图像分割方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种图像分割方法、装置、设备及存储介质，该方法包括：获取待分割图像；通过已训练的图像分割模型对所述待分割图像进行图像分割，以得到目标分割区域，其中，所述图像分割模型的解码单元通过变形的非局部网络与通道注意力机制相结合的方式完成解码操作。解决了现有深度学习方法的模型结构简单，图像分割结果不够精确的问题。

【技术实现步骤摘要】
图像分割方法、装置、设备及存储介质
本专利技术实施例涉及医学图像处理领域，尤其涉及一种图像分割方法、装置、设备及存储介质。
技术介绍
随着医疗科学技术的发展，很多医院都配置有各种各样的医学影像设备，这些医学影像设备每天都会产生大量的医学图像数据。这些医学图像数据对于病人的病情诊断具有重要的作用，但限于医生的时间、精力以及临床经验，仅仅依靠医生的视觉很难准确、有效地通过影像数据完成疾病的诊断。通常，在临床上利用计算机的高效性与精确性来对医学图像进行分析，医学图像分析中最重要的一部分是医学图像的分割，因为只有把病变区域分割出来以后，才可以作为辅助医生进行病情的诊断。现有技术的图像分割方法主要是深度学习的方法，这相比传统的机器学习可以提供更好的分割准确度，同时也简化了整个分割的流程。深度学习的方法往往是设计一种神经网络结构来进行医学图像的分割。但是，现有的一些神经网络结构相对简单，不能充分利用待分割图像的特征，导致图像分割精度不够，还有待于提升。
技术实现思路
本专利技术实施例提供了一种图像分割方法、装置、设备及存储介质，解决了现有神经网络图像分割精度不高的问题。第一方面，本专利技术实施例提供了一种图像分割方法，该方法包括：获取待分割图像；通过已训练的图像分割模型对所述待分割图像进行图像分割，以得到目标分割区域，其中，所述图像分割模型的解码单元通过变形的非局部网络与通道注意力机制相结合的方式完成解码操作。可选的，所述变形的非局部网络的实现方法包括：对非局部网络进行简化得到简化的非局部网络；将所述简化的非局部网络与压缩解压网络进行组合得到所述变形的非局部网络。可选的，所述通道注意力机制的实现方法包括：对所述变形的非局部网络输出的高层特征进行全局平均池化，以得到全局平均池化结果；将所述全局平均池化结果进行正则化得到规范的全局化特征；对所述全局化特征与对所述高层特征对应的浅层特征进行通道注意力操作，以得到通道注意力结果。可选的，所述解码单元还执行如下步骤：将所述通道注意力结果与所述高层特征进行组合，以更新所述高层特征。可选的，所述图像分割模型还包括特征提取单元和特征融合单元；所述特征提取单元用于对所述待分割图像进行特征提取以得到特征提取结果；所述特征融合单元用于通过多条并联通道分别从所述特征提取结果中提取相应尺度的特征图并对相应尺度的特征图进行压缩与解压缩操作，以及对所有通道输出的压缩与解压缩结果进行初步特征融合，并将初步特征融合的结果与所述特征提取结果进行融合，以得到特征融合结果。可选的，所述特征融合单元的所有通道均通过残差压缩解压金字塔池化块完成相应尺度的特征图的压缩与解压缩操作。可选的，所述图像分割模型的损失函数包括主函数和辅助函数；其中，所述辅助函数为权重交叉熵函数。第二方面，本专利技术实施例还提供了图像分割装置，该装置包括：获取模块，用于获取待分割图像；输出模块，用于通过已训练的图像分割模型对所述待分割图像进行图像分割，以得到目标分割区域，其中，所述图像分割模型的解码单元通过变形的非局部网络与通道注意力机制相结合的方式完成解码操作。可选的，所述解码单元用于：对非局部网络进行简化得到简化的非局部网络；将所述简化的非局部网络与压缩解压网络进行组合得到所述变形的非局部网络。可选的，所述解码单元还用于：：对所述变形的非局部网络输出的高层特征进行全局平均池化，以得到全局平均池化结果；将所述全局平均池化结果进行正则化得到规范的全局化特征；对所述全局化特征与对所述高层特征对应的浅层特征进行通道注意力操作，以得到通道注意力结果。可选的，所述解码单元还执行如下步骤：将所述通道注意力结果与所述高层特征进行组合，以更新所述高层特征。可选的，所述图像分割模型还包括特征提取单元和特征融合单元；所述特征提取单元用于对所述待分割图像进行特征提取以得到特征提取结果；所述特征融合单元用于通过多条并联通道分别从所述特征提取结果中提取相应尺度的特征图并对相应尺度的特征图进行压缩与解压缩操作，以及对所有通道输出的压缩与解压缩结果进行初步特征融合，并将初步特征融合的结果与所述特征提取结果进行融合，以得到特征融合结果。可选的，所述特征融合单元的所有通道均通过残差压缩解压金字塔池化块完成相应尺度的特征图的压缩与解压缩操作。可选的，所述图像分割模型的损失函数包括主函数和辅助函数；其中，所述辅助函数为权重交叉熵函数。第三方面，本专利技术实施例还提供了一种图像分割设备，该设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；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任意实施例所述的图像分割方法。第四方面，本专利技术实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行任意实施例所述的图像分割方法。本专利技术实施例提供的图像分割方法、装置、设备及存储介质的技术方案，通过已训练的图像分割模块对待分割图像进行图像分割以得到目标分割区域，该图像分割模型的解码单元通过变形的非局部网络与通道注意力相结合的方式完成解码操作，以充分利用提取出的特征的特性，使图像分割的结果精度更高。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例一提供的图像分割方法的流程图；图2是本专利技术实施例一提供的眼底血管的分割示意图；图3是本专利技术实施例一提供的图像分割模型的结构示意图；图4是本专利技术实施例一提供的非局部网络和简化的局部网络示意图；图5是本专利技术实施例一提供的压缩解压网络和变形的非局部网络示意图；图6是本专利技术实施例一提供的特征融合单元的结构示意图；图7是本专利技术实施例一提供的特征融合单元中压缩解压子单元的结构示意图；图8是本专利技术实施例二提供的图像分割装置的结构框图；图9是本专利技术实施例三提供的图像分割设备的结构框图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，以下将参照本专利技术实施例中的附图，通过实施方式清楚、完整地描述本专利技术的技术方案，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例一图1是本专利技术实施例一提供的图像分割方法的流程图。本实施例的技术方案适用于通过已训练的图像分割模型自动完成图像分割的情况。该方法可以由本专利技术实施本文档来自技高网...

