模型的训练方9.一种计算机可读存储介质，其特征在于，所述4的技术中由于有过多人工参与的环节导致输入至神经网络模型的图像质量不稳定以及神影像质量人工调节复杂多样导致输入至神经网络模型的图像质量不稳定以及因为图像质[0006]第一方面，本申请提供了一种联合图像自适应增强的图所述样本超声图像确定预测增强参数并且根据所述预测增强参数针对所述样本超声图像[0007]第二方面，本申请提供了一种联合图像自适应增强的图5述图像处理系统模块根据所述样本超声图像确定预测增强参数并且根据所述预测增强参数针对所述样本超声图像进行图像增强处理后输出述图像分割模块针对所述样本增强图像进行图像分割处理后输出存储器用于存储应用程序，所述处理器通过运行或执行存储在所述存储器内的软件程序，以使所述电子设备实现上述的联合图像自适应增强的图像分割当通过本申请提供的训练方法针对神经网络模型进行训练后可得到的联合图像根据图像增强参数针对样本超声图像进行图像增强处理以输出具有高质量并且质量稳定割任务，故以满足图像分割模块的图像分割预测过程中对所输入的超声图像的质量需求；型针对超声图像进行图像分割的技术中由于有过多人工参与的环节导致输入至神经网络模型的图像质量不稳定以及神经网络模型输出的分割图像的质量比较[0013]图1为本申请实施例提供的联合图像自适应增强的图像分割模型的训练方法的流6图5为本申请实施例提供的联合图像自适应增强的图像分割模型的训练装置的结[0015]在现有的很多病症诊断场景中，很多情况下会产生对超比如当需要精确识别病变区域时需要对医学图像进行分割以得到关于病变区域的区域图[0017]根据实际经验可知，由于神经网络模型的训练过程中训过多人工参与的环节导致输入至神经网络模型的图像质量不稳定以及神经网络模型输出7本超声图像确定预测增强参数并且根据预测增强参数针对样本超声图像进行图像增强处像进行处理所输出的样本预测图像进行比较以确定损失值来针对联合图像自适应增强的W和通道数C的维度形式进入质量参数模块和风格参数[0026]在实际操作中，训练图像处理系统模块的目的并不只是单纯地提供样本增强图8图像处理系统模块所输出的样本增强图像进行精准的分割处理以得到准确的预测分割图[0028]在通过图像处理系统模块识别样本超声图像所存在的质量问题的严重程度并且模块针对样本超声图像的视觉质量进行增强的预测质采用batchnormalization对特征图进行归一化处理；激活层通过激活函数PRelu引入非线。9步骤（3将样本超声图像与一个预测质量增强参数或者一个预测风格增强参数而导致训练得到的网络层或者神经网络的综合质量增强能力比理模块；其中，不同的质量参数模块和风格参数模块用于针对样本超声图像可能存在的不同的质量问题进行识别，每个质量参数模块或者风格参数模块通常对应于一个质量问题，即每个质量参数模块或者风格参数模块仅用于确定样本超声图像在其对应的质量问题上的严重程度并且输出用于指导增强处理模块解决该质量问题的图像增强参数，以使增强处理模块可根据图像增强参数对每个样本超声图像所存在的不同严重程度的质量问题进行可大幅度提高针对样本超声图像的质量问题的识别以使每个增强处理模块根据目标输入数据中的预测质量增强参数或者预测风格增强参数其中的预测质量增强参数或者预测风格增强参数针对样本超声图像进行针对性地处理以对应的增强处理模块根据预测锐化参数对样本超声图像中的高频图像特征进行增强处理）为本申请实施例提供的样本超声图像的示例;[0049]④将每个像素位置的像素差与预测锐化参数之积和像素差之和确定为三通道增;式中，sharpimg(i,j)表示三通道增强图像中像素位置(i,)处的像素值。以使对应的增强处理模块对样本超声图像中较亮区域和较暗区域之间的对比度进行调整[0051]具体地，预测伽马校正参数能够用于调整样本超声图像的亮度和对比度。如图4;位置(i,)处的像素值；对应的增强处理模块对样本超声图像中的高频图像特征进行增强处理后输出一个三通道图，直接影响样本超声图像的去噪效果和细节保留，当增强处理模块基于预测去噪参数Bgaussian针对样本超声图像进行处理后可使得到的三通道增强图像符合图像分割模块在;对应的增强处理模块对样本超声图像的色调进行调整后输出一个三;以使对应的增强处理模块对样本超声图像的整体对比度进行调整后输出一个三通道增强;m表示样本超声图像中各个像素位置(i,)处的像素值的均值；个三通道增强图像进行融合处理后输出多通道体包括：第一个三通道增强图像的图像张量锐化img、第二个三通道增强图像的图像张量张量色调img和第五个三通道增强图像的图像张量对比度img，每个图像张量都有相同的信息内容也更为全面和准确；拼接后得到的样本增强图像的数据结构为[B,C1+C2+C3+C4+CS,H,W]，多通道的样本增强图像可以被用于后续的图像分割。步骤（6将待分割超声图像输入至已训练的联合图像自适应增强的图像分割模入的超声图像的质量进行自动调整和针对经过质量自动调整后的超声图像进行分割处理络模型进行训练后可得到的联合图像自适应增强的图像分割模型能够根据所输入的超声能够解决现有的应用神经网络模型针对超声图像进行图像分割的技术中由于有过多人工参与的环节导致输入至神经网络模型的图像质量不稳定以及神经网络模型输出的分割图[0078]第二，本申请实施例提供了一种联合图像自适应增强的图像分割模型的训练装系统模块根据样本超声图像确定预测增强参数并且根据预测增强参数针对样本超声图像入模块310，还用于将样本超声图像与一个预测质量增强参数或者一个预测风格增强参数第一输入模块310，还用于将多组目标输入数据中的每组目标输入数据均输入一测风格增强参数针对样本超声图像进行图像增强处理后输出融合模块针对多个三通道增强图像进行融合处理后输出第二输入模块320，还用于将包括预测伽马校正参数的目标输入数据输入至一个第二输入模块320，还用于将包括预测去噪参数的目标输入数据输入至一个增强使对应的增强处理模块对样本超声图像的色调进行调整后输出第二输入模块320，还用于将包括所预测对比度参数的目标输入数据输入至一个测增强参数并且根据预测增强参数针对待分割超声图像进行图像增强处理后输出样本增处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例提供的S110~S130[0089]再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部