一种图像分割方法、装置、设备及介质与流程

本发明涉及医学图像处理，尤其涉及一种图像分割方法、装置、设备及介质。

背景技术：

1、图像领域的飞速发展。医学图像技术通过对于患者特定部位的成像显示直接的向医生提供了患者身体内部病灶情况，是临床诊断治疗必不可少的辅助手段之一。医学图像分割能够很好地向医生提供目标物体详细的大小、形状以及位置等重要信息，因此在临床疾病诊断筛查过程中有着至关重要的作用。

2、然而，医生手动分割判断不仅仅速度慢，而且其分割结果的准确性高低很大程度上取决于医生专业水平的高低，这极大的限制了偏远地区或小型医院卫生所对于潜在患者的发现与治疗几率，因此自动化医学图像分割意义重大。

3、医学图像的高精度高速度识别分割处理吸引着越来越多研究人员的关注，其中应用数学、统计学、图像学、计算机学等一系列领域学者的加入合作，使得医学图像处理发展迅速，成果喜人，从传统的全人工分割识别发展到如今半自动和全自动分割处理。

4、近十多年来，基于神经网络的深度学习算法在众多医学图像分割任务中表现优异。然而这些基于神经网络的深度学习算法大多只有一个尺度的输出，在小物体的分割表现上不尽人意。在医学图形分割领域，对小物体的高敏感性是十分重要的，这直接关系到疾病的早起发现和诊断，是智能医疗系统建立中至关重要的一步。

技术实现思路

1、为了克服上述技术缺陷，本发明的目的在于提供一种图像分割方法、装置、设备及介质，解决现有图像分割模型处理过程中只存在单一尺度的输出，导致分割精准度不够的问题。

2、本发明公开了一种图像分割方法，包括：

3、建立图像分割模型，并采用若干样本图像进行训练；

4、在所述图像分割模型中，对样本图像进行特征提取，获取不同层次的特征数据，其中，所述特征数据包括多个高层次特征数据和多个低层次特征数据；

5、对所述特征数据依次融合，输出多个融合特征数据；

6、对各个高层次特征数据进行聚合特征提取，获得参考特征数据；

7、基于所述参考特征数对各个融合特征数据进行注意力机制解码，生成多个输出结果；

8、基于输出结果建立损失函数，在训练中进行多输出学习，以在训练后获得目标模型；

9、采用所述目标模型对待处理图像进行处理，多输出迭代生成目标结果，进行图像分割。

10、优选地，所述对样本图像进行特征提取，获取不同分辨率的特征数据，包括：

11、采用多个不同层级的卷积网络对所述样本图像进行特征提取，其中，各个卷积网络对应输出各个高层次特征数据和低层次特征数据层级依次递减。

12、优选地，对所述特征数据依次融合，输出多个融合特征数据，包括：

13、将n个特征数据按照层次递减依次记为第i个特征数据，其中，i＝1，2，3，……，n；n≥5；

14、对于第j个特征数据，其中，j＝1，2，3，……，n-1，对所述特征数据进行上采样，并与第j+1特征数据拼接后，通过反卷积层、激活层、bn层进行特征融合，获得对应的融合特征数据；

15、迭代，以输出多个融合特征数据。

16、优选地，所述对各个高层次特征数据进行聚合特征提取，获得参考特征数据，包括：

17、对各个高层次特征数据分别进行上采样后依次通过多尺寸卷积核的卷积层、激活函数层以及bn层，获得参考特征数据。

18、优选地，所述基于所述参考特征数对各个融合特征数据进行注意力机制解码，生成多个输出结果，包括：

19、将n个特征数据按照层次递减排序，将其对应的融合特征数据依次记为第j个融合特征数据，其中，j＝1，2，3，……，n-1；n≥5；

20、对于第n-1个融合特征数据，采用sigmoid函数对所述参考特征数据处理后，执行特征翻转，与第n-1个特征数据相乘后与所述参考特征数据加和，通过卷积层和激活函数处理后输出第n-1个输出结果；

21、对于第m个融合特征数据，m＝1，2，3……，n-2：采用sigmoid函数对第m+1个输出结果处理后，执行特征翻转，与第m个特征数据相乘后与第m+1个输出结果加和，通过卷积层和激活函数处理后输出第m个输出结果；

22、迭代，生成多个输出结果。

23、优选地，所述基于输出结果建立损失函数，在训练中进行多输出学习，包括：

24、基于每一输出结果均建立iou损失函数和交叉熵损失函数；

25、将各个输出结果对应的损失函数加和以生成用于图像分割模型的损失函数，在训练中进行多输出学习。

26、优选地，采用所述目标模型对待处理图像进行处理，多输出迭代生成目标结果，包括：

27、对待处理图像进行特征提取，获取不同层次的目标特征数据，其中，所述目标特征数据包括多个高层次目标特征数据和多个低层次目标特征数据；

28、对所述目标特征数据依次执行采样和融合，输出多个目标融合特征数据；

29、对各个高层次目标特征数据进行聚合特征提取，获得目标参考特征数据；

30、基于所述目标参考特征数逐个对各个目标融合特征数据进行注意力机制解码，并基于多个输出的结果数据迭代获得目标结果。

31、本发明还提供一种图像分割装置，包括：

32、预处理模块，用于建立图像分割模型，并采用若干样本图像进行训练；

33、特征提取模块，用于对样本图像进行特征提取，获取不同层次的特征数据，其中，所述特征数据包括至少三个高层次特征数据和至少两个低层次特征数据；

34、特征融合模块，用于对所述特征数据依次执行采样和融合，输出至少四个融合特征数据；

35、并行解码模块，用于对各个高层次特征数据进行聚合特征提取，获得参考特征数据；

36、注意力机制解码模块，用于基于所述参考特征数逐个对各个融合特征数据进行注意力机制解码，以迭代生成至少四个输出结果；

37、调整模块，用于基于输出结果建立损失函数，在训练中进行多输出学习，以在训练后获得目标模型；

38、执行模块，用于采用所述目标模型对待处理图像进行处理，多输出迭代生成目标结果，进行图像分割。

39、本发明还提供一种计算机设备，所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述图像分割方法的步骤。

40、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述图像分割的步骤。

41、采用了上述技术方案后，与现有技术相比，具有以下有益效果：

42、本技术提供了基于注意力机制的多输出医学图像分割模型，将现有卷积神将网络的特征处理和特征融合用于医学图像处理，设置并行部分解码器和注意力机制解码器对于网络特征进行双重解码，获取多个层次的特征，对应生成多个输出，通过多输出学习最终迭代生成唯一预测结果，提高用于图像分割的预测结果的准确性，解决现有图像分割模型处理过程中只存在单一尺度的输出，导致分割精准度不够的问题。