特許ウォッチ

公開番号2025100514
公報種別公開特許公報(A)
公開日2025-07-03
出願番号2024225468
出願日2024-12-20
発明の名称補正拡散モデルに基づく画像セグメンテーション方法及びシステム
出願人山東師範大学,SHANDONG NORMAL UNIVERSITY
代理人弁理士法人コスモス国際特許商標事務所
主分類G06T 7/00 20170101AFI20250626BHJP(計算;計数)
要約【課題】画像セグメンテーション精度のさらなる向上を実現する補正拡散モデルに基づく画像セグメンテーション方法及びシステムを提供する。
【解決手段】方法は、セグメンテーション対象画像に対して前処理を行い、前処理後のセグメンテーション対象画像に対してセグメンテーションを行い、一次セグメンテーション結果画像を得て、セグメンテーション結果の正解ラベルと一次セグメンテーション結果画像に対して差分演算を行い、系統誤差画像を得て、マルコフ連鎖の条件下で、系統誤差画像にガウスノイズを付加し、ガウスノイズが付加された系統誤差画像とノイズが付加されなかった系統誤差画像との差異を損失関数により計算し、損失関数の計算結果により系統誤差画像を反復的に補正・再構成して再構成系統誤差画像を得て、一次セグメンテーション結果画像と得られた再構成系統誤差画像に対して加算演算を行い、最終的なセグメンテーション結果画像を得る。
【選択図】図1
特許請求の範囲【請求項１】
セグメンテーション対象画像に対して前処理を行い、前処理後のセグメンテーション対象画像を得るステップと、
トレーニング済みのＵ－Ｎｅｔセグメンテーションネットワークにより前処理後のセグメンテーション対象画像に対してセグメンテーションを行い、一次セグメンテーション結果画像を得るステップと、
セグメンテーション対象画像のセグメンテーション結果の正解ラベルと一次セグメンテーション結果画像に対して差分演算を行い、系統誤差画像を得るステップと、
マルコフ連鎖の条件下で、前記系統誤差画像にガウスノイズを付加し、ガウスノイズが付加された前記系統誤差画像とノイズが付加されなかった系統誤差画像との差異を構築された損失関数により計算し、前記損失関数の計算結果により前記系統誤差画像を反復的に補正・再構成することで、再構成系統誤差画像を得るステップと、
一次セグメンテーション結果画像と得られた再構成系統誤差画像に対して加算演算を行い、最終的なセグメンテーション結果画像を得るステップと、
を含むことを特徴とする補正拡散モデルに基づく画像セグメンテーション方法。
続きを表示（約 2,100 文字）【請求項２】
前記Ｕ－Ｎｅｔセグメンテーションネットワークのトレーニングは、具体的に、ラベル付き画像をＵ－Ｎｅｔセグメンテーションネットワークの入力とし、画像のセグメンテーション結果をＵ－Ｎｅｔセグメンテーションネットワークの出力とし、Ｕ－Ｎｅｔセグメンテーションネットワークをトレーニングすることを含む、ことを特徴とする請求項１に記載の補正拡散モデルに基づく画像セグメンテーション方法。
【請求項３】
補正拡散モデルの前方拡散プロセスにより前記系統誤差画像にガウスノイズを付加し、具体的に、
前記系統誤差画像をエンコーダによってエンコードし、
エンコードされた前記系統誤差画像にガウスノイズを連続的に付加し、
再パラメタリゼーション技術により毎回ガウスノイズを付加した後の系統誤差画像を得ることを特徴とする請求項１に記載の補正拡散モデルに基づく画像セグメンテーション方法。
【請求項４】
トレーニング済みの補正拡散モデルによってセグメンテーション対象画像を処理して再構成系統誤差画像を取得し、具体的に、トレーニング済みの補正拡散モデルの逆拡散プロセスにおいて、エンコーダによりエンコードされたセグメンテーション対象画像を条件とし、ガウスノイズ画像から逆ノイズ除去プロセスを複数回行った後、デコーダによってデコードし、再構成系統誤差画像を得ることを特徴とする請求項１に記載の補正拡散モデルに基づく画像セグメンテーションシステム。
【請求項５】
Ｕ－Ｎｅｔノイズ除去ネットワークによりノイズ除去を行い、Ｕ－Ｎｅｔノイズ除去ネットワークにおいて、セグメンテーション対象画像をベクトル量子化変分オートエンコーダによってエンコードし、エンコードされたセグメンテーション対象画像をクロスアテンション機構によってＵ－Ｎｅｔノイズ除去ネットワークの中間層にマッピングし、条件付きノイズ予測器を用いて反復的ノイズ除去を複数回行い、潜在変数を変換してからデコーダに入力することによりデコードし、再構成系統誤差画像を得ることを特徴とする請求項４に記載の補正拡散モデルに基づく画像セグメンテーションシステム。
