【技术实现步骤摘要】
一种图像分割方法、装置、设备和存储介质
[0001]本专利技术实施例涉及计算机技术，尤其涉及一种图像分割方法、装置、设备和存储介质。
技术介绍
[0002]随着计算机技术和深度学习的快速发展，可以利用神经网络模型对高分辨率图像进行分割处理。例如，对三维医疗影像进行分割处理，以减少医生工作量，并为医生提供一个定量的参考用于治疗方案制定和手术指导。
[0003]目前，可以通过对高分辨率图像进行裁剪，获取图像中的局部图像块，并基于卷积神经网络模型对局部图像块进行分割处理。
[0004]然而，在实现本专利技术过程中，专利技术人发现现有技术中至少存在如下问题：
[0005]由于卷积神经网络模型的卷积算子的感受野具有一定的局限性，从而卷积神经网络模型仅会关注到图像中少量的局部特征，无法获取全局特征，尤其是在处理纹理、形状和大小方面存在较大差异的目标结构时，利用现有的卷积神经网络模型无法有效保证图像分割的准确性。
技术实现思路
[0006]本专利技术实施例提供了一种图像分割方法、装置、设备和存储介质...
【技术保护点】
【技术特征摘要】
1.一种图像分割方法，其特征在于，包括：获取待分割的目标图像；确定所述目标图像中的局部图像块以及与所述局部图像块尺度相匹配的全局图像块；将所述局部图像块和所述全局图像块输入至预设分割网络模型中进行图像分割处理，所述预设分割网络模型用于：对输入的所述局部图像块和所述全局图像块进行特征融合，并基于融合后的目标特征信息进行分割处理；根据所述预设分割网络模型的输出，确定所述目标图像对应的分割结果。2.根据权利要求1所述的方法，其特征在于，所述确定所述目标图像中的局部图像块以及与所述局部图像块尺度相匹配的全局图像块，包括：对所述目标图像进行裁剪，确定参考图像块；对所述参考图像块进行再次裁剪，确定局部图像块；对所述参考图像块进行下采样，确定与所述局部图像块尺度相匹配的全局图像块。3.根据权利要求1所述的方法，其特征在于，所述预设分割网络模型包括：局部特征编码子模型、全局特征编码子模型、特征融合子模型和特征解码子模型；所述将所述局部图像块和所述全局图像块输入至预设分割网络模型中进行图像分割处理，包括：将所述局部图像块输入至所述局部特征编码子模型中，提取所述局部图像块对应的局部特征信息；将所述全局图像块输入至所述全局特征编码子模型中，提取所述全局图像块对应的全局特征信息；将所述局部特征信息和所述全局特征信息输入至所述特征融合子模型中，基于自注意力机制，对所述局部特征信息和所述全局特征信息进行特征融合，确定融合后的目标特征信息；将所述目标特征信息输入至所述特征解码子模型中进行特征解码，确定所述局部图像块对应的分割结果。4.根据权利要求3所述的方法，其特征在于，所述局部特征编码子模型包括：预设数量的局部特征编码层；所述将所述局部图像块输入至所述局部特征编码子模型中，提取所述局部图像块对应的局部特征信息，包括：将所述局部图像块输入至所述局部特征编码子模型中的第一个局部特征编码层中进行特征编码操作，并将所述第一个局部特征编码层输出的局部特征信息输入至下一局部特征编码层中；将最后一个局部特征编码层输出的局部特征信息作为所述局部图像块对应的局部特征信息。5.根据权利要求3所述的方法，其特征在于，所述特征融合子模型包括：特征拼接模块和自注意力模块；所述将所述局部特征信息和所述全局特征信息输入至所述特征融合子模型中，基于自注意力机制，对所述局部特征信息和所述全局特征信息进行特征融合，确定融合后的目标特征信息，包括：
将所述局部特征信息和所述全局特征信息输入至所述特征拼接模块中，将所述局部特征信息和所述全局特征信息进行维度展开和拼接处理，确定拼接特征信息；将所述拼接特征信息输入至所述自注意力模块中进行注意力处理，确定目标特征信息。6.根据权利要求5所述的方法，其特征在于，所述自注意力模块包括：自注意力层和前馈层；所述将所述拼接特征信息输入至所述自注意力模块中进行注意力处理，确定目标特征信息，包括：将所述拼接特征信息输入至所述自注意力层中，对输入的所述拼接特征信息进行映射，确定查询特征向量和键值对特征向量，并基于所述查询特征向量和所述键值对特征向量进行注意力处理，获得注意力处理后的特征信息；将所述注意力处理后的特征信息输入至所述前馈层中引入非线性信息，确定目标特征信息。7.根据权利要求...
【专利技术属性】
技术研发人员：曹琼，杨玺，马本腾，陶大程，
申请(专利权)人：京东科技信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。