一种医学影像的分割方法、装置、存储介质及电子设备制造方法及图纸

本公开提供了一种医学影像的分割方法、装置、存储介质及电子设备，该方法包括：对M个支持图和M个查询图分别进行N个维度下的特征提取；确定M个第一特征向量，并基于M个第一特征向量和第N维度的M个第二类特征向量矩阵确定M个相似度矩阵；输出M个前向特征图矩阵以及M个后向特征图矩阵；将M个前向特征图矩阵以及M个后向特征图矩阵分别拼接后进行N个维度下的上采样处理，以得到M个查询图对应的分割图。本公开将支持图和查询图同时输入编码器进行特征提取，并利用相似性特征提升分割预测效果，进一步结合记忆模块以学习相邻图像之间的相似性特征，增强相邻图像之间的信息交互能力，进而实现对医学影像的准确分割。而实现对医学影像的准确分割。而实现对医学影像的准确分割。

【技术实现步骤摘要】
一种医学影像的分割方法、装置、存储介质及电子设备


[0001]本公开涉及医学图像处理
，特别涉及一种医学影像的分割方法、装置、存储介质及电子设备。

技术介绍

[0002]随着计算机视觉技术的发展，计算机视觉技术被用来辅助完成基于医学影像的病灶定位(即，对于医学影像的语义分割)，以减轻医生的工作负担和提高效率。对于医学影像的语义分割通常采用基于深度学习的语义分割方法。
[0003]通常，深度学习需要大量标注数据，而医疗行业因为数据的敏感性较高，所以标注数据量非常有限。因此，如何在标注数据量较少的条件下，准确地对医学影像进行语义分割是亟需解决的问题。

