医学图像分割方法及装置、存储介质和终端制造方法及图纸

本发明专利技术公开了一种医学图像分割方法及装置、存储介质和终端，其中方法采用了医学图像分割模型；医学图像分割模型包括多个连接的图像分割子网络，所有图像分割子网络结构相同；图像分割子网络包括：多个平行设置的Inception，用于从医学图像中提取多个通道的特征图；编码器结构用于对多通道特征图进行编码，以获取编码后的特征图；解码器结构用于对编码后的特征图进行解码，以获取拼接后的特征图；解码器层用于将所述拼接后的特征图转换为2通道特征图，解码器结构与编码器结构通过密集的跳连接方式连接。本发明专利技术方法提供了一个高效、且较现有方法更强大的医学图像分割结构，在保持精度的前提下，降低结构的参数量，并能够嵌入到神经网络中进行使用。够嵌入到神经网络中进行使用。够嵌入到神经网络中进行使用。

【技术实现步骤摘要】
医学图像分割方法及装置、存储介质和终端


[0001]本专利技术涉及医学图像分割
，尤其涉及一种医学图像分割方法及装置、存储介质和终端。

技术介绍

[0002]医学图像分割是一项很有意义的工作，它提供了器官区域的形状轮廓和范围，可以帮助医生在许多领域做出更好的临床决策，如血管检测、腺体疾病分割等。与普通的RGB图像不同，医学图像通常噪声大、对比度弱、边界模糊，难以提取鉴别特征。
[0003]近年来，卷积神经网络(Convolutional Neural Networks,CNN)因其出色的判别特征提取而受到越来越多的研究关注。例如将基于CNN结构设计的U
‑
Net及其变体结构应用于医学图像分割取得了出色的效果，但其在医学图像分割的实际应用过程中仍然面临着巨大的挑战。例如首先现有U
‑
Net及其变体结构易受到噪声影响；其次现有U
‑
Net及其变体浅层特征图和深层特征图之间存在较大的语义鸿沟，导致信息丢失；最后U
‑
Net及其变体结构有数百万个参数，这使得它们很难嵌入到微硬件中，且当减小参数量时，这些模型难以保持稳定的检测效果。

