图像处理方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供了一种图像处理方法，包括：输入目标对象的医疗信息中的医疗图像，通过医疗图像处理模型中的多通道可逆残差网络对所述医疗图像进行处理，确定与医疗图像相匹配的第一特征向量；通过医疗图像处理模型的挤压激励网络对所述第一特征向量进行处理，确定与医疗图像相匹配的权重参数和第二特征向量；基于医疗图像相匹配的权重参数和第二特征向量，通过医疗图像处理模型的激活函数和对应的卷积神经网络，对所述医疗图像进行分割。本发明专利技术还提供了图像处理装置、电子设备及存储介质。本发明专利技术能够实现输出所述医疗图像的分割结果，提升医疗图像进行分割的准确性，也能够实现通过医疗图像处理模型对体积较大的医疗图像的处理。

Image processing method, device, electronic equipment and storage medium

【技术实现步骤摘要】
图像处理方法、装置、电子设备及存储介质
本专利技术涉及医疗图像处理技术，尤其涉及图像处理方法、装置、电子设备及存储介质。
技术介绍
基于深度学习所进行的各种类型识别，一直以来都是各应用场景下解决大量数据分的重要工具。例如，在图像、自然语言处理等应用场景中，对大量数据所实现的大规模分类和识别，以此来快速准确的获得相关的分类预测结果，加速所在应用场景的功能实现。在对图像所进行的分类预测中，根据所部署的应用场景不同，例如，AI+医疗场景，具体用于实现分类预测的图像以及分类预测的实现也各不相同。以AI+医疗场景为例，不同诊疗设备所形成医疗影像的各种图像在不断产生，例如，随着病人病情的发展需要不同的时间点或者科室中不断拍摄而不断产生，进而成为大量数据，亟待需要借助于图像分割的执行实现对医疗图像的分割。但是，相关技术中，深度卷积神经网络算法虽然广泛应用于图像的分割，然而，无法兼顾整体特征与局部特征，也很难兼顾网络精度和内存消耗，而医学图像却有较多细节需要进行呈现，因此相关技术进行图像处理无法兼顾精确度，也不能提供经过准确分割的图像供用户使用。
技术实现思路
有鉴于此，本专利技术实施例提供一种图像处理方法、装置、电子设备及存储介质，能够实现通过医疗图像处理模型对医疗图像进行准确分割，以供用户使用。本专利技术实施例的技术方案是这样实现的：本专利技术实施例提供了一种图像处理方法，包括：输入目标对象的医疗信息中的医疗图像，其中所述医疗图像包括所述目标对象的同一目标区域的待分割医疗图像的集合；通过所述医疗图像处理模型中的多通道可逆残差网络对所述医疗图像进行处理，确定与所述医疗图像相匹配的第一特征向量；通过所述医疗图像处理模型的挤压激励网络对所述第一特征向量进行处理，确定与所述医疗图像相匹配的权重参数和第二特征向量；基于医疗图像相匹配的权重参数和第二特征向量，通过所述医疗图像处理模型的激活函数和对应的卷积神经网络，对所述医疗图像进行分割，以实现输出所述医疗图像的分割结果。上述方案中，所述方法还包括：对所述医疗图像依次进行归一化处理和图像扩展处理；其中，所述图像扩展处理包括至少以下之一：翻转、旋转、放缩以及对比度增强。上述方案中，所述方法还包括：根据所述医疗图像处理模型的使用环境，对所述医疗图像处理模型中的多通道可逆残差网络中的层级数量进行调整，以实现所述医疗图像处理模型与使用环境相适配。本专利技术实施例还提供了一种图像处理方法，包括：显示用户界面，所述用户界面中包括以第一人称视角对目标对象的医疗图像中的目标区域进行观察的视角画面；当接收到对目标对象的医疗信息中的医疗图像进行分割的触发操作时，在所述用户界面上显所述医疗信息中的医疗图像，通过控制组件对显示用户界面中医疗图像的分割区域进行锁定；通过医疗图像处理模型，对所述医疗图像进行分割，以实现对所述医疗图像进行分割；通过所述用户界面，呈现所述医疗图像的分割结果。