CN114565615A - 息肉图像分割方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明涉及图像分割技术领域，公开了一种息肉图像分割方法、装置、计算机设备及存储介质，该方法包括：获取息肉图像训练集和息肉图像验证集，对息肉图像训练集的图像进行灰度处理，得到灰度图像集，采用息肉图像训练集的图像对预设的编码卷积神经网络进行训练，得到第一编码特征图、第二编码特征图、第三编码特征图、第四编码特征图和编码卷积神经网络参数，采用第一编码特征图、第二编码特征图、第三编码特征图、第四编码特征图和灰度图像集的灰度图像对预设的解码卷积神经网络进行训练，得到解码卷积神经网络参数，根据编码卷积神经网络参数和解码卷积神经网络参数，得到息肉分割模型，将待分割息肉图片输入息肉分割模型分割，提高待分割息肉图像的分割精度。

Description

息肉图像分割方法、装置、计算机设备及存储介质

技术领域

本发明涉及图像分割技术领域，尤其涉及一种息肉图像分割方法、装置、计算机设备及存储介质。

背景技术

结肠镜检查是结直肠癌(CRC)筛查的主要方式，可以在结肠息肉发展为癌症之前检测和清除结肠息肉，而结直肠息肉的检测和分割是医生诊断结肠癌的重要依据。

传统的息肉图像分割算法主要通过研究人员手动设计息肉特征来实现分割任务，需要耗费大量的人力，效率低，且由于同一类型的息肉，其大小、纹理和颜色等外观不同，在结肠镜检查图像中，息肉与周围粘膜的边界通常非常模糊，通过手动设计息肉特征实现息肉图像的分割，无法通过模糊的边界对息肉图像进行准确分割。

发明内容

本发明实施例提供一种息肉图像分割方法、装置、计算机设备和存储介质，以提高对息肉进行分割的准确度。

为了解决上述技术问题，本申请实施例提供一种息肉图像分割方法，包括：

获取息肉图像训练集和息肉图像验证集；

对所述息肉图像训练集中的图像进行灰度处理，得到灰度图像集；

采用所述息肉图像训练集中的图像对预设的编码卷积神经网络进行训练，得到第一编码特征图、第二编码特征图、第三编码特征图、第四编码特征图和编码卷积神经网络参数；

采用所述第一编码特征图、所述第二编码特征图、所述第三编码特征图、所述第四编码特征图和所述灰度图像集中的灰度图像对预设的解码卷积神经网络进行训练，得到解码卷积神经网络参数；

根据所述编码卷积神经网络参数和所述解码卷积神经网络参数，得到待验证息肉分割模型；

采用所述息肉图像验证集对所述待验证息肉分割模型进行验证，得到验证结果信息，并根据所述验证结果信息，确定所述待验证息肉分割模型是否为息肉分割模型；

若是，则在获取待分割息肉图像时，将所述待分割息肉图片输入所述息肉分割模型进行分割，得到息肉图像分割结果图。

为了解决上述技术问题，本申请实施例还提供一种息肉图像分割装置，包括：

图像获取模块，用于获取息肉图像训练集和息肉图像验证集；

灰度处理模块，用于对所述息肉图像训练集中的图像进行灰度处理，得到灰度图像集；

编码卷积神经网络参数获取模块，用于采用所述息肉图像训练集中的图像对预设的编码卷积神经网络进行训练，得到第一编码特征图、第二编码特征图、第三编码特征图、第四编码特征图和编码卷积神经网络参数；

解码卷积神经网络参数获取模块，用于采用所述第一编码特征图、所述第二编码特征图、所述第三编码特征图、所述第四编码特征图和所述灰度图像集中的灰度图像对预设的解码卷积神经网络进行训练，得到解码卷积神经网络参数；

待验证息肉分割模型获取模块，用于根据所述编码卷积神经网络参数和所述解码卷积神经网络参数，得到待验证息肉分割模型；

验证模块，用于采用所述息肉图像验证集中的图像对所述待验证息肉分割模型进行验证，得到验证结果信息，并根据所述验证结果信息，确定所述待验证息肉分割模型是否为息肉分割模型；

分割模块，用于若是，则在获取待分割息肉图像时，将所述待分割息肉图片输入所述息肉分割模型进行分割，得到息肉图像分割结果图。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述息肉图像分割方法的步骤。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述息肉图像分割方法的步骤。

