腰椎分割方法、装置、电子设备及计算机可读存储介质制造方法及图纸

本申请提供了一种基于多任务FADNet网络模型的腰椎分割方法、装置、电子设备及计算机可读存储介质。该方法，获取待分割的腰椎图像；将腰椎图像输入预设的多任务FADNet网络模型，输出腰椎分割结果；其中，腰椎分割结果包括腰椎中多个部位的分割结果；多任务FADNet网络模型是基于多任务FADNet网络经过模型训练得到的，多任务FADNet网络采用了多层卷积网络、下采样网络和上采样网络结构以用于提取特征；同时在上采样过程中采用特征共享机制，共享两个网络分支的上采样特征以提高分割精度；并且在每一层的每一对相邻的解码器分支和编码器分支之间的跳跃连接中添加注意力机制网络，以增强对边界特征的分割。强对边界特征的分割。强对边界特征的分割。

【技术实现步骤摘要】
腰椎分割方法、装置、电子设备及计算机可读存储介质


[0001]本申请属于深度学习智能识别
，尤其涉及一种基于多任务FADNet网络模型的腰椎分割方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]传统腰椎分割方法是基于阈值分割、边缘检测或区域增长来分割，该方法分割精度较差，粗略分割目标区域，不能精确分割目标区域边界。而且，该方法操作繁琐、耗时。
[0003]因此，如何又快又准地进行腰椎分割是本领域技术人员亟需解决的技术问题。

