舌下微循环图像分割方法和装置、电子设备、存储介质制造方法及图纸

本公开实施例所提供的舌下微循环图像分割方法和装置、电子设备、存储介质，属于医学图像处理技术领域。该舌下微循环图像分割方法，包括：获取舌下微循环图像的原始图像数据；对所述原始图像数据进行标注，得到具有图像标签的中间图像集；将所述中间图像集划分为训练集和测试集；将所述测试集输入到预设的图像分割神经网络中进行测试；所述图像分割神经网络通过所述训练集训练得到；所述图像分割神经网络包括残差模块和注意力机制模块；根据所述残差模块和所述注意力机制模块对所述测试集进行分割，得到所述舌下微循环图像的目标图像，可以保证图像识别的准确性。以保证图像识别的准确性。以保证图像识别的准确性。

【技术实现步骤摘要】
舌下微循环图像分割方法和装置、电子设备、存储介质


[0001]本公开涉及医学图像处理
，尤其涉及舌下微循环图像分割方法和装置、电子设备、存储介质。

技术介绍

[0002]医学图像分割是医学图像处理的重要环节，图像中的目标区域的准确分割能为医生进行疾病诊断提供参考。针对微循环血管的分割，由于图像本身的复杂性，使得传统方法包括阈值法、区域生长法、水平集法都能很难取得理想的分割效果。近年来，包括卷积神经网络在内的深度学习技术大幅度提升了图像的分割精度。
[0003]卷积神经网络是一种机器学习模型，在图像处理领域有广泛的应用，该算法经常用于医学图像分割领域，取得了很好的效果。但是在实际对于舌下微循环血管而言，血管边缘，毛细血管的识别，背景区域的纯净度都存在较大问题，需要人工修复分割的错误，需要耗费大量的时间且需要操作者专业的知识，这为医学图像分割技术的临床应用带来了很高的成本。
[0004]通常，深度学习方法很难达到分割的精度要求，血管边缘的精确识别，毛细血管的误识别，血管交叉区域的识别，虚焦的血管的去除都是舌下血管分割遇到和要解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种舌下微循环图像分割方法，其特征在于，包括：获取舌下微循环图像的原始图像数据；对所述原始图像数据进行标注，得到具有图像标签的中间图像集；将所述中间图像集划分为训练集和测试集；将所述测试集输入到预设的图像分割神经网络中进行测试；所述图像分割神经网络通过所述训练集训练得到；所述图像分割神经网络包括残差模块和注意力机制模块；根据所述残差模块和所述注意力机制模块对所述测试集进行分割，得到所述舌下微循环图像的目标图像。2.根据权利要求1所述的方法，其特征在于，所述获取舌下微循环图像的原始图像数据，包括：通过侧流暗场成像采集所述舌下微循环图像，获得所述原始图像数据；其中，所述原始图像数据为单通道灰度图像。3.根据权利要求1所述的方法，其特征在于，所述原始图像数据包括血管区域，所述对所述原始图像数据进行标注，得到具有图像标签的中间图像集，包括：对所述血管区域进行标注，得到所述中间图像集。4.根据权利要求1至3任意一项所述的方法，其特征在于，所述图像分割神经网络为U
‑
net网络框架，所述注意力机制模块为塔池化的卷积注意力模块。5.根据权利要求4所述的方法，其特征在于，所述根据所述残差模块和所述注意力机制模块对所述测试集进行分割，得到舌下微循环血管的目标图像，包括：在所述图像分割神经网络的编码层和解码层分别加入所述残差模块，得到网络深度增加的图像分割神经网络；通过所述网络深度增加的图像分割神经网络和所述注意力机制模块对所述测试集进行分割，得到所述目标图像；其中，所述残差模块如下公式表示：所述残差模块如下公式表示：所述残差模块如下公式表示：为输出函数，F2和F1为权重函数，为激活函数，x为输入数据，y为输出。6.根据权利要求5所述的方法，其特征在于，所述注意力机制模块包括通道注意力模块，所述根据所述残差模块和所述注意力机制模块对所述测试集进行分割，得到舌下微循环血管的目标图像，还包括：通过卷积操作得到映射图编码；通过通道空间金字塔池化得到特征图的局部...

【专利技术属性】
技术研发人员：吴剑，高国强，罗晓川，林伟鹏，陈观信，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：