【技术实现步骤摘要】
本申请涉及医学图像处理领域，具体而言，涉及一种医学图像分割方法和装置、存储介质及电子设备。
技术介绍
1、随着人工智能技术在医学领域广泛应用，越来越多的医学图像分析过程融入计算机视觉分析的技术方法，医学图像分割是医学图像分析的基础，其主要目的是将医学图像中的目标区域与背景分离出来。目前在骨科医学图像分割方面已有各种基于深度学习的医学图像分割技术，但这些技术通常只关注医学图像中的单个像素点的特征，导致对图像分割的准确性比较低。
2、针对相关技术中在进行医学图像分割时只关注医学图像中的单个像素点的特征，导致对医学图像分割的准确性比较低的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本申请的主要目的在于提供一种医学图像分割方法和装置、存储介质及电子设备，以解决相关技术中在进行医学图像分割时只关注医学图像中的单个像素点的特征，导致对医学图像分割的准确性比较低的问题。
2、为了实现上述目的，根据本申请的一个方面，提供了一种医学图像分割方法。该方法包括：获取待分割的目标医学图像，其中，所述目标医学图像为三维医学图像；通过目标分割模型中的特征提取层对所述目标医学图像进行特征提取，得到初始特征向量；通过所述目标分割模型中的编码层对所述初始特征向量进行上下文特征提取，得到第一目标特征向量；通过所述目标分割模型中的分类层对所述第一目标特征向量进行处理，得到所述目标医学图像的目标分割结果。
3、进一步地，在获取待分割的目标医学图像之后，所述方法还包括：对所述待
4、进一步地，通过所述目标分割模型中的编码层对所述初始特征向量进行上下文特征提取，得到第一目标特征向量包括：获取前景掩码，并依据所述初始特征向量和所述前景掩码，得到前景特征向量；获取背景掩码，并依据所述初始特征向量和所述背景掩码，得到背景特征向量；对所述前景特征向量和所述背景特征向量进行上下文特征提取，得到所述第一目标特征向量。
5、进一步地，依据所述初始特征向量和所述前景掩码，得到前景特征向量包括：对所述初始特征向量中的每个像素点对应的特征值和所述前景掩码中每个像素点对应的掩码进行计算，得到处理后的初始特征向量；对所述处理后的初始特征向量进行卷积计算，得到所述前景特征向量。
6、进一步地，对所述前景特征向量和所述背景特征向量进行上下文特征提取，得到所述第一目标特征向量包括：对于所述前景特征向量中的每个像素点，对所述像素点对应的前景特征向量中的特征值和所述背景特征向量中的目标二维范围内的特征值进行计算，得到第一上下文特征向量，其中，所述目标二维范围依据所述像素点对应的位置信息确定；对于所述前景特征向量中的每个像素点，对所述像素点对应的前景特征向量中的特征值和所述背景特征向量中的目标三维范围内的特征值进行计算，得到第二上下文特征向量，其中，所述目标三维范围依据所述像素点对应的位置信息确定；依据所述第一上下文特征向量和所述第二上下文特征向量进行计算，得到所述第一目标特征向量。
7、进一步地，依据所述第一上下文特征向量和所述第二上下文特征向量进行计算，得到所述第一目标特征向量包括：对所述第一上下文特征向量和所述第二上下文特征向量进行相加处理，得到处理后的上下文特征向量；对所述处理后的上下文特征向量和所述前景特征向量进行卷积处理，得到所述第一目标特征向量。
8、进一步地，通过所述目标分割模型中的分类层对所述第一目标特征向量进行处理，得到所述目标医学图像的目标分割结果包括：对所述第一目标特征向量和每个预设类别对应的第二目标特征向量进行相似度计算，得到每个预设类别对应的相似度；依据每个预设类别对应的相似度，确定所述目标医学图像中每个像素点对应的类别；依据所述目标医学图像中每个像素点对应的类别，得到所述目标分割结果。
9、进一步地，所述目标分割模型采用以下步骤训练得到：获取目标训练集，其中，所述目标训练集中包括多个医学样本图像和每个医学样本图像中每个像素点对应的真实标签；将所述目标训练集划分为支持训练集和查询训练集；通过所述支持训练集和所述查询训练集对初始分割模型进行训练，得到所述目标分割模型。
10、进一步地，通过所述支持训练集和所述查询训练集对初始分割模型进行训练，得到所述目标分割模型包括：通过初始分割模型对所述支持训练集中的医学样本图像进行处理，得到第三目标特征向量，以及通过所述初始分割模型对所述支持训练集中的医学样本图像进行处理，得到第四目标特征向量；通过所述初始分割模型基于所述第三目标特征向量和所述第四目标特征向量进行处理，得到对所述查询训练集中的医学样本图像的预测分割结果；依据所述预测分割结果和所述真实标签进行计算，得到目标损失值；依据所述目标损失值对所述初始分割模型进行训练，得到所述目标分割模型。