本发明实施例提供的息肉图像分割方法、装置、计算机设备及存储介质，通过获取息肉图像训练集和息肉图像验证集，对所述息肉图像训练集中的图像进行灰度处理，得到灰度图像集，采用所述息肉图像训练集中的图像对预设的编码卷积神经网络进行训练，得到第一编码特征图、第二编码特征图、第三编码特征图、第四编码特征图和编码卷积神经网络参数，采用所述第一编码特征图、所述第二编码特征图、所述第三编码特征图、所述第四编码特征图和所述灰度图像集中的灰度图像对预设的解码卷积神经网络进行训练，得到解码卷积神经网络参数，根据所述编码卷积神经网络参数和所述解码卷积神经网络参数，得到待验证息肉分割模型，采用所述息肉图像验证集对所述待验证息肉分割模型进行验证，得到验证结果信息，并根据所述验证结果信息，确定所述待验证息肉分割模型是否为息肉分割模型，若是，则在获取待分割息肉图像时，将所述待分割息肉图片输入所述息肉分割模型进行分割，得到息肉图像分割结果图，本发明通过采用息肉图像验证集中的图像和灰度图像集中的图像对预设的编码卷积神经网络和预设的解码卷积神经网络进行训练，得到待验证息肉分割图像，并采用息肉验证集中的图像对待验证息肉分割模型进行验证，得到息肉分割模型，提高息肉分割模型的训练准确度，进而提高息肉分割模型对待分割息肉图像的分割精度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请可以应用于其中的示例性系统架构图；

图2是本申请的息肉图像分割方法的一个实施例的流程图；

图3是根据本申请的息肉图像分割装置的一个实施例的结构示意图；

图4是根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture E界面显示perts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureE界面显示perts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的息肉图像分割方法由服务器执行，相应地，息肉图像分割装置设置于服务器中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器，本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。

请参阅图2，图2示出本发明实施例提供的一种息肉图像分割方法，以该方法应用在图1中的服务端为例进行说明，详述如下：

S201：获取息肉图像训练集和息肉图像验证集。

具体的，息肉图像训练集和息肉图像验证集通过已公开的息肉数据集Kvasir和CVC-ClinicDB，其中，在数据集Kvasir中包含1000张息肉图像，息肉图像的大小在332x487像素到1920x1072像素，且每张息肉图像中的息肉的区域形状和颜色各不相同，在数据集CVC-ClinicDB中包含612张息肉图像，息肉图像的大小为384x288像素,每张息肉图像中的息肉的区域形状和颜色各不相同，通过将数据集Kvasir中的1000张息肉图像和数据集CVC-ClinicDB中的612张息肉图像分别按照预设的划分规则进行划分，得到息肉图像训练集和息肉图像验证集，其中，预设的划分规则根据实际应用场景进行设置，此处不做具体限定，例如，将数据集Kvasir中的1000张息肉图像中的900张息肉图像划分为息肉图像训练集，剩余的100张息肉图像作为息肉图像验证集，将数据集CVC-ClinicDB中的612张息肉图像中的550张息肉图像作为息肉训练集，剩余的62张息肉图像作为息肉图像验证集。