本专利技术实施例还提供了一种图像处理装置，包括：第一信息传输模块，用于输入目标对象的医疗信息中的医疗图像，其中所述医疗图像包括所述目标对象的同一目标区域的待分割医疗图像的集合；第一信息处理模块，用于通过所述医疗图像处理模型中的多通道可逆残差网络对所述医疗图像进行处理，确定与所述医疗图像相匹配的第一特征向量；所述第一信息处理模块，用于通过所述医疗图像处理模型的挤压激励网络对所述第一特征向量进行处理，确定与所述医疗图像相匹配的权重参数和第二特征向量；所述第一信息处理模块，用于基于医疗图像相匹配的权重参数和第二特征向量，通过所述医疗图像处理模型的激活函数和对应的卷积神经网络，对所述医疗图像进行分割，以实现输出所述医疗图像的分割结果。上述方案中，所述第一信息处理模块，用于通过所述医疗图像处理模型中的第一卷积神经网络，确定与所述医疗图像对应的多通道图像向量；所述第一信息处理模块，用于通过所述医疗图像处理模型中的多通道可逆残差网络中的每一个通道所携带的可逆残差网络，对相应通道中的图像向量进行处理；所述第一信息处理模块，用于根据所述每一个通道所携带的可逆残差网络对相应通道中的图像向量的处理结果，通过所述多通道可逆残差网络中的卷积层对所述图像向量的处理结果进行加和处理，确定与所述医疗图像相匹配的第一特征向量。上述方案中，所述第一信息处理模块，用于通过所述第一卷积神经网络对所述医疗图像进行降噪处理；所述第一信息处理模块，用于通过所述第一卷积神经网络的卷积层和最大值池化层对经过降噪处理的医疗图像交叉进行处理，得到所述医疗图像的降采样结果；所述第一信息处理模块，用于通过所述第一卷积神经网络的全连接层，对所述医疗图像的降采样结果进行归一化处理；所述第一信息处理模块，用于通过所述第一卷积神经网络对所述医疗图像的降采样的归一化结果，进行深度分解处理，确定与所述医疗图像相匹配的第二特征向量。上述方案中，所述第一信息处理模块，用于根据所述医疗图像所对应的目标区域的位置，确定与所述医疗图像处理模型的使用环境相匹配的动态噪声阈值；所述第一信息处理模块，用于根据所述动态噪声阈值通过所述第一卷积神经网络对所述医疗图像进行降噪处理，以形成与所述动态噪声阈值相匹配的医疗图像。上述方案中，所述第一信息处理模块，用于根据所述医疗图像的图像类型，确定与所述医疗图像处理模型的使用环境相匹配的动态噪声阈值；所述第一信息处理模块，用于根据所述动态噪声阈值通过所述第一卷积神经网络对所述医疗图像进行降噪处理，以形成与所述动态噪声阈值相匹配的医疗图像。上述方案中，所述第一信息处理模块，用于通过所述医疗图像处理模型的挤压激励网络中的全连接层对所述第一特征向量进行全连接处理；所述第一信息处理模块，用于基于所述第一特征向量的全连接处理结果，通过所述挤压激励网络中的激活层对所述第一特征向量的全连接处理结果进行非线性激活，获得相应的激活结果；所述第一信息处理模块，用于通过所述挤压激励网络中的分类层对所述激活结果进行分类，以获取转换后的与所述医疗图像相匹配的权重参数和第二特征向量。上述方案中，所述第一信息处理模块，用于当所述医疗图像处理模型中的多通道可逆残差网络中的层级数量多于一层时，通过所述挤压激励网络中的分类层对所述激活结果进行处理，确定与所述医疗图像相匹配的第三特征向量；所述第一信息处理模块，用于通过所述多通道可逆残差网络中的每一层级对应的可逆残差网络层和卷积层，对所述第三特征向量进行迭代处理，直至通过所述挤压激励网络中的分类层对所述激活结果进行分类，以获取转换后的与所述医疗图像相匹配的权重参数和第二特征向量。上述方案中，所述第一信息处理模块，用于将与医疗图像相匹配的权重参数施加至所述医疗图像所对应的第二特征向量，以获取所述医疗图像对应的中间特征信息；所本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，所述方法包括：/n输入目标对象的医疗信息中的医疗图像，其中所述医疗图像包括所述目标对象的同一目标区域的待分割医疗图像的集合；/n通过所述医疗图像处理模型中的多通道可逆残差网络对所述医疗图像进行处理，确定与所述医疗图像相匹配的第一特征向量；/n通过所述医疗图像处理模型的挤压激励网络对所述第一特征向量进行处理，确定与所述医疗图像相匹配的权重参数和第二特征向量；/n基于医疗图像相匹配的权重参数和第二特征向量，通过所述医疗图像处理模型的激活函数和对应的卷积神经网络，对所述医疗图像进行分割，以实现输出所述医疗图像的分割结果。/n