【請求項６】
前記補正拡散モデルのトレーニングは、具体的に、前方拡散プロセスにおいて、系統誤差画像を入力とし、ガウスノイズ画像を出力とし、逆拡散プロセスにおいて、予測される出力と実際のガウスノイズ出力画像との差異を損失関数により計算するとともに、接続重みの更新を勾配で計算し、次第にガウスノイズ画像から再構成系統誤差画像を反復的に生成することであることを特徴とする請求項１に記載の補正拡散モデルに基づく画像セグメンテーションシステム。
【請求項７】
逆拡散プロセスにおいて、タイムステップごとにセグメンテーション対象画像を追加して系統誤差の学習をガイドすることを特徴とする請求項４に記載の補正拡散モデルに基づく画像セグメンテーションシステム。
【請求項８】
セグメンテーション対象画像に対して前処理を行い、前処理後のセグメンテーション対象画像を得る取得モジュールと、
トレーニング済みのＵ－Ｎｅｔセグメンテーションネットワークにより前処理後のセグメンテーション対象画像に対してセグメンテーションを行い、一次セグメンテーション結果画像を得る一次セグメンテーションモジュールと、
セグメンテーション対象画像のセグメンテーション結果の正解ラベルと一次セグメンテーション結果画像に対して差分演算を行い、系統誤差画像を得る計算モジュールと、
マルコフ連鎖の条件下で、前記系統誤差画像にガウスノイズを付加し、ガウスノイズが付加された前記系統誤差画像とノイズが付加されなかった系統誤差画像との差異を構築された損失関数により計算し、前記損失関数の計算結果により前記系統誤差画像を反復的に補正・再構成することで、再構成系統誤差画像を得る再構成モジュールと、
一次セグメンテーション結果画像と得られた再構成系統誤差画像に対して加算演算を行い、最終的なセグメンテーション結果画像を得るセグメンテーションモジュールと、
を含むことを特徴とする補正拡散モデルに基づく画像セグメンテーションシステム。
【請求項９】
プロセッサ、メモリ及びバスを備え、前記メモリに前記プロセッサで実行可能な機械可読コマンドが記憶されており、コンピュータデバイスが作動するとき、前記プロセッサと前記メモリがバスを介して通信し、前記機械可読コマンドが前記プロセッサにより実行されるときに請求項１から７のいずれか一項に記載の補正拡散モデルに基づく画像セグメンテーション方法が実行されることを特徴とするコンピュータデバイス。
【請求項１０】
コンピュータプログラムが記憶されており、前記コンピュータプログラムがプロセッサにより実行されるときに請求項１から７のいずれか一項に記載の補正拡散モデルに基づく画像セグメンテーション方法が実行されることを特徴とするコンピュータ可読記憶媒体。

発明の詳細な説明【技術分野】
【０００１】
本発明は画像セグメンテーションの分野に属し、特に補正拡散モデルに基づく画像セグメンテーション方法及びシステムに関する。
続きを表示（約 2,500 文字）【背景技術】
【０００２】
この部分の説明は、本発明に関連する背景技術の情報を提供するためのものに過ぎず、必ずしも従来技術を構成するものではない。
【０００３】
通常、画像セグメンテーション誤差は、ランダム誤差と系統誤差の二種類に分類できる。ランダム誤差は、例えば画像ノイズや予測不可能な画像アーチファクトなどのランダム効果によるものであり、独立したセグメンテーションによって生成された複数の情報ラベルを融合することで低減できる。しかし、ランダム誤差は予測不可能であるため、ランダム誤差の検出や補正は非常に困難である。系統誤差は、システムモードによる誤差であり、即ちシステム開発者がセグメンテーションモデルをトレーニングするために使用する標準セグメンテーション定義と手動セグメンテーションプロトコルとの差異である。系統誤差は、特定のモデルに関係しているため、特定のモデル条件下で常に発生する。したがって、機械学習の技術を用いて特定のモデルの系統誤差を効果的に補正することができる。
【０００４】
