医学图像分割方法、医学图像分割装置及终端设备制造方法及图纸

本申请提供的一种医学图像分割方法包括：获取待检测医学图像；将所述待检测医学图像输入已训练的分割模型，其中，所述分割模型包括编码器和解码器，所述编码器包括多个第一层级结构，所述多个第一层级结构包括第一输入层、至少一个第一中间层和第一输出层，所述解码器包括第二输入层、至少一个第二中间层和第二输出层，其中，任意第二中间层的输入包括所述第二中间层的前一层的输出与至少两个第一层级结构的输出的融合结果；通过所述分割模型对所述待检测医学图像进行处理，获得所述分割模型的输出结果，所述输出结果包括关于待检测医学图像中的医学特征区域的分割结果。通过上述方法，可以提升对医学图像进行图像分割的准确性。

【技术实现步骤摘要】
医学图像分割方法、医学图像分割装置及终端设备
本申请属于图像分割
，尤其涉及医学图像分割方法、医学图像分割装置、终端设备及计算机可读存储介质。
技术介绍
医学图像分割是医学图像处理与分析的关键步骤。近年来，以人工智能为代表的信息技术和高端医学影像技术不断发展，深度学习在医学影像分割领域的应用也获得了越来越多的关注。然而，在对医学图像进行分割时，现有的分割模型往往难以很好地利用医学图像中的一些上下文信息，难以很好地捕捉诸如病变区域等医学特征区域中的像素点之间的依赖关系，导致分割模型所获取到的有效特征信息不够充分，从而影响了对医学图像进行图像分割的准确性。
技术实现思路
本申请实施例提供了医学图像分割方法、医学图像分割装置、终端设备及计算机可读存储介质，可以提升对医学图像进行图像分割的准确性。第一方面，本申请实施例提供了一种医学图像分割方法，包括：获取待检测医学图像；将所述待检测医学图像输入已训练的分割模型，其中，所述分割模型包括编码器和解码器，所述编码器包括多个第一层级结构，所述多个第一层级结构包括第一输本文档来自技高网...

【技术保护点】
1.一种医学图像分割方法，其特征在于，包括：/n获取待检测医学图像；/n将所述待检测医学图像输入已训练的分割模型，其中，所述分割模型包括编码器和解码器，所述编码器包括多个第一层级结构，所述多个第一层级结构包括第一输入层、至少一个第一中间层和第一输出层，所述解码器包括第二输入层、至少一个第二中间层和第二输出层，其中，任意第二中间层的输入包括所述第二中间层的前一层的输出与至少两个第一层级结构的输出的融合结果；/n通过所述分割模型对所述待检测医学图像进行处理，获得所述分割模型的输出结果，其中，所述输出结果包括关于所述待检测医学图像中的医学特征区域的分割结果。/n

【技术特征摘要】
1.一种医学图像分割方法，其特征在于，包括：
获取待检测医学图像；
将所述待检测医学图像输入已训练的分割模型，其中，所述分割模型包括编码器和解码器，所述编码器包括多个第一层级结构，所述多个第一层级结构包括第一输入层、至少一个第一中间层和第一输出层，所述解码器包括第二输入层、至少一个第二中间层和第二输出层，其中，任意第二中间层的输入包括所述第二中间层的前一层的输出与至少两个第一层级结构的输出的融合结果；
通过所述分割模型对所述待检测医学图像进行处理，获得所述分割模型的输出结果，其中，所述输出结果包括关于所述待检测医学图像中的医学特征区域的分割结果。


2.如权利要求1所述的医学图像分割方法，其特征在于，所述分割模型包括权重获取模块，所述权重获取模块位于所述编码器和所述解码器之间；
所述通过所述分割模型对所述待检测医学图像进行处理，获得所述分割模型的输出结果，包括：
通过所述编码器对所述待检测医学图像进行第一处理，获得所述编码器输出的第一特征矩阵；
将所述第一特征矩阵输入所述权重获取模块；
通过所述权重获取模块对所述第一特征矩阵进行第二处理，获得所述权重获取模块输出的权重矩阵；
将所述权重矩阵与所述第一特征矩阵进行融合，获得第二特征矩阵；
基于所述第二特征矩阵，通过所述解码器进行第三处理，获得所述输出结果。


3.如权利要求2所述的医学图像分割方法，其特征在于，所述通过所述权重获取模块对所述第一特征矩阵进行第二处理，获得所述权重获取模块输出的权重矩阵，包括：
对所述第一特征矩阵进行第一卷积处理，获得第三特征矩阵；
对所述第一特征矩阵进行第二卷积处理，获得第四特征矩阵；
将所述第三特征矩阵与第四特征矩阵相乘，获得第五特征矩阵；
通过激活函数对所述第五特征矩阵进行激活，获得所述权重矩阵。


