一种全肺图像分割方法、装置、电子设备及存储介质制造方法及图纸

本公开提供了一种全肺图像分割方法、装置、电子设备及存储介质，包括：获取待处理图像；对待处理图像依次进行第一层至第N层下采样处理；将待处理图像划分为多个图像块，确定每个图像块对应的相关性分值，得到待处理图像对应的相关性分值集合；根据相关性分值集合得到第一特征矩阵；基于第一特征矩阵和第一特征图，依次进行第N层至第一层上采样处理，获得目标对象的分割图。通过对待处理图像的多层下采样，快速、高效的将目标对象的主体部分进行识别和分割，通过对图像块与其他所有图像块之间的相关性程度进行分析，关注了目标对象的细节部分，并在上采样的过程中将两者结合，提高了对目标对象的分割精度。对目标对象的分割精度。对目标对象的分割精度。

【技术实现步骤摘要】
一种全肺图像分割方法、装置、电子设备及存储介质


[0001]本公开涉及医学图像处理领域，尤其涉及一种全肺图像分割方法、装置、电子设备及存储介质。

技术介绍

[0002]当前，将深度学习与医疗影像相结合用以辅助医生诊断的应用及场景越来越多。其中，用于对医学图像中的器官区域、病灶的图像分割方法主要基于如UNet等神经网络模型实现。但是现有的UNet模型在对医学图像多层的特征提取时，极易在下采样的过程中丢失掉大量的特征细节，尤其是应用于全肺图像的分割时，全肺特征易与胸腔图像和气管图像等混合在一起，当过多的特征细节丢失，则导致对医学图像中的特征的分割精度较低。

技术实现思路

[0003]本公开提供了一种全肺图像分割方法、装置、电子设备及存储介质，以至少解决现有技术中存在的以上技术问题。
[0004]根据本公开的第一方面，提供了一种全肺图像分割方法，所述方法包括：获取待处理图像；其中，所述待处理图像包含全肺特征；对所述待处理图像依次进行第一层至第N层下采样处理，提取目标对象的特征，获得每一层对应的第一特征图；将所述待处理图像划分为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种全肺图像分割方法，其特征在于，所述方法包括：获取待处理图像；其中，所述待处理图像包含全肺特征；对所述待处理图像依次进行第一层至第N层下采样处理，提取目标对象的特征，获得每一层对应的第一特征图；其中，所述目标对象为全肺特征；将所述待处理图像划分为多个图像块，确定每个图像块对应的相关性分值，得到所述待处理图像对应的相关性分值集合；所述相关性分值表征所述图像块与其他所有图像块之间的相关性程度；根据所述相关性分值集合得到第一特征矩阵；基于所述第一特征矩阵和所述第一特征图，依次进行第N层至第一层上采样处理，获得所述目标对象的分割图。2.根据权利要求1所述的方法，其特征在于，对所述待处理图像依次进行第一层至第N层下采样处理，提取目标对象的特征，获得每一层对应的第一特征图，包括：对输入数据依次进行卷积处理、激活处理和最大池化处理，得到当前层对应的第一特征图；当前层为第一层时，所述输入数据为所述待处理图像；当前层不为第一层时，所述输入数据为上一层的第一特征图。3.根据权利要求1所述的方法，其特征在于，将所述待处理图像划分为多个图像块，确定每个图像块对应的相关性分值，得到所述待处理图像对应的相关性分值集合，包括：将每个所述图像块平展为一个数组；对每个数组进行卷积处理，得到对应的第一嵌入向量；对每个第一嵌入向量进行层归一化处理，得到对应的第二嵌入向量；计算每个第二嵌入向量与其他所有第二嵌入向量的相关性分值，所有第二嵌入向量对应的所述相关性分值组成所述相关性分值集合。4.根据权利要求3所述的方法，其特征在于，所述计算每个第二嵌入向量与其他所有第二嵌入向量的相关性分值，包括：基于多头注意力机制对每个第二嵌入向量进行处理，得到对应的Q向量、K向量和V向量；根据所述Q向量和K向量计算所述第二嵌入向量的评分值；对所述评分值进行激活处理后，分别与每个第二嵌入向量的V向量点乘；将点乘的结果相加后得到所述第二嵌入向量对应的所述相关性分值。5.根据权利要求1或3所述的方法，其特征在于，所述根据所述相关性分值集合得到第一特征矩阵，包括：根据所述第N层下采样处理对应的...

【专利技术属性】
技术研发人员：范丽，刘士远，王平，谢小峰，施则人，王忠贤，
申请(专利权)人：杭州时迈智能技术有限公司海南大学三亚研究院，
类型：发明
国别省市：