使用一个或更多个神经网络进行图像分割制造技术

本发明专利技术公开了使用一个或更多个神经网络进行图像分割，具体提出了用于预测针对图像中的对象的分割的装置、系统和技术。在至少一个实施例中，训练神经网络以至少部分地基于一个或更多个数字图像中的一个或更多个对象的一个或更多个边界区域来确定与一个或更多个对象相对应的一个或更多个分割掩码。象相对应的一个或更多个分割掩码。象相对应的一个或更多个分割掩码。

【技术实现步骤摘要】
使用一个或更多个神经网络进行图像分割
[0001]相关申请的交叉引用
[0002]至少一个实施例涉及用于执行和促进人工智能的处理资源。例如，至少一个实施例涉及用于根据本文描述的各种新颖技术来训练神经网络的处理器或计算系统。

技术介绍

[0003]计算机技术的进步导致对象识别和分析能力的提高。出于这种分析的目的，机器学习已被用作检测图像数据中的对象的工具。对于体数据，利用二维卷积的网络会丢失三维输入数据的某些空间上下文。三维卷积非常耗费资源，但是这可能会限制网络的深度和要分析的输入体的大小。
附图说明
[0004]将参照附图描述根据本公开的各个实施例，在附图中：
[0005]图1A、1B和1C示出了根据至少一个实施例的可以使用一个或更多个神经网络处理的图像；
[0006]图2示出了根据至少一个实施例的网络配置；
[0007]图3A、图3B和图3C示出了根据至少一个实施例的分割结果；
[0008]图4A和图4B示出了根据至少一个实施例的用于训练和推理的过程；
[0009]图5示出了根据至少一个实施例的用于预测分割掩码的过程；
[0010]图6A示出了根据至少一个实施例的推理和/或训练逻辑；
[0011]图6B示出了根据至少一个实施例的推理和/或训练逻辑；
[0012]图7示出了根据至少一个实施例的示例数据中心系统；
[0013]图8示出了根据至少一个实施例的计算机系统；
[0014]图9示出了根据至少一个实施例的计算机系统；
[0015]图10示出了根据至少一个实施例的计算机系统；
[0016]图11示出了根据至少一个实施例的计算机系统；
[0017]图12A示出了根据至少一个实施例的计算机系统；
[0018]图12B示出了根据至少一个实施例的计算机系统；
[0019]图12C示出了根据至少一个实施例的计算机系统；
[0020]图12D示出了根据至少一个实施例的计算机系统；
[0021]图12E和图12F示出了根据至少一个实施例的共享编程模型；
[0022]图13示出了根据至少一个实施例的示例性集成电路和相关联的图形处理器；
[0023]图14A
‑
14B示出了根据至少一个实施例的示例性集成电路和相关联的图形处理器；
[0024]图15A
‑
15B示出了根据至少一个实施例的附加的示例性图形处理器逻辑；
[0025]图16示出了根据至少一个实施例的计算机系统；
[0026]图17A示出了根据至少一个实施例的并行处理器；
[0027]图17B示出了根据至少一个实施例的分区单元；
[0028]图17C示出了根据至少一个实施例的处理集群；
[0029]图17D示出了根据至少一个实施例的图形多处理器；
[0030]图18示出了根据至少一个实施例的多图形处理单元(GPU)系统；
[0031]图19示出了根据至少一个实施例的图形处理器；
[0032]图20示出了根据至少一个实施例的处理器的微架构；
[0033]图21示出了根据至少一个实施例的深度学习应用处理器；
[0034]图22示出了根据至少一个实施例的示例神经元形态处理器；
[0035]图23和图24示出了根据至少一个实施例的图形处理器的至少部分；
[0036]图25示出了根据至少一个实施例的图形处理器核心的至少部分；
[0037]图26A
‑
26B示出了根据至少一个实施例的图形处理器核心的至少部分；
[0038]图27示出了根据至少一个实施例的并行处理单元(“PPU”)；
[0039]图28示出了根据至少一个实施例的通用处理集群(“GPC”)；
[0040]图29示出了根据至少一个实施例的并行处理单元(“PPU”)的存储器分区单元；
[0041]图30示出了根据至少一个实施例的流式多处理器；
[0042]图31是根据至少一个实施例的用于高级计算管线的示例数据流程图；
[0043]图32是根据至少一个实施例的用于在高级计算管线中训练、适配、实例化和部署机器学习模型的示例系统的系统图；
[0044]图33包括根据至少一个实施例的用于处理成像数据的高级计算管线的示例图示；
[0045]图34A包括根据至少一个实施例的支持超声设备的虚拟仪器的示例数据流程图；
[0046]图34B包括根据至少一个实施例的支持CT扫描仪的虚拟仪器的示例数据流程图；
[0047]图35A示出了根据至少一个实施例的用于训练机器学习模型的过程的数据流程图；以及
[0048]图35B是根据至少一个实施例的用于利用预训练的注释模型来增强注释工具的客户端
