(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111605820.X (22)申请日 2021.12.25 (71)申请人 宁波凯德科技 服务有限公司 地址 315000 浙江省宁波市杭州湾新区滨 海四路262号20 5室 (72)发明人 王帅　田玉铢　孟凡云　王金鹤　 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 5/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于椒盐噪声全变分数据增广的图像 语义分割方法 (57)摘要 本发明涉及一种基于椒盐噪声全变分数据 增广的图像语义分割方法， 所述方法基于全变分 正则化模型进行数据增广， 并对增广后的数据集 运用神经网络技术， 实现医疗PET/CT图像的中的 肿瘤分割的方法， 该方法对增广后的数据集采用 神经网络的方法， 实现医疗PET/CT图像的中的肿 瘤分割。 本发 明通过将该类图像数据也作为样本 加入数据集， 通过极小化全变分正则化去噪模型 中的优化问题， 迭代产生满足不同精度要求的去 噪结果， 对数据集进行进一步的扩充， 使得得到 的图像分割结果更 具鲁棒性。 权利要求书2页 说明书4页 附图2页 CN 114299004 A 2022.04.08 CN 114299004 A 1.一种基于椒盐噪声全变分数据增广的图像语义分割方法， 其特征是： 所述方法基于 全变分正则化模型进行数据增广， 并对增广后的数据集运用神经网络技术， 实现医疗PET/ CT图像的中的肿瘤分割的方法， 包括如下步骤： 步骤1： 获取数据集中的样本图像信息， 设图像Ω中的像素点(x， y)处的像素值为I(x， y)， 不失一般性的， 简记整幅图像 像素值为映射I， 该图像对应的标签图像为 L； 步骤2： 对图像添加信噪比不同的信息 椒盐噪声n， 得到噪声图像f， 即， f＝I+n； 步骤3： 利用一个全变分正则化图像去噪模型进行去除噪声处理， 得到去噪后的结果图 像； 步骤3.1： 构建适用于特定噪声的所述的全变分正则化图像去噪模型： 其中 ， 符号 ， minu表示函数关于希望得到的去噪后图像像素值u取极小 ， 表示图像像素值的分布导数， 其分量分别为关于横向x、 纵向y的偏导数， 旨在控制图像的像素值u具有分片取常值 的特点， || ·||1表示1‑范数， λ＞0为模型中的正 则化参数， 第二项||u ‑f||1旨在控制u， 使其不会过度偏离获取 的f， 相较于2‑范数， 1‑范数 更能体现噪声的稀疏 特性； 步骤3.2： 对所述全变分正则化图像去噪模型利用一个primal ‑dual算法进行求 解； 所述全变分正则化图像去噪模型等 价的写成下述原 始对偶形式， 其中p是对偶变量， 其所属的对偶空间用Y表示， P是 下面形式的凸集 合 P＝{p∈Y： | |p||∞＜1} 且||p||∞表示无穷范数， δP是集合P的指示函数； 从而可得到下述形式的原始对偶迭代 算法 pk+1＝argminp∫Ω＜uk+1， div p＞+δP(p) 其中div p表示对偶变量p的散度， θ 为超梯度参数， 步骤3.3： 选择不同的精度要求， 得到该要求下的图像去噪结果， 在算法迭代的每一步 计算误差 分别取不同程度的误差容忍度tol， (例如可以分别取tol＝10 ‑2， 10‑3， 10‑4， 10‑5)， 输出对应的样本去噪图像 步骤4： 将噪声图像f与去噪结果图像 分别与样本对应的标记图像L做对应， 得到扩充 后的图像数据集， 由于加入的椒盐噪声具有不同的信噪比， 因此噪声图像f有多个， 其在不 同误差容忍度下得到的去噪结果也有多个， 他们所对应的标记图像依旧是L， 因此实现了从权　利　要　求　书 1/2 页 2 CN 114299004 A 2唯一对应关系(I， L)的扩充， 形成一个增光数据集。 2.根据权利要求1所述的基于椒盐噪声全变分数据增广的图像语义分割方法， 其特征 是： 得到所述的数据集后， 搭建一个神经网络模型， 进行训练和预测， 其 步骤为： 步骤5.1： 搭建合适的、 端到端的一个全卷积神经网络模型， 其宏观架构为一个V ‑net模 型网络， 所示V ‑net模型网络包括卷积 网络的层数、 卷积核的大小、 步长、 训练轮数、 优化器 和学习率； 步骤5.2： 将所述增光数据集作为输入带入所述的V ‑net模型网络进行训练； 步骤5.3： 网络训练完成后， 将需要进行分割和处理的新的所述 医疗PET/CT图像分别代 入所述V‑net模型网络， 得到最终的分割结果。权　利　要　求　书 2/2 页 3 CN 114299004 A 3