4.如权利要求2所述的医学图像分割方法，其特征在于，所述基于所述第二特征矩阵，通过所述解码器进行第三处理，获得所述输出结果，包括：
将所述第二特征矩阵与所述第一输出层的前一层的输出进行融合，获得第六特征矩阵；
将所述第六特征矩阵输入所述解码器；
基于所述第六特征矩阵，通过所述解码器进行第三处理，获得所述输出结果。


5.如权利要求1所述的医学图像分割方法，其特征在于，在将所述待检测医学图像输入已训练的分割模型之前，还包括：
通过判别模型对待训练的分割模型进行训练，直到训练完成，并获得已训练的分割模型，其中，所述判别模型的输入包括所述待训练的分割模型的至少部分输出，所述判别模型包括卷积神经网络和上采样层，所述卷积神经网络的输出为所述上采样层的输入。


6.如权利要求5所述的医学图像分割方法，其特征在于，所述通过判别模型对待训练的分割模型进行训练，直到训练完成，并获得已训练的分割模型，包括：
获取医学图像样本，其中，所述医学图像样本包括标注医学图像样本和未标注医学图像样本，所述标注医学图像样本为标注有真实分割标签的医学图像样本，所述未标注医学图像样本为未进行标注的医学图像样本；
将所述标注医学图像样本和未标注医学图像样本输入待训练的分割模型，获得所述待训练的分割模型对各个医学图像样本的预测分割结果；
将所述预测分割结果输入所述判别模型，获得所述判别模型的判别结果和置信图，其中，所述置信图由所述判别模型中的上采样层输出，所述判别结果由所述判别模型中的卷积神经网络输出；
根据所述判别结果、所述置信图和所述预测分割结果，基于预设损失函数计算关于所述待训练的分割模型和所述判别模型的损失值；
基于所述损失值对所述判别模型和所述待训练的分割模型进行训练，直到所得到的损失值符合预设损失条件，则训练完成，并获得已训练的分割模型。


7.如权利要求6所述的医学图像分割方法，其特征在于，所述根据所述判别结果、所述置信图和所述预测分割结果，基于预设损失函数计算关于所述待训练的分割模型和所述判别模型的损失值，包括：
根据所述预测分割结果中，所述标注医学图像样本所对应的第一预测分割子结果与所述标注医学图像样本的真实分割标签，计算关于所述分割模型的第一损失值；
根据所述预测分割结果中所述未标注医学图像样本所对应的第二预测分割子结果和所述置信图，计算所述分割模型的第二损失值；
根据所述预测分割结果，计算关于所述判别模型的第三损失值；
根据所述第一损失值、第二损失值和第三损失值，计算得到所述损失值。


8.如权利要求7所述的医学图像分割方法，其特征在于，所述根据所述预测分割结果中所述未标注医学图像样本所对应的第二预测分割子结果和所述置信图，计算所述分割模型的第二损失值，包括：
对所述置信图中的各个位置进行编码运算，获得所述置信图所对应的编码图像，所述编码图像包含所述置信图中的每个位置的编码值；
根据编码图像和所述未标注医学图像样本所对应的第二预测分割子结果，计算所述分割模型的第二损失值。


9.如权利要求1至8任意一项所述的医学图像分割方法，其特征在于，所述第二中间层的前一层的输出与至少两个第一层级结构的输出的融合结果为所述第二中间层的前一层的输出、与所述第二中间层相对应的第一层级结构的输出以及与所述第二中间层相对应的第一层级结构的前一层的输出的融合结果。


10.一种医学图像分割装置，其特征在于，包括：
第一获取模块，用于获取待检测医学图像；
输入模块，用于将所述待检测医学图像输入已训练的分割模型，其中，所述分割模型包括编码器和解码器，所述编码器包括多个第一层级结构，所述多个第一层级结构包括第一输入层、至少一个第一中间层和第一输出层，所述解码器包括第二输入层、至少一个第二中间层和第二输出层，其中，任意第二中间层的输入包括所述第二中间层的前一层的输出与至少两个第一层级结构的输出的融合结果；
处理模块，用于通过所述分割模型对所述待检测医学图像进行处理，获得所述分割模型的输出结果，其中，所述输出结果包括...

【专利技术属性】
技术研发人员：王书强，陈卓，申妍燕，张炽堂，吴国宝，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东;44