S202：对息肉图像训练集中的图像进行灰度处理，得到灰度图像集。

具体的，通过图像均值化或者图像灰度化等图像处理技术对息肉训练集中的图像进行灰度处理，得到灰度图像集。

可选的，通过图像均值化或者图像灰度化等图像处理技术对息肉图像验证集中的图像进行灰度处理，得到灰度图像验证集。

可选的，在步骤S202，对息肉图像训练集中的图像进行灰度处理，得到灰度图像集之前，息肉分割方法还包括：

对息肉图像训练集中的图像进行预处理，其中，预处理方式包括但不限于水平翻转和垂直翻转、随机旋转、调整图像大小、归一化、灰度变换。

示例性的，对对息肉图像训练集中的图像进行预处理的过程如下：

可选的，基于预设的概率值，对息肉图像训练集中的图像进行水平翻转和垂直翻转，在本实施例中，预设的概率值优选设置为50％。

可选的，基于预设的旋转范围值，对息肉图像训练集中的图像进行随机旋转，在本实施例中，预设的旋转范围值优选设置为0°～90°。

可选的，基于预设的分辨率，对息肉图像训练集中的图像的图像分辨率进行重置，固定相同分辨率，在本实施例中，预设的分辨率优选设置为352x352像素。

可选的，对息肉图像训练集中的图像进行归一化处理。

可选的，对息肉图像训练集中的图像进行灰度转换，将对息肉图像训练集中的图像转变成单通道灰度图。

S203：采用息肉图像训练集中的图像对预设的编码卷积神经网络进行训练，得到第一编码特征图、第二编码特征图、第三编码特征图、第四编码特征图和编码卷积神经网络参数。

具体的，预设的编码卷积神经网络基于HardNet网络实现，其包括第一编码块、第二编码块、第三编码块和第四编码块，其中，第一编码块、第二编码块、第三编码块和第四编码块依次连接，示例性的，第一编码块包括卷积层conv3*3、卷积层conv3*3(步长＝2)、最大池化层MaxPooling(步长＝2)、8*HarDBIk层、卷积层conv1*1和最大池化层MaxPooling(步长＝2)，且依次连接，其中，第二个最大池化层MaxPooling(步长＝2)输出第一编码特征图；

第二编码块包括8*HarDBIk层、卷积层conv1*1、8*HarDBIk层、卷积层conv1*1和最大池化层MaxPooling(步长＝2)，且依次连接，其中，最大池化层MaxPooling(步长＝2)输出第二编码特征图；

第三编码块包括8*HarDBIk层、卷积层conv1*1和最大池化层MaxPooling(步长＝2)，且依次连接，其中，最大池化层MaxPooling(步长＝2)输出第三编码特征图；

第四编码块包括8*HarDBIk层和卷积层conv1*1，且依次连接，其中，卷积层conv1*1输出第四编码特征图；

其中，第一编码块的第二个最大池化层MaxPooling(步长＝2)的输出连接第二编块的第一个8*HarDBIk层的输入，第二编码块的最大池化层MaxPooling(步长＝2)的输出连接第三编块的8*HarDBIk层的输入，第三编码块的最大池化层MaxPooling(步长＝2)的输出连接第三编块的8*HarDBIk层的输入；

最大池化层MaxPooling(步长＝2)采用的方法是最大池化，即选定息肉图像训练集中的息肉图像的图像区域的最大值作为该图像区域池化后的值；

HarDBIk层具体包括卷积层conv3*3、卷积层conv3*3、最大池化层MaxPooling、卷积层conv3*3、…、卷积层conv3*3、Droput层、卷积层conv1*1，且依次连接，其中，“…”代表n个卷积层conv3*3，n为大于0的正整数，Droput层用于避免HarDBIk层在训练时过拟合，卷积层conv3*3为包括至少一个卷积核为3*3的卷积层，卷积层conv1*1为包括至少一个卷积核为1*1的卷积层，8*HarDBIk层为8个依次连接的HarDBIk层；

具体的，第一编码特征图为第一编码块对息肉训练集中的图像进行训练后输出的特征图，第二编码特征图为第二编码块对第一编码特征图进行训练后输出的特征图，第三编码特征图为第三编码块对第二编码特征图进行训练后输出的特征图，第四编码特征图为第四编码块对第三编码特征图进行训练后输出的特征图，通过息肉训练集中的图像对预设的编码卷积神经网络进行多次训练，得到编码卷积神经网络参数，其中，编码卷积神经网络参数为预设的编码卷积神经网络中的权重和偏置值等网络参数。

S204：采用第一编码特征图、第二编码特征图、第三编码特征图、第四编码特征图和灰度图像集中的灰度图像对预设的解码卷积神经网络进行训练，得到解码卷积神经网络参数。

具体的，预设的解码卷积神经网络包括第一解码块、第二解码块、第三解码块和第四解码块，其中，第一解码块、第二解码块、第三解码块和第四解码块依次连接，示例性的，第一解码块包括上采样层、卷积层conv3*3、BN(Batch Normalization，批量归一化)层和RELU层，且依次连接，其中，上采样层采用的方法是双线性差值方法，用于还原第四编码特征图的图像分辨率，恢复第四编码特征图中的空间信息，RELU层采用Relu激活函数，增加第一解码块对第四编码特征图的非线性分割能力，提高对待分割息肉图像中的息肉进行分割的准确度，BN(Batch Normalization，批量归一化)层是对卷积层conv3*3输出的特征图进行归一化，第二解码块包括第一多尺度注意力模块和第一神经网络模块；第三解码模块包括第一滤波增强模块、第二多尺度注意力模块和第二神经网络模块；第四解码模块包括第二滤波增强模块，第三多尺度注意力模块和第三神经网络模块；

