图像分割方法和装置制造方法及图纸

本申请涉及一种图像分割方法和装置。对图像分割模型中的卷积块进行了改进，避免直接进行三维卷积处理，而是将传统三维卷积的拆分为伪一维卷积和伪二维卷积，伪二维卷积实现切片图像的特征抓取，伪一维卷积实现切片间的关系抓取，降低了模型参数计算量，降低对硬件的计算需求，同时增加特征增益块，可以防止重复特征利用时可能造成的低层特征不必要信息引入，并利用多个空洞卷积的感受野丰富空间信息，进一步提高分割精度，采用本方法能够在不影响运算精度的前提下，方便模型在低运算能力的设备上正常运行，从而降低了图像分割处理的成本。

【技术实现步骤摘要】

本申请涉及图像处理，特别是涉及一种图像分割方法和装置。

技术介绍

1、目前临床上基于医生手动标点的形式可以实现对核磁图像上前列腺的轮廓勾勒；随着计算机视觉的发展，基于深度学习对核磁图像上前列腺可以实现的自动勾勒分割，但是在分割精度和运算部署仍不满足于医生的需求。

2、基于手动标点的形式由于每个医生有每个医生的看法，经验不同的医生对器官轮廓的观察不同，不能达到一致性。基于深度学习的方法大多利用大参数模型和多项表征，以及多数据量等方式来实现前列腺的自动分割，但是这些方法在实现上需要高计算资源和高数据资源，但是数据量多会导致在模型部署时，模型的运行时间缓慢，甚至低硬件下不可运行，在临床应用上的价值很低，无法满足不同应用场景下的需求。

3、然而，目前的图像分割模型数据处理量大，对硬件计算需求较高，会耗费较高的运行成本。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够降低图像分割处理成本的图像分割方法和装置。

2、第一方面，本申请提供了一种图像分割方法。所述方法包括：本文档来自技高网...

【技术保护点】

1.一种图像分割方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述获取图像分割模型，包括：

3.根据权利要求2所述的方法，其特征在于，所述采用所述测试集对所述训练后的神经网络模型进行测试，在满足测试条件的情况下，将所述训练后的神经网络模型作为所述图像分割模型，包括：

4.根据权利要求1所述的方法，其特征在于，每一个卷积块对所述待分割图像的图像特征进行处理，包括：

5.根据权利要求1所述的方法，其特征在于，所述特征增益块对所述待分割图像的图像特征进行处理，包括：

6.根据权利要求1所述的方法，其特征在...

【技术特征摘要】

1.一种图像分割方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述获取图像分割模型，包括：

3.根据权利要求2所述的方法，其特征在于，所述采用所述测试集对所述训练后的神经网络模型进行测试，在满足测试条件的情况下，将所述训练后的神经网络模型作为所述图像分割模型，包括：

4.根据权利要求1所述的方法，其特征在于，每一个卷积块对所述待分割图像的图像特征进行处理，包括：

5.根据权利要求1所述的方法，其特征在于，所述特征增益块对所述待分割图像的图像特征进行处理，包括：

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

8.一种图像分割装置，其特征在于，所述装置包括：

9.根据权利要求8所述的装置，其特征在于，所述模型处理模块1803还用于根据输入卷积块的第一图像特征获得多个第一特征图；根据每一个第一特征图...

【专利技术属性】
技术研发人员：请求不公布姓名，请求不公布姓名，请求不公布姓名，请求不公布姓名，
申请(专利权)人：上海介航机器人有限公司，
类型：发明
国别省市：