【技术特征摘要】
1.一种图像处理方法，其特征在于，所述方法包括：
输入目标对象的医疗信息中的医疗图像，其中所述医疗图像包括所述目标对象的同一目标区域的待分割医疗图像的集合；
通过所述医疗图像处理模型中的多通道可逆残差网络对所述医疗图像进行处理，确定与所述医疗图像相匹配的第一特征向量；
通过所述医疗图像处理模型的挤压激励网络对所述第一特征向量进行处理，确定与所述医疗图像相匹配的权重参数和第二特征向量；
基于医疗图像相匹配的权重参数和第二特征向量，通过所述医疗图像处理模型的激活函数和对应的卷积神经网络，对所述医疗图像进行分割，以实现输出所述医疗图像的分割结果。


2.根据权利要求1所述的方法，其特征在于，所述通过所述医疗图像处理模型中的多通道可逆残差网络对所述医疗图像进行处理，确定与所述医疗图像相匹配的第一特征向量，包括：
通过所述医疗图像处理模型中的第一卷积神经网络，确定与所述医疗图像对应的多通道图像向量；
通过所述医疗图像处理模型中的多通道可逆残差网络中的每一个通道所携带的可逆残差网络，对相应通道中的图像向量进行处理；
根据所述每一个通道所携带的可逆残差网络对相应通道中的图像向量的处理结果，通过所述多通道可逆残差网络中的卷积层对所述图像向量的处理结果进行加和处理，确定与所述医疗图像相匹配的第一特征向量。


3.根据权利要求2所述的方法，其特征在于，所述通过所述医疗图像处理模型中的第一卷积神经网络，确定与所述医疗图像对应的多通道图像向量，包括：
通过所述第一卷积神经网络对所述医疗图像进行降噪处理；
通过所述第一卷积神经网络的卷积层和最大值池化层对经过降噪处理的医疗图像交叉进行处理，得到所述医疗图像的降采样结果；
通过所述第一卷积神经网络的全连接层，对所述医疗图像的降采样结果进行归一化处理；
通过所述第一卷积神经网络对所述医疗图像的降采样的归一化结果，进行深度分解处理，确定与所述医疗图像相匹配的第二特征向量。


4.根据权利要求3所述的方法，其特征在于，所述通过所述第一卷积神经网络对所述医疗图像进行降噪处理，包括：
根据所述医疗图像所对应的目标区域的位置，确定与所述医疗图像处理模型的使用环境相匹配的动态噪声阈值；
根据所述动态噪声阈值通过所述第一卷积神经网络对所述医疗图像进行降噪处理，以形成与所述动态噪声阈值相匹配的医疗图像。


5.根据权利要求3所述的方法，其特征在于，所述通过所述第一卷积神经网络对所述医疗图像进行降噪处理，包括：
根据所述医疗图像的图像类型，确定与所述医疗图像处理模型的使用环境相匹配的动态噪声阈值；
根据所述动态噪声阈值通过所述第一卷积神经网络对所述医疗图像进行降噪处理，以形成与所述动态噪声阈值相匹配的医疗图像。


6.根据权利要求1所述的方法，其特征在于，所述通过所述医疗图像处理模型的挤压激励网络对所述第一特征向量进行处理，确定与所述医疗图像相匹配的权重参数和第二特征向量，包括：
通过所述医疗图像处理模型的挤压激励网络中的全连接层对所述第一特征向量进行全连接处理；
基于所述第一特征向量的全连接处理结果，通过所述挤压激励网络中的激活层对所述第一特征向量的全连接处理结果进行非线性激活，获得相应的激活结果；
通过所述挤压激励网络中的分类层对所述激活结果进行分类，以获取转换后的与所述医疗图像相匹配的权重参数和第二特征向量。


7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
当所述医疗图像处理模型中的多通道可逆残差网络中的层级数量多于一层时，通过所述挤压激励网络中的分类层对所述激活结果进行处理，确定与所述医疗图像相匹配的第三特征向量；
通过所述多通道可逆残差网络中的每一层级对应的可逆残差网络层和卷积层，对所述第三特征向量进行迭代处理，直至通过所述挤压激励网络中的分类层对所述激活结果进行分类，以获取转换后的与所述医疗图像相匹配的权重参数和第二特征向量。


8.根据权利要求1所述的方法，其特征在于，所述基于医疗图像相匹配的权重参数和第二特征向量，通过所述医疗图像处理模型的激活函数和对应的卷积神经网络，对所述医疗图像进行分割，包括：
将与医疗图像相匹配的权重参数施加至所述医疗图像所对应的第二特征向量，以获取所述医疗图像对应的中间特征信息；
将所述中间特征信息映射为分割结果...

【专利技术属性】
技术研发人员：胡一凡，郑冶枫，李悦翔，魏东，曹世磊，陈嘉伟，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44