其中，第一神经网络模块、第二神经网络模块和第三神经网络模块具有相同的网络结构，即连接层、上采样层、卷积层conv3*3、BN(Batch Normalization，批量归一化)层和RELU层，且依次连接，其中，连接层为concatenate层，用于将输入的特征进行融合，第一滤波增强模块用于将第二编码特征图和灰度图像集中的灰度图像进行线性变换，提取第一编码特征图中的变化强度，提高第二编码特征图中目标区域及其与背景区域的边界的对比度，并将变化强度叠加到第二编码特征图中，恢复第二编码特征中的部分特征信息，第二滤波增强模块用于将第一编码特征图和灰度图像集中的灰度图像进行线性变换，提取第一编码特征图中的变化强度，提高第一编码特征图中目标区域及其与背景区域的边界的对比度，并将变化强度叠加到第一编码特征图中，恢复第一编码特征中的部分特征信息，第一滤波增强模块、第二滤波增强模块包括均值滤波层、局部线性计算层、均值滤波层和线性层依次连接，其中，线性层也叫全连接层，其每个神经元与上一个层所有神经元相连，实现对前一层的线性变换，示例性的，第一多尺度注意力模块将第一解码特征图作为输入，通过sigmoid函数计算得到权重值，将权重值进行反转，如权重值为3，则反转后的权重值为(-1*3+1)，将反转后的权重值与第一解码特征图相乘得到特征图，通过cat函数，将反转后的权重值与第一解码特征图相乘得到特征图和第一解码特征图进行拼接输出第一多尺度注意力模块输出的特征图，第二多尺度注意力模块将第一滤波增强模块输出的特征图作为输入，通过sigmoid函数计算得到权重值，将权重值进行反转，如权重值为3，则反转后的权重值为(-1*3+1)，将反转后的权重值与第一滤波增强模块输出的特征图相乘得到特征图，通过cat函数，将反转后的权重值与第一滤波增强模块输出的特征图相乘得到特征图和第一滤波增强模块输出的特征图进行拼接输出第二多尺度注意力模块输出的特征图，第三多尺度注意力模块将第二滤波增强模块输出的特征图作为输入，通过sigmoid函数计算得到权重值，将权重值进行反转，如权重值为3，则反转后的权重值为(-1*3+1)，将反转后的权重值与第二滤波增强模块输出的特征图相乘得到特征图，通过cat函数，将反转后的权重值与第二滤波增强模块输出的特征图相乘得到特征图和第一滤波增强模块输出的特征图进行拼接输出第三多尺度注意力模块输出的特征图，其中，解码卷积神经网络参数为预设的解码卷积神经网络中的权重和偏置值等网络参数。

S205：根据编码卷积神经网络参数和解码卷积神经网络参数，得到待验证息肉分割模型。

具体的，编码卷积神经网络参数作为预设的编码卷积神经网络的参数，解码卷积神经网络参数作为预设的解码卷积神经网络的参数，预设的编码卷积神经网络和预设的解码卷积神经网络组成待验证息肉分割模型。

S206：采用息肉图像验证集对待验证息肉分割模型进行验证，得到验证结果信息，并根据验证结果信息，确定待验证息肉分割模型是否为息肉分割模型。

具体的，验证结果信息可以为相似度值集合，待验证息肉分割模型使用已训练好的编码卷积神经网络参数和解码卷积神经网络提取息肉图像验证集中的图像的息肉区域的特征，输出预测图(即息肉区域的二值图像)集合，将预测图集合中的预测图与预设的息肉图集合中对应的标签图进行相似系数计算，得到相似度值集合，若相似度值集合中存在相似度值大于预设阈值的数量大于预设数量阈值，则确定待验证息肉分割模型为息肉分割模型，否则，对待验证息肉分割模型进行训练，并更新编码卷积神经网络参数和解码卷积神经网络参数，直至相似度值集合中存在相似度值大于预设阈值的数量大于预设数量阈值为止，其中，预设阈值和预设数量阈值根据历史经验数据分析获得，此处不做具体限定。