技术实现思路

[0004]本专利技术所要解决的技术问题是现有U
‑
Net及其变体在医学图像处理过程中，容易收到噪声影响，浅层特征图和深层特征图存在较大语义鸿沟，导致信息丢失，且参数较多，难以嵌入微硬件中。
[0005]为了解决上述技术问题，本专利技术提供了一种医学图像分割方法，包括：
[0006]获取待分割医学图像；
[0007]将所述待分割医学图像输入至医学图像分割模型，以使得所述医学图像分割模型输出所述待分割医学图像的分割结果；
[0008]其中，所述医学图像分割模型包括多个连接的图像分割子网络，所有所述图像分割子网络结构相同；
[0009]所述图像分割子网络包括：
[0010]多个平行设置的Inception，用于从医学图像中提取多个通道的特征图；
[0011]编码器结构，用于对多通道特征图进行编码，以获取编码后的特征图；
[0012]解码器结构，用于对编码后的特征图进行解码，以获取拼接后的特征图，所述解码器结构与所述编码器结构通过密集的跳连接方式连接；
[0013]解码器层，用于将所述拼接后的特征图转换为2通道特征图。
[0014]优选地，所述编码器结构包括三个编码层级，每个编码层级均包括一个编码器层和一个池化层，每个所述编码器层均包括依次连接的卷积、批量归一化和Mish激活函数。
[0015]优选地，所述解码器结构包括三个解码层级，每个解码层级均包括一个解码器层和一个上采样算子，每个所述解码器层均包括依次连接的特征图拼接、卷积、批量归一化和
Mish激活函数。
[0016]优选地，所述特征图拼接为将输入的特征图与来自所述编码器结构中的第一个编码器层输出的特征图和来自所述编码器结构中的第二个编码器层输出的特征图进行深度维度的拼接。
[0017]优选地，所述图像分割子网络还包括拼接层，所述拼接层用于将多个平行设置的Inception从医学图像中提取的多个通道的特征图拼接为多通道特征图。
[0018]优选地，所述多通道特征图为20通道特征图。
[0019]优选地，多个所述图像分割子网络之间通过串联、并联或串并联结合的方式连接。
[0020]为了解决上述技术问题，本专利技术还提供了一种医学图像分割装置，包括医学图像获取模块和图像分割模块；
[0021]所述医学图像获取模块，用于获取待分割医学图像；
[0022]所述图像分割模块，用于将所述待分割医学图像输入至医学图像分割模型，以使得所述医学图像分割模型输出所述待分割医学图像的分割结果；
[0023]其中，所述医学图像分割模型包括多个连接的图像分割子网络，所有所述图像分割子网络结构相同；
[0024]所述图像分割子网络包括：
[0025]多个平行设置的Inception，用于从医学图像中提取多个通道的特征图；
[0026]编码器结构，用于对多通道特征图进行编码，以获取编码后的特征图；
[0027]解码器结构，用于对编码后的特征图进行解码，以获取拼接后的特征图，所述解码器结构与所述编码器结构通过密集的跳连接方式连接；
[0028]解码器层，用于将所述拼接后的特征图转换为2通道特征图。
[0029]为了解决上述技术问题，本专利技术还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述医学图像分割方法。
[0030]为了解决上述技术问题，本专利技术还提供了一种终端，包括：处理器及存储器；
[0031]所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述医学图像分割方法。
[0032]与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
[0033]应用本专利技术实施例提供的医学图像分割方法，通过在图像分割子网络中设置多个平行的Inception，以实现对待分割医学图像进行多通道特征图的提取；通过设置编码器结构和解码器结构实现对多通道特征图进行级联，且编码器和解码器之间形成轻量级、密集的跳连接(skip connection)减少了医学图像浅层特征和深层特征之间的语义损失；最后作为输出设计的解码器层也可减少低特征图和高特征图之间较大的语义差距。本专利技术方法提供了一个高效、且较现有方法更强大的医学图像分割结构，在保持精度的前提下，降低结构的参数量，并能够嵌入到神经网络中进行使用。
[0034]本专利技术的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
[0035]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例共同用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0036]图1示出了本专利技术实施例一医学图像分割方法的流程示意图；
[0037]图2示出了本专利技术实施例一中图像分割子网络的结构及密集跳连接的示意图；
[0038]图3示出了本专利技术实施例二医学图像分割装置的结构示意图；
[0039]图4示出了本专利技术实施例四终端的结构示意图。
具体实施方式
[0040]以下将结合附图及实施例来详细说明本专利技术的实施方式，借此对本专利技术如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本专利技术中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本专利技术的保护范围之内。
[0041]近年来，卷积神经网络(Convolutional Neural Networks,CNN)因其出色的判本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学图像分割方法，包括：获取待分割医学图像；将所述待分割医学图像输入至医学图像分割模型，以使得所述医学图像分割模型输出所述待分割医学图像的分割结果；其中，所述医学图像分割模型包括多个连接的图像分割子网络，所有所述图像分割子网络结构相同；所述图像分割子网络包括：多个平行设置的Inception，用于从医学图像中提取多个通道的特征图；编码器结构，用于对多通道特征图进行编码，以获取编码后的特征图；解码器结构，用于对编码后的特征图进行解码，以获取拼接后的特征图，所述解码器结构与所述编码器结构通过密集的跳连接方式连接；解码器层，用于将所述拼接后的特征图转换为2通道特征图。2.根据权利要求1所述的方法，其特征在于，所述编码器结构包括三个编码层级，每个编码层级均包括一个编码器层和一个池化层，每个所述编码器层均包括依次连接的卷积、批量归一化和Mish激活函数。3.根据权利要求2所述的方法，其特征在于，所述解码器结构包括三个解码层级，每个解码层级均包括一个解码器层和一个上采样算子，每个所述解码器层均包括依次连接的特征图拼接、卷积、批量归一化和Mish激活函数。4.根据权利要求3所述的方法，其特征在于，所述特征图拼接为将输入的特征图与来自所述编码器结构中的第一个编码器层输出的特征图和来自所述编码器结构中的第二个编码器层输出的特征图进行深度维度的拼接。5.根据权利要求1所述的方法，其特征在于，所述图像分割子网络还包括拼接层，所述拼接层用于将多个平行设置...

【专利技术属性】
技术研发人员：刘立庄，岳臻，韩振奇，蒋嘉熙，
申请(专利权)人：中国科学院上海高等研究院，
类型：发明
国别省市：