11、进一步地，依据所述目标损失值对所述初始分割模型进行训练，得到所述目标分割模型包括：判断所述目标损失值是否小于预设阈值；若所述目标损失值大于等于所述预设阈值，则对所述初始分割模型的参数进行更新，得到更新后的初始分割模型；通过所述更新后的初始分割模型对所述支持训练集中的医学样本图像进行处理，得到第五目标特征向量；重复执行通过所述初始分割模型基于所述第三目标特征向量和所述第五目标特征向量进行处理的步骤，直至所述目标损失值小于所述预设阈值，将当前的初始分割模型确定为所述目标分割模型。
12、为了实现上述目的，根据本申请的另一方面，提供了一种医学图像分割装置。该装置包括：第一获取单元，用于获取待分割的目标医学图像，其中，所述目标医学图像为三维医学图像；第一提取单元，用于通过目标分割模型中的特征提取层对所述目标医学图像进行特征提取，得到初始特征向量；第二提取单元，用于通过所述目标分割模型中的编码层对所述初始特征向量进行上下文特征提取，得到第一目标特征向量；第一处理单元，用于通过所述目标分割模型中的分类层对所述第一目标特征向量进行处理，得到所述目标医学图像的目标分割结果。
13、进一步地，所述装置还包括：第二处理单元，用于在获取待分割的目标医学图像之后，对所述待分割的目标医学图像进行预处理，得到处理后的目标医学图像；第一提取单元包括：第一提取子单元，用于通过所述特征提取层对所述处理后的目标医学图像进行特征提取，得到所述初始特征向量。
14、进一步地，第一提取单元包括：第一获取子单元，用于获取前景掩码，并依据所述初始特征向量和所述前景掩码，得到前景特征向量；第二获取子单元，用于获取背景掩码，并依据所述初始特征向量和所述背景掩码，得到背景特征向量；第二提取子单元，用于对所述前景特征向量和所述背景特征向量进行上下文特征提取，得到所述第一目标特征向量。
15、进一步地，第二提取子单元包括：第一计本文档来自技高网...
【技术保护点】
1.一种医学图像分割方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求1所述的方法，其特征在于，通过所述目标分割模型中的编码层对所述初始特征向量进行上下文特征提取，得到第一目标特征向量包括：
4.根据权利要求3所述的方法，其特征在于，依据所述初始特征向量和所述前景掩码，得到前景特征向量包括：
5.根据权利要求3所述的方法，其特征在于，对所述前景特征向量和所述背景特征向量进行上下文特征提取，得到所述第一目标特征向量包括：
6.根据权利要求5所述的方法，其特征在于，依据所述第一上下文特征向量和所述第二上下文特征向量进行计算，得到所述第一目标特征向量包括：
7.根据权利要求1所述的方法，其特征在于，通过所述目标分割模型中的分类层对所述第一目标特征向量进行处理，得到所述目标医学图像的目标分割结果包括：
8.根据权利要求1所述的方法，其特征在于，所述目标分割模型采用以下步骤训练得到：
9.根据权利要求8所述的方法，其特征在于，通过所述支持训练集和所述查询训练集
10.根据权利要求9所述的方法，其特征在于，依据所述目标损失值对所述初始分割模型进行训练，得到所述目标分割模型包括：
11.一种医学图像分割装置，其特征在于，包括：
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质在设备执行权利要求1至10中任意一项所述的医学图像分割方法。
13.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至10中任意一项所述的医学图像分割方法。
...【技术特征摘要】
1.一种医学图像分割方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求1所述的方法，其特征在于，通过所述目标分割模型中的编码层对所述初始特征向量进行上下文特征提取，得到第一目标特征向量包括：
4.根据权利要求3所述的方法，其特征在于，依据所述初始特征向量和所述前景掩码，得到前景特征向量包括：
5.根据权利要求3所述的方法，其特征在于，对所述前景特征向量和所述背景特征向量进行上下文特征提取，得到所述第一目标特征向量包括：
6.根据权利要求5所述的方法，其特征在于，依据所述第一上下文特征向量和所述第二上下文特征向量进行计算，得到所述第一目标特征向量包括：
7.根据权利要求1所述的方法，其特征在于，通过所述目标分割模型中的分类层对所述第一目标特征向量进行处理，得到所述目标医学图像的目标分割结果包括：
8.根据权利...
【专利技术属性】
技术研发人员：刘兴业，顾席铭，冯彦彰，陈亚刚，
申请(专利权)人：北京壹点灵动科技有限公司，
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。