【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种关节融合图像分割方法、装置、电子设备及存储介质。
技术介绍
1、随着人工智能(artificial intelligence，ai)技术的发展，深度学习技术已被成功应用于医学图像处理领域，实现了图像分割功能，而且准确性高。但是现有方法对于膝关节正常病例的分割效果较好，对于膝关节融合数据分割存在困难，部位区分不明显，存在较大误差。
2、因此，如何对关节融合图像进行分割成为亟待解决的技术问题。
技术实现思路
1、本专利技术提供一种关节融合图像分割方法、装置、电子设备及存储介质，用以解决现有技术中关节融合图像分割困难的缺陷，实现对关节融合图像的分割。
2、第一方面，本专利技术提供一种关节融合图像分割方法，包括：
3、将待检测关节图像输入至关节融合分割模型中的多尺度池化层，得到所述多尺度池化层输出的多个第一特征图，其中，所述多尺度池化层包括依次连接的n个池化网络，n为大于2的正整数，所述多个第一特征图包括n个第一特征图，各所述第一特征图的尺度不同；
4、将所述多个第一特征图输入至所述关节融合分割模型中的多层空洞卷积层，得到所述多层空洞卷积层输出的多个第二特征图，所述多个第二特征图包括n个第二特征图，各所述第二特征图的尺度不同，各所述第二特征图的尺度与其对应的第一特征图的尺度相关；
5、将所述多个第二特征图输入至所述关节融合分割模型中的边缘注意力层，得到所述边缘注意力层输出的多个第三特征图；>
6、基于所述多个第三特征图，进行特征融合，得到关节融合图像分割结果。
7、根据本专利技术提供一种的关节融合图像分割方法，当n＝4时，所述将待检测关节图像输入至关节融合分割模型中的多尺度池化层，得到所述多尺度池化层输出的多个第一特征图，包括：
8、将待检测关节图像输入至多尺度池化层中的第一池化模块，得到所述第一池化模块输出的第一个第一特征图；
9、将所述第一个第一特征图输入至所述多尺度池化层中的第二池化模块，得到所述第二池化模块输出的第二个第一特征图，所述第二个第一特征图的尺度小于所述第一个第一特征图的尺度；
10、将所述第二个第一特征图输入至所述多尺度池化层中的第三池化模块，得到所述第三池化模块输出的第三个第一特征图，所述第三个第一特征图的尺度小于所述第二个第一特征图的尺度；
11、将所述第三个第一特征图输入至所述多尺度池化层中的第四池化模块，得到所述第四池化模块输出的第四个第一特征图，所述第四个第一特征图的尺度小于所述第三个第一特征图的尺度。
12、根据本专利技术提供的一种关节融合图像分割方法，所述多层空洞卷积层包括n个多层空洞卷积网络，所述将所述多个第一特征图输入至所述关节融合分割模型中的多层空洞卷积层，得到所述多层空洞卷积层输出的多个第二特征图，包括：
13、将第n个第一特征图输入至所述多层空洞卷积层的第n个多层空洞卷积网络中的第一卷积模块，得到所述第一卷积模块输出的第一输出特征后，将所述第一输出特征与所述第n个第一特征图进行融合，得到第一分支特征，其中，n为正整数，n≤n，所述第n个多层空洞卷积网络包括m个分支，m为大于4的正整数，所述第一卷积模块包括两个3d卷积层；
14、将所述第n个第一特征图输入至所述第n个多层空洞卷积网络中的第m卷积模块，得到所述第m卷积模块输出的第m输出特征后，将所述第m输出特征、所述第n个第一特征图和所述第m-1分支特征进行融合，得到第m分支特征，其中，所述第m卷积模块包括两个3d卷积层，m为正整数，2≤m≤m-1；
15、将第m-1分支特征与第m-2分支特征进行融合后，输入至第m-2卷积层，得到所述第m-2卷积层输出的第m-2融合特征；
16、将第m'分支特征与第m'+1融合特征进行融合后，输入至第m'卷积层，得到所述第m'卷积层输出的第m'融合特征，m'为正整数，1≤m'≤m-3；
17、将所述第m-1分支特征、各所述第m'融合特征、所述第m-2融合特征和所述第n个第一特征图进行融合，得到所述第n个第二特征图。
18、根据本专利技术提供的一种关节融合图像分割方法，所述边缘注意力层包括n-1个边缘注意力网络，所述多个第三特征图包括n-1个第三特征图，所述将所述多个第二特征图输入至所述关节融合分割模型中的边缘注意力层，得到所述边缘注意力层输出的多个第三特征图，包括：
19、将第n-1个第二特征图和第n个第二特征图输入至第n-1个边缘注意力网络，得到所述第n-1个边缘注意力网络输出的第n-1个第三特征图；
20、将第n'个第二特征图和第n'+1个第三特征图输入至第n'个边缘注意力网络，得到所述第n'个边缘注意力网络输出的第n'个第三特征图，n'为正整数，1≤n'≤n-2。
21、根据本专利技术提供的一种关节融合图像分割方法，所述基于所述多个第三特征图，进行特征融合，得到关节融合图像分割结果，包括：