近年、機械学習に基づく方法は画像セグメンテーションに広く用いられている。畳み込みニューラルネットワーク又はＵ－Ｎｅｔとそのバリアントモデルによる画像の直接セグメンテーションは、最も広く用いられている技術の１つである。従来の技術では、機械学習に基づく画像セグメンテーションを実現できるが、やはり次の問題により、最終的なセグメンテーションの精度が未だに低い。
【０００５】
機械学習に基づく従来のセグメンテーションモデルは、セグメンテーション誤差の問題を考慮していない。つまり、畳み込みニューラルネットワークやＵ－Ｎｅｔモデルによって画像セグメンテーションを行う場合、モデルの特性や画像ノイズ、アーチファクトなどの要因により画像セグメンテーション結果の精度に誤差が生じるという問題を考慮していない。
【０００６】
機械学習に基づく従来のセグメンテーションモデルは、系統誤差の補正を考慮していない。つまり、畳み込みニューラルネットワークとＵ－Ｎｅｔなどの深層学習モデルは、画像セグメンテーションの精度をある程度向上させることができるが、系統誤差を自動的に処理できないものが多い。また、系統誤差を如何にして補正するかについても考慮していない。
【発明の概要】
【０００７】
従来技術の上記の不足を克服するために、本発明は、補正拡散モデルに基づく画像セグメンテーション方法及びシステムを提供し、補正拡散モデルにおいて、ガウスノイズが付加された系統誤差画像とノイズが付加されなかった系統誤差画像との差異を損失関数により計算し、系統誤差画像を補正・再構成することで、系統誤差を拡散させることにより画像セグメンテーション精度のさらなる向上を実現する。
【０００８】
上記の目的を実現するために、本発明の第１側面は、
セグメンテーション対象画像に対して前処理を行い、前処理後のセグメンテーション対象画像を得るステップと、
トレーニング済みのＵ－Ｎｅｔセグメンテーションネットワークにより前処理後のセグメンテーション対象画像に対してセグメンテーションを行い、一次セグメンテーション結果画像を得るステップと、
セグメンテーション対象画像のセグメンテーション結果の正解ラベルと一次セグメンテーション結果画像に対して差分演算を行い、系統誤差画像を得るステップと、
マルコフ連鎖の条件下で、前記系統誤差画像にガウスノイズを付加し、ガウスノイズが付加された前記系統誤差画像とノイズが付加されなかった系統誤差画像との差異を構築された損失関数により計算し、前記損失関数の計算結果により前記系統誤差画像を反復的に補正・再構成することで、再構成系統誤差画像を得るステップと、
一次セグメンテーション結果画像と得られた再構成系統誤差画像に対して加算演算を行い、最終的なセグメンテーション結果画像を得るステップと、
を含む、補正拡散モデルに基づく画像セグメンテーション方法を提供する。
【０００９】
本発明の第２側面は、
セグメンテーション対象画像に対して前処理を行い、前処理後のセグメンテーション対象画像を得る取得モジュールと、
トレーニング済みのＵ－Ｎｅｔセグメンテーションネットワークにより前処理後のセグメンテーション対象画像に対してセグメンテーションを行い、一次セグメンテーション結果画像を得る一次セグメンテーションモジュールと、
セグメンテーション対象画像のセグメンテーション結果の正解ラベルと一次セグメンテーション結果画像に対して差分演算を行い、系統誤差画像を得る計算モジュールと、
マルコフ連鎖の条件下で、前記系統誤差画像にガウスノイズを付加し、ガウスノイズが付加された前記系統誤差画像とノイズが付加されなかった系統誤差画像との差異を構築された損失関数により計算し、前記損失関数の計算結果により前記系統誤差画像を反復的に補正・再構成することで、再構成系統誤差画像を得る再構成モジュールと、
一次セグメンテーション結果画像と得られた再構成系統誤差画像に対して加算演算を行い、最終的なセグメンテーション結果画像を得るセグメンテーションモジュールと、
を含む、補正拡散モデルに基づく画像セグメンテーションシステムを提供する。
【００１０】
本発明の第３側面は、プロセッサ、メモリ及びバスを備え、前記メモリに前記プロセッサで実行可能な機械可読コマンドが記憶されており、コンピュータデバイスが作動するとき、前記プロセッサと前記メモリがバスを介して通信し、前記機械可読コマンドが前記プロセッサにより実行されるときに上記した補正拡散モデルに基づく画像セグメンテーション方法のステップが実行される、コンピュータデバイスを提供する。
（【００１１】以降は省略されています）

関連特許