S207：若是，则在获取待分割息肉图像时，将待分割息肉图片输入息肉分割模型进行分割，得到息肉图像分割结果图。

具体的，预设的解码卷积神经网络中的第四解码模块的输出特征图即为息肉图像分割结果图。

在本实施例中，通过获取息肉图像训练集和息肉图像验证集，对息肉图像训练集中的图像进行灰度处理，得到灰度图像集，采用息肉图像训练集中的图像对预设的编码卷积神经网络进行训练，得到第一编码特征图、第二编码特征图、第三编码特征图、第四编码特征图和编码卷积神经网络参数，采用第一编码特征图、第二编码特征图、第三编码特征图、第四编码特征图和灰度图像集中的灰度图像对预设的解码卷积神经网络进行训练，得到解码卷积神经网络参数，根据编码卷积神经网络参数和解码卷积神经网络参数，得到待验证息肉分割模型，采用息肉图像验证集对待验证息肉分割模型进行验证，得到验证结果信息，并根据验证结果信息，确定待验证息肉分割模型是否为息肉分割模型，若是，则在获取待分割息肉图像时，将待分割息肉图片输入息肉分割模型进行分割，得到息肉图像分割结果图，本发明通过采用息肉图像验证集中的图像和灰度图像集中的图像对预设的编码卷积神经网络和预设的解码卷积神经网络进行训练，得到待验证息肉分割图像，并采用息肉验证集中的图像对待验证息肉分割模型进行验证，得到息肉分割模型，提高息肉分割模型的训练准确度，进而提高息肉分割模型对待分割息肉图像的分割精度。

在本实施例的一些可选的实现方式中，步骤S202中，息肉图像训练集包括至少一张待训练息肉图像，对息肉图像训练集中的图像进行灰度处理，得到灰度图像集之前包括：

基于预设的缩放比例，对每一张待训练息肉图像进行缩放处理，得到每一张待训练息肉图像对应的待训练扩充样本。

具体的，预设的缩放比例可以为随机将每一张待训练息肉图像放大1.25倍、保持不变或缩小0.75倍。

将待训练扩充样本和待训练息肉图像作为息肉图像训练集。

在本实施例中，基于预设的缩放比例，对每一张待训练息肉图像进行缩放处理，得到每一张待训练息肉图像对应的待训练扩充样本，增加训练样本，提高预设的编码卷积神经网络和预设的解码卷积神经网络的网络参数训练的准确度，进而提高息肉分割的精度。

在本实施例的一些可选的实现方式中，步骤S203中，预设的编码卷积神经网络包括第一编码块、第二编码块、第三编码块和第四编码块，采用息肉图像训练集中的图像对预设的编码卷积神经网络进行训练，得到第一编码特征图、第二编码特征图、第三编码特征图和第四编码特征图包括：

采用第一编码块对息肉图像训练集中的图像进行特征提取，得到第一编码特征图。

采用第二编码块对第一编码特征图进行特征提取，得到第二编码特征图。

采用第三编码块对第二编码特征图进行特征提取，得到第三编码特征图。

采用第四编码块对第三编码特征图进行特征提取，得到第四编码特征图和编码卷积神经网络参数。

在本实施例中，采用息肉图像训练集中的图像对第一编码块、第二编码块、第三编码块和第四编码块进行训练，提高模型参数训练的准确度，进而提高息肉分割的准确度。

在本实施例的一些可选的实现方式中，步骤S204中，预设的解码卷积神经网络包括第一解码块、第二解码块、第三解码块和第四解码块，采用第一编码特征图、第二编码特征图、第三编码特征图、第四编码特征图和灰度图像集中的灰度图像对预设的解码卷积神经网络进行训练，得到解码卷积神经网络参数包括如下步骤S2040至步骤S2043：

步骤S2040：采用第一解码块对第四编码特征图进行特征处理，得到第一解码特征图。

步骤S2041：采用第二解码块对第一解码特征图和第三编码特征图进行特征处理，得到第二解码特征图。

步骤S2042：采用第三解码块对第二解码特征图、第二编码特征图和灰度图像集中的灰度图像进行特征处理，得到第三解码特征图。

步骤S2043：采用第四解码块对第三解码特征图、第一编码特征图和灰度图像集中的灰度图像进行特征处理，得到解码卷积神经网络参数。

具体的，第四解码块对第三解码特征图、第一编码特征图和灰度图像集中的灰度图像进行特征处理后输出特征图为息肉图像分割结果图，同时，得到解码卷积神经网络参数。

在本实施例中，通过采用第一编码特征图、第二编码特征图、第三编码特征图、第四编码特征图和灰度图像集中的灰度图像对第一解码块、第二解码块、第三解码块和第四解码块进行训练，提高模型参数训练的准确度，进而提高息肉分割的精度。

