图像处理方法、装置、终端设备以及存储介质制造方法及图纸

本发明专利技术公开了一种图像处理方法、装置、终端设备以及存储介质，通过获取待处理图像；基于预先训练的多头注意力机制模型对所述待处理图像进行处理，得到图像块分割结果；基于预先训练的深度双向学习模型对所述图像块分割结果进行学习，得到初分割图像；通过后处理算法对所述初分割图像进行处理，得到目标分割图像。通过多头注意力机制模型对待处理图像进行处理，得到图像块分割结果，然后采用深度双向学习模型对图像块分割结果进行学习，得到初分割图像，由此可使相邻图像块之间建立联系，提高了整个分割结果的合理性和完整性，进而采用后处理算法对初分割图像进行处理，得到目标分割图像，从而提高了图像分割的准确性。从而提高了图像分割的准确性。从而提高了图像分割的准确性。

【技术实现步骤摘要】
图像处理方法、装置、终端设备以及存储介质


[0001]本专利技术涉及数据处理
，尤其涉及一种图像处理方法、装置、终端设备以及存储介质。

技术介绍

[0002]随着医学影像设备的快速发展，医生可以利用CTA和MRA对病人全身各个部位的血管进行成像。然而在海量的影像数据中去人工分析血管病变，对影像医生来说显然是一个非常耗时耗力的工作。近些年，随着深度学习的发展，基于卷积神经网络(CNN)的血管自动分割方法在分析血管影像上取得显著的成效。然而由于卷积运算的局部性，基于CNN的方法很难学习到全局上下文信息以及长距离空间依赖关系。此外，由于3D医学数据的直接处理非常消耗计算资源，因此常针对每一个图像块分别处理并整合成最后的分割结果。然而，这种方式没有考虑到相邻图像块之间的相互依赖关系，从而不能准确地分割出完整的血管。
[0003]因此，有必要提出一种提高图像分割的准确性的解决方案。
[0004]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

[0005]本专利技术的主要目的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，所述图像处理方法包括以下步骤：获取待处理图像；基于预先训练的多头注意力机制模型对所述待处理图像进行处理，得到图像块分割结果；基于预先训练的深度双向学习模型对所述图像块分割结果进行学习，得到初分割图像；通过后处理算法对所述初分割图像进行处理，得到目标分割图像。2.如权利要求1所述的图像处理方法，其特征在于，所述获取待处理图像的步骤包括：获取原始图像；对所述原始图像进行归一化处理，得到标准化图像；对所述标准化图像进行灰度裁剪，得到所述待处理图像。3.如权利要求1所述的图像处理方法，其特征在于，所述多头注意力机制模型包括编码器及解码器，所述编码器及所述解码器之间采用跳跃连接和注意力机制进行特征融合，所述基于预先训练的多头注意力机制模型对所述待处理图像进行处理，得到图像块分割结果的步骤之前还包括：获取样本图像及对应的真实标签；将所述样本图像输入所述编码器进行抽象特征提取，得到融合的抽象特征；将所述融合的抽象特征逐层通过所述解码器，得到对应的概率图；计算所述解码器中各层输出的概率图关于对应的真实标签的损失，得到总损失；以此循环，进行参数迭代，直到所述总损失收敛，得到所述多头注意力机制模型。4.如权利要求3所述的图像处理方法，其特征在于，所述深度双向学习模型包括各序列学习层、卷积层及逻辑回归层，所述基于预先训练的深度双向学习模型对所述图像块分割结果进行学习，得到初分割图像的步骤之前还包括：获取所述样本图像及对应的真实标签；将所述样本图像中的特征序列依次输入序列学习层进行拼接融合，得到第一学习信息；通过所述卷积层及逻辑回归层根据所述第一学习信息得到分割概率图；计算所述分割概率图关于对应的真实标签的损失，得到预测损失；以此循环，进行参数迭代，直到所述预测损失收敛，得到所述深度双向学习模型。5.如权利要求1所述的图像处理方法，其特征在于，所述后处理算法包括连通域体积后处理算法和/或连通域距离后处理算法，所述通过后处理算法对所述初分割图像进行处理，得到目标分割图像的步骤包括：通过所述连通域体积后处理算法对所述初分割图像进行体积后处理，得到体积后处理图像；通过所述连通域距离后处...

【专利技术属性】
技术研发人员：刘振东，马骏，郑凌霄，兰宏志，
申请(专利权)人：深圳睿心智能医疗科技有限公司，
类型：发明
国别省市：