【技术实现步骤摘要】
本申请实施例涉及人工智能领域，特别涉及一种医学图像的分割方法、装置、设备、存储介质及程序产品。
技术介绍
1、随着人工智能技术的发展，出现了图像预测、目标检测、图像分割等多种多样的计算机视觉任务。目前，基于人工智能的图像分割技术可应用于医学领域，比如，对眼底图像进行图像分割，得到视杯视盘分割结果。
2、在进行图像分割时，将图像输入至预训练的图像分割模型，基于该图像分割模型对输入图像进行图像分割，从而得到图像分割结果。
3、然而，在进行图像分割时，输入图像可能与预训练的图像分割模型的训练数据属于不同域，比如，来自不同医疗中心或来自不同成像仪器，相关技术中的图像分割模型难以泛化至不同域，导致图像分割结果不准确。
技术实现思路
1、本申请提供了一种医学图像的分割方法、装置、设备、存储介质及程序产品，所述技术方案如下：
2、根据本申请的一方面，提供了一种医学图像的分割方法，所述方法包括：
3、获取待实行图像分割的医学图像；
4、通过n个特征提取网络对所述医学图像实行级联特征提取，得到n层图像特征，所述n个特征提取网络和所述n层图像特征一一对应，n为大于2的正整数；
5、对所述n层图像特征中的每一层图像特征实行通道相关性解耦操作，得到n层解耦图像特征，所述通道相关性解耦操作是指解耦同一层图像特征中不同通道之间的特征关联性，所述解耦图像特征是指去除所述同一层图像特征中不同通道之间的所述特征关联性后得到的特征；
7、基于所述融合特征实行图像分割，得到图像分割结果。
8、在一些实施例中，所述方法还包括：
9、获取所述n层样本图像特征对应的n个协方差矩阵，所述协方差矩阵用于表示样本图像特征中不同通道之间的特征关联性；
10、将所述n个协方差矩阵中的每个协方差矩阵与上三角矩阵相乘并求模长，得到第二训练损失，所述上三角矩阵是指对角线元素为0其他为1的矩阵；
11、根据所述第二训练损失更新所述图像分割模型的模型参数。
12、在一些实施例中，所述将所述n个协方差矩阵中的每个协方差矩阵与上三角矩阵相乘并求模长，得到第二训练损失，包括：
13、将第k个样本图像特征对应的第k个协方差矩阵与所述上三角矩阵相乘并求模长，得到第k个特征提取网络对应的特征提取训练损失，1≤k≤n；
14、将n个所述特征提取训练损失相加，得到所述第二训练损失。
15、根据本申请的一方面，提供了一种医学图像的分割装置，所述装置包括：
16、获取模块，用于获取待实行图像分割的医学图像；
17、特征提取模块，用于通过n个特征提取网络对所述医学图像实行级联特征提取，得到n层图像特征，所述n个特征提取网络和所述n层图像特征一一对应，n为大于2的正整数；
18、解耦模块，用于对所述n层图像特征中的每一层图像特征实行通道相关性解耦操作，得到n层解耦图像特征，所述通道相关性解耦操作是指解耦同一层图像特征中不同通道之间的特征关联性，所述解耦图像特征是指去除所述同一层图像特征中不同通道之间的所述特征关联性后得到的特征；
19、特征融合模块，用于对所述n层解耦图像特征实行解码融合操作，得到所述医学图像对应的融合特征，所述解码融合操作是指将所述n层解耦图像特征解码后进行特征融合，所述融合特征是指将所述n层解耦图像特征堆叠融合得到的特征；
20、图像分割模块，用于基于所述融合特征实行图像分割，得到图像分割结果。
21、根据本申请的另一方面，提供了一种计算机设备，该计算机设备包括：处理器和存储器，存储器中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行以实现如上方面所述的医学图像的分割方法。
22、根据本申请的另一方面，提供了一种计算机存储介质，计算机可读存储介质中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行以实现如上方面所述的医学图像的分割方法。
23、根据本申请的另一方面，提供了一种计算机程序产品，上述计算机程序产品包括计算机程序，所述计算机程序存储在计算机可读存储介质中；所述计算机程序由计算机设备的处理器从所述计算机可读存储介质读取并执行，使得所述计算机设备执行如上方面所述的医学图像的分割方法。
24、本申请提供的技术方案带来的有益效果至少包括：