在本实施例的一些可选的实现方式中，步骤S2041，第二解码块包括第一多尺度注意力模块和第一神经网络模块，采用第二解码块对第一解码特征图和第三编码特征图进行特征处理，得到第二解码特征图包括：

采用第一多尺度注意力模块对第一解码特征图和第三编码特征图进行特征处理，得到第一特征拼接图。

具体的，采用第一多尺度注意力模块，将第一解码特征图作为权重，对第三层编码特征图进行点乘操作和残差连接，得到第一特征拼接图。

采用第一神经网络模块对第一特征拼接图进行特征处理，得到第二解码特征图。

在本实施例中，通过第一多尺度注意力模块对第一解码特征图和第三编码特征图进行特征处理，建立目标区域和其与背景区域的边界，提高对息肉分割的准确度。

在本实施例的一些可选实现方式中，步骤S2042，第三解码块包括第一滤波增强模块、第二多尺度注意力模块和第二神经网络模块，采用第三解码块对第二解码特征图、第二编码特征图和灰度图像集中的灰度图像进行特征处理，得到第三解码特征图包括：

采用第一滤波增强模块对第二解码特征图、第二编码特征图和灰度图像集中的灰度图像进行特征处理，得到第二解码特征增强图、第二编码特征增强图和第一灰度图像增强图。

采用第二多尺度注意力模块对第二解码特征增强图、第二编码特征增强图和第一灰度图像增强图进行特征处理，得到第二特征拼接图。

具体的，采用第二多尺度注意力模块，将第二解码特征增强图作为权重，对第二编码特征增强图和第一灰度图像增强图进行点乘操作和残差连接，得到第二特征拼接图。

采用第二神经网络模块对第二特征拼接图进行特征处理，得到第三解码特征图。

在本实施例中，通过第二多尺度注意力模块对第二解码特征增强图、第二编码特征增强图和第一灰度图像增强图进行训练，建立目标区域和其与背景区域的边界以及通过第一滤波增强模块对第二解码特征图、第二编码特征图和灰度图像集中的灰度图像进行训练，恢复丢失的特征信息，提高对息肉分割的精度。

在本实施例的一些可选的实现方式中，步骤S2043，第四解码块包括第二滤波增强模块、第三多尺度注意力模块和第三神经网络模块，采用第四解码块对第三解码特征图、第一编码特征图和灰度图像集中的灰度图像进行训练，得到解码卷积神经网络参数包括：

采用第二滤波增强模块对第三解码特征图、第一编码特征图和灰度图像集中的灰度图像进行训练，得到第三解码特征增强图，第一编码特征增强图和第二灰度图像增强图。

采用第三多尺度注意力模块对第三解码特征增强图，第一编码特征增强图和第二灰度图像增强图进行特征处理，得到第三特征拼接图。

采用第三神经网络模块对第三特征拼接图进行特征处理，得到解码卷积神经网络参数。

在本实施例中，通过第三多尺度注意力模块对第三解码特征增强图，第一编码特征增强图和第二灰度图像增强图进行训练，建立目标区域和其与背景区域的边界以及通过第二滤波增强模块对第三解码特征图、第一编码特征图和灰度图像集中的灰度图像进行训练，恢复丢失的特征信息，提高对息肉分割的准确度。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

图3示出与上述实施例息肉图像分割方法一一对应的息肉图像分割装置的原理框图。如图3所示，该息肉图像分割装置包括图像获取模块30、灰度处理模块31、编码卷积神经网络参数获取模块32、解码卷积神经网络参数获取模块33、待验证息肉分割模型获取模块34、验证模块35和分割模块36。

各功能模块详细说明如下：

图像获取模块30，用于获取息肉图像训练集和息肉图像验证集。

灰度处理模块31，用于对息肉图像训练集中的图像进行灰度处理，得到灰度图像集。

编码卷积神经网络参数获取模块32，用于采用息肉图像训练集中的图像对预设的编码卷积神经网络进行训练，得到第一编码特征图、第二编码特征图、第三编码特征图、第四编码特征图和编码卷积神经网络参数。

解码卷积神经网络参数获取模块33，用于采用第一编码特征图、第二编码特征图、第三编码特征图、第四编码特征图和灰度图像集中的灰度图像对预设的解码卷积神经网络进行训练，得到解码卷积神经网络参数。

