医学图像的识别方法、装置、电子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医学图像的识别方法、装置、电子设备及存储介质。其中，医学图像的识别方法，包括：将医学影像图片输入分割模型中，得到医学影像图片中目标的识别结果的特征图，分割模型包括下采样层、通道注意力模块，下采样层包括多层残差单元，每层残差单元对医学影像图片卷积输出后的特征均分，并逐层进行卷积和残差融合，将分层进行特征融合后的融合特征输入通道注意力模块，并将医学影像图片的原特征与卷积输出后的特征进行跨层连接，通道注意力模块用于调整权重系数，并根据原特征与权重系数得到分割模型输出的特征图。本发明专利技术的实施例，可以有效提升医学图像的目标分割准确性。准确性。准确性。

【技术实现步骤摘要】
医学图像的识别方法、装置、电子设备及存储介质


[0001]本专利技术涉及图像分割
，尤其涉及一种医学图像的识别方法、装置、电子设备及存储介质。

技术介绍

[0002]随着计算机视觉技术和医学影像设备的飞速发展，医学图像分割技术在影像医学中所发挥的作用越来越大，在临床诊断、病理分析及治疗等方面均具有重要意义。由于医学图像的多样性、复杂性及其采集的困难性，并且在分割过程中需要解决不均匀个体差异等问题，一般的图像分割方法难以直接应用于医学图像分割，医学图像分割面临着更多的课题和挑战。
[0003]现有实现方案包括基于先验知识和图像信息的传统分割算法；利用图像梯度、亮度或纹理信息从图像中获得信息进而对图像进行分割，主要有阈值法、聚类法、区域生长、水平集、图像分割等算法；基于深度学习的医学图像分割方法，其卷积神经网络强大的非线性特征提取能力在一系列图像处理任务中取得了突出的表现，随之出现了许多可用于分割任务的深度神经网络。
[0004]传统分割算法耗时长、精确度受图像质量影响大。传统分割方法中存在的过多依赖医学领域的先验知识和人为评本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学图像的识别方法，其特征在于，包括：获取待识别的医学影像图片；将所述医学影像图片输入分割模型中，得到所述分割模型输出的所述医学影像图片中目标的识别结果的特征图，其中，所述分割模型包括输入层、下采样层、池化层、通道注意力模块、上采样层和输出层，所述下采样层包括多层结构的多层残差单元，其中，每层残差单元对所述医学影像图片卷积输出后的特征均分，并逐层进行卷积和残差融合，以及将分层进行特征融合后的融合特征输入所述通道注意力模块，并将所述医学影像图片的原特征与卷积输出后的特征进行跨层连接，所述通道注意力模块用于调整权重系数，并根据所述原特征与权重系数得到所述分割模型输出的所述特征图，其中，所述分割模型是根据医学影像图片序列样本及每个样本对应的标注二值图像预先训练完成。2.根据权利要求1所述的医学图像的识别方法，其特征在于，所述多层残差单元具体用于对卷积输出后的特征按通道数进行均分，并使用滤波器逐层进行卷积和残差融合。3.根据权利要求1或2所述的医学图像的识别方法，其特征在于，所述多层残差单元共5层，且由上至下依次为第一残差单元至第五残差单元，其中，第五残差单元上采样，与将第四残差单元的输出结果连接，得到特征后输入第四残差单元；所述第四残差单元上采样，与将第三残差单元的输出结果连接，得到特征后输入第三残差单元；所述第三残差单元上采样，与将第二残差单元的输出结果连接，得到特征后输入第二残差单元；所述第二残差单元上采样，与将第一残差单元的输出结果连接，得到特征图输入第一残差单元。4.根据权利要求1所述的医学图像的识别方法，其特征在于，所述通道注意力模块具体用于在通道维度上使用全局最大池化和全局平均池化对特征进行降维，得到2个不同的信道描述符，按对应的通道维度将2个不同的信道描述符合并送入神经网络感知机，通过所述神经网络感知机将得到的2个特征逐点相加，并经过Sigmoid激活函数得到所述权重系数，以及将原特征与权重系数对应元素逐个相乘得到所述特征图。5.根据权利要求1所述的医学图像的识别方法，其特征在...

【专利技术属性】
技术研发人员：何滨，金顺楠，周迪斌，徐琦，杨斌，蒋雨枫，
申请(专利权)人：杭州三坛医疗科技有限公司，
类型：发明
国别省市：