本申请公开了一种图像分割方法、模型的训练方法、装置、设备和存储介质，用于解决现有技术中影像评估资源紧张，且准确率难以保证的问题，其中该医学图像分割方法包括：获取目标图像序列，并对其中的多张图像进行特征提取，以获得多个特征图；对特征图执行M层特征降维，以获得M个中间层特征图；对特征图中的感兴趣区域提取的光流特征图执行N层特征降维，以获得N个中间层光流特征图；融合第M层特征降维获得的中间层特征图和第N层特征降维获得的中间层光流特征图，以获得特征图的空间交叉特征图；基于多个特征图的空间交叉特征图，从目标图像序列中的多张图像中分割感兴趣区域。序列中的多张图像中分割感兴趣区域。序列中的多张图像中分割感兴趣区域。
【技术实现步骤摘要】
图像分割方法、模型的训练方法、装置、设备和存储介质
[0001]本申请属于计算机数据处理
，具体涉及一种图像分割方法、模型的训练方法、装置、设备和存储介质。
技术介绍
[0002]在独立医学影像评估中，通常需要具有完备医学知识和丰富经验高年资影像医生担任，但是，国内的影像科医生资源非常紧张，大量的医学影像数据造成独立阅片的效率极其低下；并且，即便是高年资医生，由于知识结构和经验的差异，也有可能存在例如对同一病人某次访视的肿瘤大小、重量等指标测量不准确，从而导致对药物治疗效果评判存在较大差异。
[0003]公开于该
技术介绍
部分的信息仅仅旨在增加对本申请的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现思路
[0004]本申请的目的在于提供一种医学图像分割方法，其用于解决现有技术中影像评估资源紧张，且准确率难以保证的问题。
[0005]为实现上述目的，本申请提供了一种医学图像分割方法，所述方法包括：获取目标图像序列，并对其中的多张图像进行特征提取，以获得多个特征图，其中，所述特征图包括感兴趣区域；对所述特征图执行M层特征降维，以获得M个中间层特征图；对所述特征图中的感兴趣区域提取的光流特征图执行N层特征降维，以获得N个中间层光流特征图，其中，所述N个中间层光流特征图中的至少一个融合有对应维度的所述中间层特征图上感兴趣区域提取的光流特征；融合第M层特征降维获得的中间层特征图和第N层特征降维获得的中间层光流特征图，以获得所述特征图的空间交叉特征图；基于多个所述特征图的空间交叉特征图，从所述目标图像序列中的多张图像中分割感兴趣区域。
[0006]一实施例中，基于多个所述特征图的空间交叉特征图，从所述目标图像序列中的多张图像中分割感兴趣区域，具体包括：融合多个所述空间交叉特征图，以获得多维时空交叉特征图；分别融合所述多维时空交叉特征图与多个所述空间交叉特征图后进行解码，以从目标图像序列中的多张图像中分割感兴趣区域。
[0007]一实施例中，所述方法具体包括：将多个所述空间交叉特征图中的对应特征进行加权平均，以获得多维时空交叉特征图；将所述多维时空交叉特征图分别与多个所述空间交叉特征图中的对应特征进行
进行乘积计算后进行解码，以从目标图像序列中的多张图像中分割感兴趣区域。
[0008]一实施例中，对所述特征图中的感兴趣区域提取的光流特征图执行N层特征降维，以获得N个中间层光流特征图，具体包括：在对所述光流特征图执行前N
‑
1层特征降维时，融合对应维度的所述中间层特征图上感兴趣区域提取的光流信息，以获得对应的中间层光流特征图。
[0009]本申请还提供一种医学图像分割模型的训练方法，在模型训练阶段，所述方法包括：获取训练样本集，其中，所述训练样本集中包括多个第一特征图以及与所述多个第一特征图对应的第一感兴趣区域掩膜；基于所述第一感兴趣区域掩膜确定对应第一特征图上的第一感兴趣区域；提取所述第一感兴趣区域的光流信息，以获得光流特征图；其中，所述医学图像分割模型基于如上所述的医学图像分割方法进行图像分割。
[0010]一实施例中，在模型测试阶段，所述方法还包括：获取测试样本集，其中，所述测试样本集中包括多个第二特征图；基于设定阈值对所述测试样本集中的第二特征图进行特征归一化，以获得对应的二值化图像；保留所述二值化图像中面积最大的图像区域为第二感兴趣区域掩膜；基于所述第二感兴趣区域掩膜确定对应第二特征图上的第二感兴趣区域；提取所述第二感兴趣区域的光流信息，以获得光流特征图。
[0011]本申请还提供一种医学图像分割装置，包括：特征提取模块，用于获取目标图像序列，并对其中的多张图像进行特征提取，以获得多个特征图，其中，所述特征图包括感兴趣区域；特征降维模块，用于对所述特征图执行M层特征降维，以获得M个中间层特征图；第一光流提取模块，用于对所述特征图中的感兴趣区域提取的光流特征图执行N层特征降维，以获得N个中间层光流特征图，其中，所述N个中间层光流特征图中的至少一个融合有对应维度的所述中间层特征图上感兴趣区域提取的光流特征；融合模块，用于融合第M层特征降维获得的中间层特征图和第N层特征降维获得的中间层光流特征图，以获得所述特征图的空间交叉特征图；分割模块，用于基于多个所述特征图的空间交叉特征图，从所述目标图像序列中的多张图像中分割感兴趣区域。