25、获取待实行图像分割的医学图像，通过级联连接的n个特征提取网络对医学图像提取特征，得到n层图像特征，一个特征提取网络对应一层图像特征；对n层图像特征中的每一层图像特征解耦通道间相关性，得到n层解耦图像特征；将n层解耦图像特征融合，得到医学图像对应的融合特征；基于融合特征实行图像分割，得到图像分割结果。本申请通过提取不同层级的图像特征，并对不同层级的图像特征去除通道间的相关性，增大了图像特征中的通道的表达能力，提升了通道特征的泛化性。通过对医学图像的图像特征处理后，能够使得图像分割模型在分割不同域的医学图像时，依然可以得到准确地图像分割结果。
本文档来自技高网...【技术保护点】
1.一种医学图像的分割方法，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n层解耦图像特征包括低层解耦图像特征和高层解耦图像特征，所述低层解耦图像特征是指所述n层解耦图像特征中的第一层解耦图像特征，所述高层解耦图像特征包括所述n层解耦图像特征中的第i层解耦图像特征，1＜i≤n；
3.根据权利要求2所述的方法，其特征在于，所述解码所述n层解耦图像特征中的所述高层解耦图像特征，得到高层解码图像特征，包括：
4.根据权利要求3所述的方法，其特征在于，所述将所述高层解耦图像特征作为高层查询特征，以及将所述低层解耦图像特征作为低层键值特征和低层内容特征，包括：
5.根据权利要求2所述的方法，其特征在于，所述解码所述n层解耦图像特征中的所述低层解耦图像特征，得到低层解码图像特征，包括：
6.根据权利要求5所述的方法，其特征在于，所述将所述低层解耦图像特征作为低层查询特征，包括：
7.根据权利要求2所述的方法，其特征在于，所述融合所述高层解码图像特征和所述低层解码图像特征，得到所述融合特征，包括
8.根据权利要求1至7任一所述的方法，其特征在于，所述方法还包括：
9.根据权利要求8所述的方法，其特征在于，所述基于所述均值图像特征和所述标准差图像特征对所述n层图像特征中的每一层图像特征实行所述通道相关性解耦操作，得到所述n层解耦图像特征，包括：
10.根据权利要求1至7任一所述的方法，其特征在于，所述基于所述融合特征实行图像分割，得到图像分割结果，包括：
11.根据权利要求1至7任一所述的方法，其特征在于，所述方法还包括：
12.一种医学图像的分割装置，其特征在于，所述装置包括：
13.一种计算机设备，其特征在于，所述计算机设备包括：处理器和存储器，所述存储器中存储有至少一条计算机程序，至少一条所述计算机程序由所述处理器加载并执行以实现如权利要求1至11中任一项所述的医学图像的分割方法。
14.一种计算机存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行以实现如权利要求1至11中任一项所述的医学图像的分割方法。
15.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序存储在计算机可读存储介质中；所述计算机程序由计算机设备的处理器从所述计算机可读存储介质读取并执行，使得所述计算机设备执行如权利要求1至11中任一项所述的医学图像的分割方法。
...【技术特征摘要】
1.一种医学图像的分割方法，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n层解耦图像特征包括低层解耦图像特征和高层解耦图像特征，所述低层解耦图像特征是指所述n层解耦图像特征中的第一层解耦图像特征，所述高层解耦图像特征包括所述n层解耦图像特征中的第i层解耦图像特征，1＜i≤n；
3.根据权利要求2所述的方法，其特征在于，所述解码所述n层解耦图像特征中的所述高层解耦图像特征，得到高层解码图像特征，包括：
4.根据权利要求3所述的方法，其特征在于，所述将所述高层解耦图像特征作为高层查询特征，以及将所述低层解耦图像特征作为低层键值特征和低层内容特征，包括：
5.根据权利要求2所述的方法，其特征在于，所述解码所述n层解耦图像特征中的所述低层解耦图像特征，得到低层解码图像特征，包括：
6.根据权利要求5所述的方法，其特征在于，所述将所述低层解耦图像特征作为低层查询特征，包括：
7.根据权利要求2所述的方法，其特征在于，所述融合所述高层解码图像特征和所述低层解码图像特征，得到所述融合特征，包括：
8.根据权利要求1至7任一所述的方法，其特征在于，所述方法还包括：
9.根据权利要求8所述的方法，...
【专利技术属性】
技术研发人员：郑昊，黄雅雯，郑冶枫，
申请(专利权)人：腾讯科技深圳有限公司，
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。