待验证息肉分割模型获取模块34，用于根据编码卷积神经网络参数和解码卷积神经网络参数，得到待验证息肉分割模型。

验证模块35，用于采用息肉图像验证集中的图像对待验证息肉分割模型进行验证，得到验证结果信息，并根据验证结果信息，确定待验证息肉分割模型是否为息肉分割模型。

分割模块36，用于若是，则在获取待分割息肉图像时，将待分割息肉图片输入息肉分割模型进行分割，得到息肉图像分割结果图。

进一步的，息肉图像训练集包括至少一张待训练息肉图像，息肉图像分割装置包括：

缩放处理模块，用于基于预设的缩放比例，对每一张待训练息肉图像进行缩放处理，得到每一张待训练息肉图像对应的待训练扩充样本。

息肉图像训练集确定模块，用于将待训练扩充样本和待训练息肉图像作为息肉图像训练集。

进一步的，预设的编码卷积神经网络包括第一编码块、第二编码块、第三编码块和第四编码块，编码卷积神经网络参数获取模块32包括：

第一训练模块，用于采用第一编码块对息肉图像训练集中的图像进行特征提取，得到第一编码特征图；

第二训练模块，用于采用第二编码块对第一编码特征图进行特征提取，得到第二编码特征图；

第三训练模块，用于采用第三编码块对第二编码特征图进行特征提取，得到第三编码特征图；

第四训练模型，用于采用第四编码块对第三编码特征图进行特征提取，得到第四编码特征图和编码卷积神经网络参数。

进一步的，预设的解码卷积神经网络包括第一解码块、第二解码块、第三解码块和第四解码块，解码卷积神经网络参数获取模块33包括：

第五训练模块，用于采用第一解码块对第四编码特征图进行特征处理，得到第一解码特征图。

第六训练模块，用于采用第二解码块对第一解码特征图和第三编码特征图进行特征处理，得到第二解码特征图。

第七训练模块，用于采用第三解码块对第二解码特征图、第二编码特征图和灰度图像集中的灰度图像进行特征处理，得到第三解码特征图。

第八训练模块，用于采用第四解码块对第三解码特征图、第一编码特征图和灰度图像集中的灰度图像进行特征处理，得到解码卷积神经网络参数。

进一步的，第二解码块包括第一多尺度注意力模块和第一神经网络模块，第六训练模块包括：

第一特征拼接图获得模块，用于采用第一多尺度注意力模块对第一解码特征图和第三编码特征图进行特征处理，得到第一特征拼接图；

第二解码特征图获得模块，用于采用第一神经网络模块对第一特征拼接图进行特征处理，得到第二解码特征图。

进一步的，第三解码块包括第一滤波增强模块、第二多尺度注意力模块和第二神经网络模块，第七训练模块包括：

第九训练模块，用于采用第一滤波增强模块对第二解码特征图、第二编码特征图和灰度图像集中的灰度图像进行特征处理，得到第二解码特征增强图、第二编码特征增强图和第一灰度图像增强图。

第二特征拼接图获得模块，用于采用第二多尺度注意力模块对第二解码特征增强图、第二编码特征增强图和第一灰度图像增强图进行特征处理，得到第二特征拼接图。

第三解码特征图获得模块，用于采用第二神经网络模块对第二特征拼接图进行特征处理，得到第三解码特征图。

进一步的，第四解码块包括第二滤波增强模块、第三多尺度注意力模块和第三神经网络模块，第八训练模块包括：

第十训练模块，用于采用第二滤波增强模块对第三解码特征图、第一编码特征图和灰度图像集中的灰度图像进行特征处理，得到第三解码特征增强图，第一编码特征增强图和第二灰度图像增强图。

第三特征拼接图获得模块，用于采用第三多尺度注意力模块对第三解码特征增强图，第一编码特征增强图和第二灰度图像增强图进行特征处理，得到第三特征拼接图。

解码卷积神经网络参数获得模块，用于采用第三神经网络模块对第三特征拼接图进行特征处理，得到解码卷积神经网络参数。

关于息肉图像分割装置的具体限定可以参见上文中对于息肉图像分割方法的限定，在此不再赘述。上述息肉图像分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。

所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如电子文件的控制的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据，例如运行电子文件的控制的程序代码。

