技术特征：
1.一种医学图像分割方法，其特征在于，包括：对原始的医学图像进行预处理；将预处理后的医学图像输入编码-解码网络结构以提取图像特征；对所述编码-解码网络结构中每个解码器阶段输出的所述图像特征进行处理，使除最深层的解码器阶段外的其他任一解码器阶段的图像特征均向所有更深层的解码器阶段的图像特征进行自蒸馏学习，计算密集模仿损失；根据所述编码-解码网络结构中输出层的图像特征结合对应的激活函数，得到预测结果；根据所述预测结果结合目标掩膜计算损失；通过反向传播算法更新所述编码-解码网络结构的网络参数。2.根据权利要求1所述的一种医学图像分割方法，其特征在于：所述对所述编码-解码网络结构中每个解码器阶段输出的所述图像特征进行处理，使除最深层的解码器阶段外的其他任一解码器阶段的图像特征均向所有更深层的解码器阶段的图像特征进行自蒸馏学习，计算密集模仿损失，包括如下步骤：获取每个解码器阶段输出的图像特征；根据所述每个解码器阶段输出的图像特征，得到对应的特征图；在所有解码器阶段的任意两个特征图之间，以更深层解码器阶段对应的特征图作为标签，根据损失函数计算模仿损失；将所有模仿损失相加得到密集模仿损失。3.根据权利要求2所述的一种医学图像分割方法，其特征在于，还包括：选择至少部分解码器阶段对应的特征图，并分别与输入的所述医学图像的真实标签进行损失计算，将所有结果相加得到目标感知损失。4.根据权利要求3所述的一种医学图像分割方法，其特征在于：用于所述目标感知损失的所述特征图采用较深层的部分解码器阶段对应的特征图。5.根据权利要求1所述的一种医学图像分割方法，其特征在于：所述预处理包括数据增强、控制输入范围、控制输入数据分布中的至少一种。6.根据权利要求1所述的一种医学图像分割方法，其特征在于：所述解码器阶段包括由多个连续进行的多尺度特征提取方法组成的多尺度特征提取流程，所述多尺度特征提取方法包括如下步骤：通道拆分：将输入的图像特征分为多组，其中每一组的图像特征输入到不同的分支中；分支处理：输入到每一分支中的图像特征分别经过不同尺度的卷积特征提取处理并保持过程中特征通道数不变，不同的所述分支具有不同的池化大小；通道拼接：将不同分支输出的图像特征根据通道拼接得到拼接图像特征，所述拼接图像特征与所述输入的图像特征具备相等的通道数；将所述拼接图像特征与所述输入的图像特征进行逐通道逐像素相加，得到输出特征，并将其向后传递。7.根据权利要求6所述的一种医学图像分割方法，其特征在于：所述并将其向后传递之后，还包括：通道混淆：将所述输出特征以打乱通道顺序的方式重排。8.一种医学图像分割装置，其特征在于，包括：
数据预处理模块，用于对原始的医学图像进行预处理；特征提取模块，用于将预处理后的医学图像输入编码-解码网络结构以提取图像特征；自蒸馏学习模块，用于对所述编码-解码网络结构中每个解码器阶段输出的所述图像特征进行处理，使除最深层的解码器阶段外的其他任一解码器阶段的图像特征均向所有更深层的解码器阶段的图像特征进行自蒸馏学习，计算密集模仿损失；结果预测模块，用于根据所述编码-解码网络结构中输出层的图像特征结合对应的激活函数，得到预测结果；损失计算模块，用于根据所述预测结果结合目标掩膜计算损失；反向传播模块，用于通过反向传播算法更新所述编码-解码网络结构的网络参数。9.根据权利要求8所述的一种医学图像分割装置，其特征在于：所述自蒸馏学习模块，包括：特征获取模块，用于获取每个解码器阶段输出的图像特征；特征图获取模块，用于根据所述每个解码器阶段输出的图像特征，得到对应的特征图；密集模仿损失模块，用于在所有解码器阶段的任意两个特征图之间，以更深层解码器阶段对应的特征图作为标签，根据损失函数计算模仿损失，将所有模仿损失相加得到密集模仿损失。10.根据权利要求9所述的一种医学图像分割装置，其特征在于：所述自蒸馏学习模块，还包括：目标感知损失模块，用于选择至少部分解码器阶段对应的特征图，并分别与输入的所述医学图像的真实标签进行损失计算，将所有结果相加得到目标感知损失。11.根据权利要求8所述的一种医学图像分割装置，其特征在于：所述解码器，包括多尺度特征提取模块，所述多尺度特征提取模块包括多个依次连接的多尺度特征提取单元；所述多尺度特征提取单元包括：通道拆分模块，用于将输入的图像特征分为多组，其中每一组的图像特征输入到不同的分支中；分支处理模块，用于将输入到每一分支中的图像特征分别经过不同尺度的卷积特征提取处理并保持过程中特征通道数不变，不同的所述分支具有不同的池化大小；通道拼接模块，用于将不同分支输出的图像特征根据通道拼接得到拼接图像特征，所述拼接图像特征与所述输入的图像特征具备相等的通道数；输出模块，用于将所述拼接图像特征与所述输入的图像特征进行逐通道逐像素相加，得到输出特征，并将其向后传递。12.根据权利要求11所述的一种医学图像分割装置，其特征在于：所述解码器，还包括位于相邻所述多尺度特征提取单元之间的通道混淆模块；所述通道混淆模块，用于将所述输出特征以打乱通道顺序的方式重排。13.一种医学图像分割设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的一种医学图像分割方法。
14.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的一种医学图像分割方法。
技术总结
本发明公开了一种医学图像分割方法，包括：对原始的医学图像进行预处理；将预处理后的医学图像输入编码-解码网络结构以提取图像特征；对编码-解码网络结构中每个解码器阶段输出的图像特征进行处理，使除最深层的解码器阶段外的其他任一解码器阶段的图像特征均向所有更深层的解码器阶段的图像特征进行自蒸馏学习，计算密集模仿损失；根据编码-解码网络结构中输出层的图像特征结合对应的激活函数，得到预测结果；根据预测结果结合目标掩膜计算损失，之后通过反向传播算法更新网络参数。本发明还公开了一种医学图像分割系统、设备及计算机可读介质。本发明能够在不增加或不明显增加参数的情况下有效提升医学图像分割网络的性能。性能。性能。
技术研发人员：高英 谢林森 蔡文天
受保护的技术使用者：华南理工大学
技术研发日：2022.03.31
技术公布日：2022/10/24