‑
服务器架构的示例图示。
具体实施方式
[0049]在至少一个实施例中，图1A中示出的图像100可以被分析。在至少一个实施例中，图像100包括人类患者的躯干102的截面图中的内部器官的表示，如可以包括在磁共振成像(MRI)或计算机断层摄影(CT)数据的图像中。在至少一个实施例中，尽管示出了二维表示，但是可以利用三维的图像数据。在至少一个实施例中，图像100包括感兴趣的对象104的表示，在这种情况下是要分析的人类肝脏。在至少一个实施例中，为了分析肝脏，例如测量尺寸、形状或其他这样的方面，确定与肝脏相对应的输入图像数据的一部分。在至少一个实施例中，可以执行图像分割，该图像分割将识别输入图像数据的对应于感兴趣对象(在这种情况下是人类肝脏)的部分142，如图1B的图像视图140所示。在至少一个实施例中，输入的体数据(volumetric data)的分割可以导致原始或目标分辨率的三维(3D)表示180，如图1C所示。在至少一个实施例中，这种对象表示可以用于各种类型的分析，例如测量该器官的大小、形状或该器官中的不规则性。
[0050]在至少一个实施例中，这样的分割可以在医学图像分析中起重要作用，这有益于
临床研究、疾病诊断和手术计划。在至少一个实施例中，自动或半自动分割方法可以用于识别和解析器官、骨骼、肿瘤和其他感兴趣区域(ROI)。在至少一个实施例中，这可以包括识别和解析被识别的2D、3D或4D医学图像的解剖对象(例如，器官、骨骼或肿瘤)。在至少一个实施例中，尽管存在由成像过程而导致的潜在的模糊的外观对比度(这可能是由于在图像采集过程中不正确的扫描仪设置、呼吸或身体运动导致的)，分割过程仍可以准确地预测图像中的ROI的边界区域。在至少一个实施例中，当训练和优化机器学习模型时，利用边界增强损失来实施附加约束。在至少一个实施例中，这种损失函数是轻量级的，并且可以在没有任何需要的预处理或后处理的情况下实现。在至少一个实施例中，可以使用一种模型架构，该模型架构包括能够接受图像作为直接输入和输出分割掩码的编码器和解码器。在至少一个实施例中，可以使用处理元件(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种处理器，包括：一个或更多个电路，用于帮助训练一个或更多个神经网络，以至少部分地基于一个或更多个数字图像中的一个或更多个对象的一个或更多个边界区域，确定与所述一个或更多个对象相对应的一个或更多个分割掩码。2.根据权利要求1所述的处理器，其中所述一个或更多个神经网络使用包括分割损失项和边界增强损失项的损失函数来优化。3.根据权利要求2所述的处理器，其中所述分割损失项是与所述一个或更多个分割掩码有关的Dice损失。4.根据权利要求2所述的处理器，其中所述边界增强损失项使用所述一个或更多个分割掩码来确定，所述一个或更多个分割掩码具有拉普拉斯滤波，其被应用以增强所述一个或更多个分割掩码的边界区域附近的值。5.根据权利要求2所述的处理器，其中所述边界增强损失项使用一系列没有偏差项的卷积运算来确定。6.根据权利要求2所述的处理器，其中所述一个或更多个电路还用于调整所述一个或更多个神经网络的一个或更多个网络参数，以最小化所述损失函数。7.一种系统，包括：一个或更多个处理器，用于帮助训练一个或更多个神经网络，以至少部分地基于一个或更多个数字图像中的一个或更多个对象的一个或更多个边界区域，确定与所述一个或更多个对象相对应的一个或更多个分割掩码。8.根据权利要求7所述的系统，其中所述一个或更多个神经网络使用包括分割损失项和边界增强损失项的损失函数来优化。9.根据权利要求8所述的系统，其中所述分割损失项是与所述一个或更多个分割掩码有关的Dice损失。10.根据权利要求8所述的系统，其中所述边界增强损失项使用所述一个或更多个分割掩码来确定，所述一个或更多个分割掩码具有拉普拉斯滤波，其被应用以增强所述一个或更多个分割掩码的边界区域附近的值。11.根据权利要求8所述的系统，其中所述边界增强损失项使用一系列没有偏差项的卷积运算来确定。12.根据权利要求8所述的系统，其中所述一个或更多个电路还用于调整所述一个或更多个神经网络的一个或更多个网络参数，以最小化所述损失函数。13.一种方法，包括：训练一个或更多个神经网络，以至少部分地基于一个或更多个数字图像中的一个或更多个对象的一个或更多个边界区域，确定与所述一个或更多个对象相对应的一个或更多个分割掩码。14.根据权利要求13所述的方法，其中所述一个或更多个神经网络使用包括分割损失项和边界增强损失项的损失函数来优化。15.根据权利要求14所述的方法，其中所述分割损失项是与所述一个或更多个分割掩码有关的Dice损失。16.根据权利要求14所述的方法，其中所述边界增强损失项使用所述一个或更多个分
割掩码来确定，所述...

【专利技术属性】
技术研发人员：杨栋，H，
申请(专利权)人：辉达公司，
类型：发明
国别省市：