【技术保护点】
1.一种图像分割方法，其特征在于，包括：/n获取待分割图像；/n通过已训练的图像分割模型对所述待分割图像进行图像分割，以得到目标分割区域，其中，所述图像分割模型的解码单元通过变形的非局部网络与通道注意力机制相结合的方式完成解码操作。/n

【技术特征摘要】
1.一种图像分割方法，其特征在于，包括：
获取待分割图像；
通过已训练的图像分割模型对所述待分割图像进行图像分割，以得到目标分割区域，其中，所述图像分割模型的解码单元通过变形的非局部网络与通道注意力机制相结合的方式完成解码操作。


2.根据权利要求1所述的方法，其特征在于，所述变形的非局部网络的实现方法包括：
对非局部网络进行简化得到简化的非局部网络；
将所述简化的非局部网络与压缩解压网络进行组合得到所述变形的非局部网络。


3.根据权利要求1所述的方法，其特征在于，所述通道注意力机制的实现方法包括：
对所述变形的非局部网络输出的高层特征进行全局平均池化，以得到全局平均池化结果；
将所述全局平均池化结果进行正则化得到规范的全局化特征；
对所述全局化特征与所述高层特征对应的浅层特征进行通道注意力操作，以得到通道注意力结果。


4.根据权利要求3所述的方法，其特征在于，所述解码单元还执行如下步骤：
将所述通道注意力结果与所述高层特征进行组合，以更新所述高层特征。


5.根据权利要求1-4任一所述的方法，其特征在于，所述图像分割模型还包括特征提取单元和特征融合单元；
所述特征提取单元用于对所述待分割图像进行特征提取以得到特征提取结果；
所述特征融合单元用于通过多条并联通道分别从所述特征提...

【专利技术属性】
技术研发人员：吴剑煌，倪佳佳，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东;44