技术实现思路

[0004]本公开实施例的目的在于提供一种医学影像的分割方法、装置、存储介质及电子设备，用以解决现有技术中如何在标注数据量较少的条件下，准确地对医学影像进行语义分割的问题。
[0005]本公开的实施例采用如下技术方案：一种医学影像的分割方法，包括：通过编码器对M个支持图和M个查询图分别进行N个维度下的特征提取，以得到每个所述支持图在N个维度下的第一类特征向量矩阵，以及每个所述查询图在N个维度下的第二类特征向量矩阵，M个所述查询图为连续的M个待处理医学图像；通过度量网络基于每个所述支持图对应的标记图以及每个所述支持图在第N维度的所述第一类特征向量矩阵确定M个第一特征向量，并基于M个所述第一特征向量和第N维度的M个所述第二类特征向量矩阵确定M个相似度矩阵；通过记忆网络对M个所述相似度矩阵进行学习，并输出M个前向特征图矩阵以及M个后向特征图矩阵；通过解码器将M个所述前向特征图矩阵以及M个所述后向特征图矩阵分别拼接后进行N个维度下的上采样处理，以得到M个所述查询图对应的分割图。
[0006]本公开还提供了一种医学影像的分割装置，包括：编码模块，所述编码模块用于对M个支持图和M个查询图分别进行N个维度下的特征提取，以得到每个所述支持图在N个维度下的第一类特征向量矩阵，以及每个所述查询图在N个维度下的第二类特征向量矩阵，M个所述查询图为连续的M个待处理医学图像；度量模块，所述度量模块用于基于每个所述支持图对应的标记图以及每个所述支持图在第N维度的所述第一类特征向量矩阵确定M个第一特征向量，并基于M个所述第一特征向量和第N维度的M个所述第二类特征向量矩阵确定M个相似度矩阵；记忆模块，所述记忆模块用于对M个所述相似度矩阵进行学习，并输出M个前向特征图矩阵以及M个后向特征图矩阵；解码模块，所述解码模块用于将M个所述前向特征图矩阵以及M个所述后向特征图矩阵分别拼接后进行N个维度下的上采样处理，以得到M个所述查询图对应的分割图。
[0007]本公开还提供了一种存储介质，存储有计算机程序，所述计算机程序被处理器执
行时实现上述的医学影像的分割方法的步骤。
[0008]本公开还提供了一种电子设备，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现上述的医学影像的分割方法的步骤。
[0009]本公开实施例的有益效果在于：将支持图和查询图同时输入编码器进行特征提取，并利用相似性特征提升分割预测效果，进一步结合记忆模块以学习相邻图像之间的相似性特征，增强相邻图像之间的信息交互能力，进而实现对医学影像的准确分割。
附图说明
[0010]为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0011]图1为本公开第一实施例中医学影像的分割方法的流程图；
[0012]图2为本公开第一实施例中分割网络的架构示意图；
[0013]图3为本公开第一实施例中分割网络的训练流程示意图；
[0014]图4为本公开第二实施例中医学影像的分割装置的结构示意图；
[0015]图5为本公开第二实施例中医学影像的分割装置的另一种结构示意图；
[0016]图6为本公开第四实施例中电子设备的结构示意图。
具体实施方式
[0017]此处参考附图描述本公开的各种方案以及特征。
[0018]应理解的是，可以对此处申请的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本公开的范围和精神内的其他修改。
[0019]包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。
[0020]通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本公开的这些和其它特性将会变得显而易见。
[0021]还应当理解，尽管已经参照一些具体实例对本公开进行了描述，但本领域技术人员能够确定地实现本公开的很多其它等效形式，它们具有如权利要求的特征并因此都位于借此所限定的保护范围内。
[0022]当结合附图时，鉴于以下详细说明，本公开的上述和其他方面、特征和优势将变得更为显而易见。
[0023]此后参照附图描述本公开的具体实施例；然而，应当理解，所申请的实施例仅仅是本公开的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本公开模糊不清。因此，本文所申请的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以
实质上任意合适的详细结构多样地使用本公开。
[0024]本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本公开的相同或不同实施例中的一个或多个。
[0025]为了解决现有技术中存在的上述问题，本公开第一实施例提供了一种医学影像的分割方法，利用Unet架构以及记忆学习网络所形成的分割网络实现小样本的医学影像分割，图1示出了本实施例所提供的分割方法的流程图，其主要包括步骤S10至S40：
[0026]S10，通过编码器对M个支持图和M个查询图分别进行N个维度下的特征提取，以得到每个支持图在N个维度下的第一类特征向量矩阵，以及每个查询图在N个维度下的第二类特征向量矩阵。
[0027]在本实施例中，支持图为已经完成目标分割的医学影像，查询图则为当前需要进行目标分割的待处理医学影像，实施例中所要分割的目标一般为某个器官、组织或者病变部位，通过支持图作为分割的参考实现对查询图中目标的精确分割。另外，本实施例中可同时对M个查询图进行分割处理，并且这M个查询图为连续的M个待处理医学影像，例如对患者头部所进行的CT影像拍摄，在一次拍摄过程中会按照特定顺序进行连续拍摄，以形成患者头部不同位置的切片影像；在需要对上述CT影像进行目标识别时，可将其按照顺序输入至编码器中，以实现在对单张查询图进行分割本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学影像的分割方法，其特征在于，包括：通过编码器对M个支持图和M个查询图分别进行N个维度下的特征提取，以得到每个所述支持图在N个维度下的第一类特征向量矩阵，以及每个所述查询图在N个维度下的第二类特征向量矩阵，M个所述查询图为连续的M个待处理医学图像；通过度量网络基于每个所述支持图对应的标记图以及每个所述支持图在第N维度的所述第一类特征向量矩阵确定M个第一特征向量，并基于M个所述第一特征向量和第N维度的M个所述第二类特征向量矩阵确定M个相似度矩阵；通过记忆网络对M个所述相似度矩阵进行学习，并输出M个前向特征图矩阵以及M个后向特征图矩阵；通过解码器将M个所述前向特征图矩阵以及M个所述后向特征图矩阵分别拼接后进行N个维度下的上采样处理，以得到M个所述查询图对应的分割图。2.根据权利要求1所述的分割方法，其特征在于，M为3至9之间的整数。3.根据权利要求1所述的分割方法，其特征在于，所述记忆网络至少包括双向长短期记忆网络。4.根据权利要求1所述的分割方法，其特征在于，通过解码器将M个所述前向特征图矩阵以及M个所述后向特征图矩阵分别拼接后进行N个维度下的上采样处理，包括：通过解码器将M个所述前向特征图矩阵以及M个所述后向特征图矩阵分别进行拼接以得到M个拼接矩阵；将M个所述查询图在N个维度下的第二类特征向量矩阵与M个拼接矩阵分别拼接后进行N个维度下的上采样处理，以得到M个第一维度的特征图；对M个第一维度的特征图进行分割处理以得到M个所述查询图对应的分割图。5.根据权利要求1所述的分割方法，其特征在于，还包括：通过M个支持图和M个样本图对所述编码器、所述度量网络、所述记忆网络以及所述解码器进行训练。6.根据权利要求5所述的分割方法，其特征在于，通过M个支持图和M个样本图对所述编码器、所述度量网络、所述记忆网络以及所述解码器进行训练，包括：通过编码器对M个支持图和M个样本图分别进行N个维度下的特征提取，以得到每个所述支持图在N个维度下的第一类特征向量矩阵，以及每个所述样本图在N个维度下的第三类特征向量矩阵，M个所述样本图为连续的医学图像；通过度量网络基于每个所述支持图对应的标记图以及每个所述支持图在第N维度的所述第一类特...

【专利技术属性】
技术研发人员：王斯凡，胡玉兰，梁烁斌，
申请(专利权)人：京东方科技集团股份有限公司，
类型：发明
国别省市：