22、对各所述第三特征图和第n个第二特征图进行特征融合，得到边缘注意力融合特征图；
23、将所述第n个第二特征图和所述边缘注意力融合特征图进行拼接，得到关节融合图像分割结果。
24、根据本专利技术提供的一种关节融合图像分割方法，所述边缘注意力网络用于接收第一输入特征和第二输入特征后，输出相应的第三特征图，所述第一输入特征的尺度大于所述第二输入特征的尺度，所述边缘注意力网络包括：
25、上下文特征提取模块，用于基于所述第二输入特征获取局部上下文信息，得到上下文特征；
26、上下文特征细化模块，用于将所述上下文特征和所述第一输入特征融合后，进行特征提取，得到第三特征图；
27、其中，所述将所述上下文特征和所述第一输入特征融合后，进行特征提取，得到第三特征图，包括：
28、将所述上下文特征和所述第一输入特征进行融合，得到上下文融合特征；
29、将所述上下文融合特征输入第一特征提取单元，得到所述第一特征提取单元输出的第一中间特征，所述第一特征提取单元包括池化层和卷积层；
30、将所述第一中间特征与所述上下文融合特征进行融合，得到第二中间特征；
31、将所述第二中间特征输入第二特征提取单元，得到所述第二特征提取单元输出的第三中间特征，所述第二特征提取单元包括依次连接的多个特征提取子单元，各所述特征提取子单元包括卷积层、批归一化层和线性整流函数层；
32、将所述第二中间特征、所述第三中间特征和所述上下文融合特征相加，得到第三特征图。
33、根据本专利技术提供的一种关节融合图像分割方法，所述基于所述第二输入特征获取局部上下文信息，得到上下文特征，包括：
34、将所述第二输入特征输入至第三特征提取单元，得到所述第三特征提取单元输出的第一中间特征量，所述第三特征提取单元包括卷积层、批归一化层和线性整流层；
3本文档来自技高网...
【技术保护点】
1.一种关节融合图像分割方法，其特征在于，包括：
2.根据权利要求1所述的关节融合图像分割方法，其特征在于，当N＝4时，所述将待检测关节图像输入至关节融合分割模型中的多尺度池化层，得到所述多尺度池化层输出的多个第一特征图，包括：
3.根据权利要求1所述的关节融合图像分割方法，其特征在于，所述多层空洞卷积层包括N个多层空洞卷积网络，所述将所述多个第一特征图输入至所述关节融合分割模型中的多层空洞卷积层，得到所述多层空洞卷积层输出的多个第二特征图，包括：
4.根据权利要求1-3中任一项所述的关节融合图像分割方法，其特征在于，所述边缘注意力层包括N-1个边缘注意力网络，所述多个第三特征图包括N-1个第三特征图，所述将所述多个第二特征图输入至所述关节融合分割模型中的边缘注意力层，得到所述边缘注意力层输出的多个第三特征图，包括：
5.根据权利要求4所述的关节融合图像分割方法，其特征在于，所述基于所述多个第三特征图，进行特征融合，得到关节融合图像分割结果，包括：
6.根据权利要求4所述的关节融合图像分割方法，其特征在于，所述边缘注意力
7.根据权利要求6所述的关节融合图像分割方法，其特征在于，所述基于所述第二输入特征获取局部上下文信息，得到上下文特征，包括：
8.一种关节融合图像分割装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述关节融合图像分割方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述关节融合图像分割方法的步骤。
...【技术特征摘要】
1.一种关节融合图像分割方法，其特征在于，包括：
2.根据权利要求1所述的关节融合图像分割方法，其特征在于，当n＝4时，所述将待检测关节图像输入至关节融合分割模型中的多尺度池化层，得到所述多尺度池化层输出的多个第一特征图，包括：
3.根据权利要求1所述的关节融合图像分割方法，其特征在于，所述多层空洞卷积层包括n个多层空洞卷积网络，所述将所述多个第一特征图输入至所述关节融合分割模型中的多层空洞卷积层，得到所述多层空洞卷积层输出的多个第二特征图，包括：
4.根据权利要求1-3中任一项所述的关节融合图像分割方法，其特征在于，所述边缘注意力层包括n-1个边缘注意力网络，所述多个第三特征图包括n-1个第三特征图，所述将所述多个第二特征图输入至所述关节融合分割模型中的边缘注意力层，得到所述边缘注意力层输出的多个第三特征图，包括：
5.根据权利要求4所述的关节融合图像分割方法，其特征在于，所述基于所述多个第三...
【专利技术属性】
技术研发人员：柴伟，高志森，南少奎，卢晶，易佳锋，刘宇博，刘铮，
申请(专利权)人：中国人民解放军总医院第四医学中心，
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。