技术实现思路

[0004]本申请实施例提供一种基于多任务FADNet网络模型的腰椎分割方法、装置、电子设备及计算机可读存储介质，能够又快又准地进行腰椎分割。
[0005]第一方面，本申请实施例提供一种基于多任务FADNet网络模型的腰椎分割方法，包括：
[0006]获取待分割的腰椎图像；
[0007]将腰椎图像输入预设的多任务FADNet网络模型，输出腰椎分割结果；
[0008]其中，腰椎分割结果包括腰椎中多个部位的分割结果；
[0009]多任务FADNet网络模型是基于多任务FADNet网络经过模型训练得到的，多任务FADNet网络采用了多层卷积网络、下采样网络和上采样网络结构以用于提取特征；同时在上采样过程中采用特征共享机制，共享两个网络分支的上采样特征以提高分割精度；并且在每一层的每一对相邻的解码器分支和编码器分支之间的跳跃连接中添加注意力机制网络，以增强对边界特征的分割。
[0010]可选的，特征共享机制为：针对每一个尺度，将第一网络分支上采样结果和同一尺度下第二网络分支上采样结果相融合，融合结果和各网络分支同一尺度下注意力特征进行融合，融合结果输入到下一次上采样卷积中。
[0011]可选的，在将腰椎图像输入预设的多任务FADNet网络模型之前，方法还包括：
[0012]获取腰椎图像数据集；
[0013]标注腰椎图像数据集中腰椎图像的腰椎区域，并将腰椎区域确定为分割mask；其中，每个分割mask与腰椎图像一一对应；
[0014]将每个腰椎图像及其对应的分割mask的图像格式均转换为PNG格式；
[0015]将所有转换为PNG格式的腰椎图像及其对应的分割mask，按照预设比例划分为训练集、验证集和测试集。
[0016]可选的，在将所有转换为PNG格式的腰椎图像及其对应的分割mask，按照预设比例划分为训练集、验证集和测试集之后，方法还包括：
[0017]利用训练集对多任务FADNet网络进行模型训练，并利用验证集和测试集进行验证和测试，得到多任务FADNet网络模型。
[0018]可选的，利用训练集对多任务FADNet网络进行模型训练，并利用验证集和测试集进行验证和测试，得到多任务FADNet网络模型，包括：
[0019]在模型训练过程中，设置训练的batch_size为64；
[0020]设置初始化学习率为1e
‑
4，附加学习率衰减策略，每迭代5000次，学习率衰减为上一次学习率的0.9；
[0021]设置优化器为Adam优化器；
[0022]设置损失函数为DICE loss；
[0023]设置每迭代1000次，对训练集和验证集做一次验证，通过早停法来判断网络训练停止时间，并得到多任务FADNet网络模型。
[0024]可选的，注意力机制网络包括位置注意力机制网络和通道注意力机制网络；
[0025]其中，位置注意力机制网络，用于通过所有位置处的特征的加权和来选择性地聚合每个位置的特征；
[0026]通道注意力机制网络，用于通过整合所有通道映射之间的相关特征来选择性地强调存在相互依赖的通道映射。
[0027]可选的，位置注意力机制网络，用于通过所有位置处的特征的加权和来选择性地聚合每个位置的特征，包括：
[0028]初始化生成一个位置注意力矩阵，用于对任意两个点之间的关系建模；
[0029]将位置注意力矩阵与特征矩阵进行矩阵乘法，得到相乘结果；
[0030]对相乘结果和特征矩阵进行逐元素的加法，得到最终对全局语义具有一定表征能力的结果。
[0031]第二方面，本申请实施例提供了一种基于多任务FADNet网络模型的腰椎分割装置，包括：
[0032]图像获取模块，用于获取待分割的腰椎图像；
[0033]腰椎分割结果获取模块，用于将腰椎图像输入预设的多任务FADNet网络模型，输出腰椎分割结果；
[0034]其中，腰椎分割结果包括腰椎中多个部位的分割结果；
[0035]多任务FADNet网络模型是基于多任务FADNet网络经过模型训练得到的，多任务FADNet网络采用了多层卷积网络、下采样网络和上采样网络结构以用于提取特征；同时在上采样过程中采用特征共享机制，共享两个网络分支的上采样特征以提高分割精度；并且在每一层的每一对相邻的解码器分支和编码器分支之间的跳跃连接中添加注意力机制网络，以增强对边界特征的分割。
[0036]第三方面，本申请实施例提供了一种电子设备，电子设备包括：处理器以及存储有计算机程序指令的存储器；
[0037]处理器执行计算机程序指令时实现如第一方面所示的基于多任务FADNet网络模型的腰椎分割方法。
[0038]第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面所示的基于多任务FADNet网络模型的腰椎分割方法。
[0039]该基于多任务FADNet网络模型的腰椎分割方法，包括：获取待分割的腰椎图像；将
所述腰椎图像输入预设的多任务FADNet网络模型，输出腰椎分割结果；其中，所述腰椎分割结果包括腰椎中多个部位的分割结果；所述多任务FADNet网络模型是基于多任务FADNet网络经过模型训练得到的，所述多任务FADNet网络采用了多层卷积网络、下采样网络和上采样网络结构以用于提取特征；同时在上采样过程中采用特征共享机制，共享两个网络分支的上采样特征以提高分割精度；并且在每一层的每一对相邻的解码器分支和编码器分支之间的跳跃连接中添加注意力机制网络，以增强对边界特征的分割。
[0040]可见，一方面，该方法多任务FADNet网络采用了多层卷积网络、下采样网络和上采样网络结构以用于提取特征；同时在上采样过程中采用特征共享机制，共享两个网络分支的上采样特征以提高分割精度；并且在每一层的每一对相邻的解码器分支和编码器分支之间的跳跃连接中添加注意力机制网络，以增强对边界特征的分割，能够提高腰椎分割的准确率；另一方面，该方法可以同时输出腰椎中多个部位的分割结果，能够提高腰椎分割的效率。
附图说明
[0041]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本申请本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多任务FADNet网络模型的腰椎分割方法，其特征在于，包括：获取待分割的腰椎图像；将所述腰椎图像输入预设的多任务FADNet网络模型，输出腰椎分割结果；其中，所述腰椎分割结果包括腰椎中多个部位的分割结果；所述多任务FADNet网络模型是基于多任务FADNet网络经过模型训练得到的，所述多任务FADNet网络采用了多层卷积网络、下采样网络和上采样网络结构以用于提取特征；同时在上采样过程中采用特征共享机制，共享两个网络分支的上采样特征以提高分割精度；并且在每一层的每一对相邻的解码器分支和编码器分支之间的跳跃连接中添加注意力机制网络，以增强对边界特征的分割。2.根据权利要求1所述的基于多任务FADNet网络模型的腰椎分割方法，其特征在于，所述特征共享机制为：针对每一个尺度，将第一网络分支上采样结果和同一尺度下第二网络分支上采样结果相融合，融合结果和各网络分支同一尺度下注意力特征进行融合，融合结果输入到下一次上采样卷积中。3.根据权利要求1所述的基于多任务FADNet网络模型的腰椎分割方法，其特征在于，在将所述腰椎图像输入预设的多任务FADNet网络模型之前，所述方法还包括：获取腰椎图像数据集；标注所述腰椎图像数据集中腰椎图像的腰椎区域，并将所述腰椎区域确定为分割mask；其中，每个所述分割mask与所述腰椎图像一一对应；将每个所述腰椎图像及其对应的分割mask的图像格式均转换为PNG格式；将所有转换为PNG格式的腰椎图像及其对应的分割mask，按照预设比例划分为训练集、验证集和测试集。4.根据权利要求3所述的基于多任务FADNet网络模型的腰椎分割方法，其特征在于，在将所有转换为PNG格式的腰椎图像及其对应的分割mask，按照预设比例划分为训练集、验证集和测试集之后，所述方法还包括：利用所述训练集对所述多任务FADNet网络进行模型训练，并利用所述验证集和所述测试集进行验证和测试，得到所述多任务FADNet网络模型。5.根据权利要求4所述的基于多任务FADNet网络模型的腰椎分割方法，其特征在于，所述利用所述训练集对所述多任务FADNet网络进行模型训练，并利用所述验证集和所述测试集进行验证和测试，得到所述多任务FADNet网络模型，包括：在模型训练过程中，设置训练的batch_size为64；设置初始化学习率为1e
‑
4，附加学习率衰减策略，每迭代5000次，学习率衰...

【专利技术属性】
技术研发人员：张逸凌，刘星宇，
申请(专利权)人：张逸凌，
类型：发明
国别省市：