[0012]本申请还提供一种医学图像分割模型的训练装置，包括：获取模块，用于获取训练样本集，其中，所述训练样本集中包括多个第一特征图以及与所述多个第一特征图对应的第一感兴趣区域掩膜；确定模块，用于基于所述第一感兴趣区域掩膜确定对应第一特征图上的第一感兴趣区域；第二光流提取模块，用于提取所述第一感兴趣区域的光流信息，以获得光流特征图；其中，所述医学图像分割模型基于如上所述的医学图像分割方法进行图像分割。
[0013]本申请还提供一种电子设备，包括：
至少一个处理器；以及存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的医学图像分割方法或医学图像分割模型的训练方法。
[0014]本申请还提供一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的医学图像分割方法或医学图像分割模型的训练方法。
[0015]与现有技术相比，根据本申请的医学图像分割方法，通过融合空间特征（特征图的特征降维）、光流特征（感兴趣区域光流特征提取）、时序特征（目标图像序列中的多个特征图），获得空间交叉特征图，可以给与模型图像分割时更多的参考信息，提高分割的精确度。
[0016]在另一个方面，相较于整张图像的光流特征提取，采取感兴趣区域光流特征提取的方式，能够降低资源量的耗费以及图像周边区域可能对感兴趣区域光流特征的干扰。
[0017]在另一个方面，利用多维空间交叉特征图与多个空间交叉特征图的融合，可以进一步加强时空特征融合的深度和感兴趣区域的显著性。
附图说明
[0018]图1是本申请医学图像分割方法应用的场景示意图；图2是根据本申请一实施例医学图像分割方法的流程图；图3是根据本申请一实施例医学图像分割方法中，从图像序列的图像中生成多维时空交叉特征图的网络架构图；图4是根据本申请一实施例医学图像分割模型的训练方法中，训练阶段的流程图；图5是根据本申请一实施例医学图像分割模型的训练方法中，测试阶段的流程图；图6是根据本申请一实施例医学图像分割模型的训练方法中，训练阶段和测试阶段的网络架构图；图7根据本申请一实施例医学图像分割装置的模块图；图8根据本申请一实施例医学图像分割模型的训练装置的模块图；图9是根据本申请一实施例电子设备的硬件结构图。
具体实施方式
[0019]以下将结合附图所示的各实施方式对本申请进行详细描述。但该等实施方式并不限制本申请，本领域的普通技术人员根据该等实施方式所做出的结构、方法、或功能上的变换均包含在本申请的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种医学图像分割方法，其特征在于，所述方法包括：获取目标图像序列，并对其中的多张图像进行特征提取，以获得多个特征图，其中，所述特征图包括感兴趣区域；对所述特征图执行M层特征降维，以获得M个中间层特征图；对所述特征图中的感兴趣区域提取的光流特征图执行N层特征降维，以获得N个中间层光流特征图，其中，所述N个中间层光流特征图中的至少一个融合有对应维度的所述中间层特征图上感兴趣区域提取的光流特征；融合第M层特征降维获得的中间层特征图和第N层特征降维获得的中间层光流特征图，以获得所述特征图的空间交叉特征图；基于多个所述特征图的空间交叉特征图，从所述目标图像序列中的多张图像中分割感兴趣区域。2.根据权利要求1所述的医学图像分割方法，其特征在于，基于多个所述特征图的空间交叉特征图，从所述目标图像序列中的多张图像中分割感兴趣区域，具体包括：融合多个所述空间交叉特征图，以获得多维时空交叉特征图；分别融合所述多维时空交叉特征图与多个所述空间交叉特征图后进行解码，以从目标图像序列中的多张图像中分割感兴趣区域。3.根据权利要求2所述的医学图像分割方法，其特征在于，所述方法具体包括：将多个所述空间交叉特征图中的对应特征进行加权平均，以获得多维时空交叉特征图；将所述多维时空交叉特征图分别与多个所述空间交叉特征图中的对应特征进行进行乘积计算后进行解码，以从目标图像序列中的多张图像中分割感兴趣区域。4.根据权利要求1所述的医学图像分割方法，其特征在于，对所述特征图中的感兴趣区域提取的光流特征图执行N层特征降维，以获得N个中间层光流特征图，具体包括：在对所述光流特征图执行前N
‑
1层特征降维时，融合对应维度的所述中间层特征图上感兴趣区域提取的光流信息，以获得对应的中间层光流特征图。5.一种医学图像分割模型的训练方法，其特征在于，在模型训练阶段，所述方法包括：获取训练样本集，其中，所述训练样本集中包括多个第一特征图以及与所述多个第一特征图对应的第一感兴趣区域掩膜；基于所述第一感兴趣区域掩膜确定对应第一特征图上的第一感兴趣区域；提取所述第一感兴趣区域的光流信息，以获得光流特征图；其中，所述医学图像分割模型基于如权利要求1至4任意一项所述的医学图像分割方法进行图像分割。6.根据权利要求5所述的医...
【专利技术属性】
技术研发人员：张俊杰，霍志敏，
申请(专利权)人：杭州太美星程医药科技有限公司，
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。