所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的息肉图像分割方法的步骤。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种息肉图像分割方法，其特征在于，所述息肉图像分割方法包括：

获取息肉图像训练集和息肉图像验证集；

对所述息肉图像训练集中的图像进行灰度处理，得到灰度图像集；

采用所述息肉图像训练集中的图像对预设的编码卷积神经网络进行训练，得到第一编码特征图、第二编码特征图、第三编码特征图、第四编码特征图和编码卷积神经网络参数；

采用所述第一编码特征图、所述第二编码特征图、所述第三编码特征图、所述第四编码特征图和所述灰度图像集中的灰度图像对预设的解码卷积神经网络进行训练，得到解码卷积神经网络参数；

根据所述编码卷积神经网络参数和所述解码卷积神经网络参数，得到待验证息肉分割模型；

采用所述息肉图像验证集对所述待验证息肉分割模型进行验证，得到验证结果信息，并根据所述验证结果信息，确定所述待验证息肉分割模型是否为息肉分割模型；

若是，则在获取待分割息肉图像时，将所述待分割息肉图片输入所述息肉分割模型进行分割，得到息肉图像分割结果图。

2.如权利要求1所述的息肉图像分割方法，其特征在于，所述息肉图像训练集包括至少一张待训练息肉图像，所述对所述息肉图像训练集中的图像进行灰度处理，得到灰度图像集之前包括：

基于预设的缩放比例，对每一张所述待训练息肉图像进行缩放处理，得到每一张所述待训练息肉图像对应的待训练扩充样本；

将所述待训练扩充样本和所述待训练息肉图像作为息肉图像训练集。

3.如权利要求1所述的息肉图像分割方法，其特征在于，所述预设的编码卷积神经网络包括第一编码块、第二编码块、第三编码块和第四编码块，所述采用所述息肉图像训练集中的图像对预设的编码卷积神经网络进行训练，得到第一编码特征图、第二编码特征图、第三编码特征图、第四编码特征图和编码卷积神经网络参数包括：

采用所述第一编码块对所述息肉图像训练集中的图像进行特征提取，得到所述第一编码特征图；

采用所述第二编码块对所述第一编码特征图进行特征提取，得到所述第二编码特征图；

采用所述第三编码块对所述第二编码特征图进行特征提取，得到所述第三编码特征图；

采用所述第四编码块对所述第三编码特征图进行特征提取，得到所述第四编码特征图和所述编码卷积神经网络参数。

4.如权利要求1所述的息肉图像分割方法，其特征在于，所述预设的解码卷积神经网络包括第一解码块、第二解码块、第三解码块和第四解码块，所述采用所述第一编码特征图、所述第二编码特征图、所述第三编码特征图、所述第四编码特征图和所述灰度图像集中的灰度图像对预设的解码卷积神经网络进行训练，得到解码卷积神经网络参数包括：

采用所述第一解码块对所述第四编码特征图进行特征处理，得到第一解码特征图；

采用所述第二解码块对所述第一解码特征图和所述第三编码特征图进行特征处理，得到第二解码特征图；

采用所述第三解码块对所述第二解码特征图、所述第二编码特征图和所述灰度图像集中的灰度图像进行特征处理，得到第三解码特征图；

采用所述第四解码块对所述第三解码特征图、第一编码特征图和灰度图像集中的灰度图像进行特征处理，得到解码卷积神经网络参数。

5.如权利要求4所述的息肉图像分割方法，其特征在于，所述第二解码块包括第一多尺度注意力模块和第一神经网络模块，所述采用所述第二解码块对所述第一解码特征图和所述第三编码特征图进行特征处理，得到第二解码特征图包括：

采用所述第一多尺度注意力模块对所述第一解码特征图和所述第三编码特征图进行特征处理，得到第一特征拼接图；

采用所述第一神经网络模块对所述第一特征拼接图进行特征处理，得到第二解码特征图。

6.如权利要求4所述的息肉图像分割方法，其特征在于，所述第三解码块包括第一滤波增强模块、第二多尺度注意力模块和第二神经网络模块，所述采用所述第三解码块对所述第二解码特征图、第二编码特征图和灰度图像集中的灰度图像进行特征处理，得到第三解码特征图包括：

采用所述第一滤波增强模块对所述第二解码特征图、第二编码特征图和灰度图像集中的灰度图像进行特征处理，得到第二解码特征增强图、第二编码特征增强图和第一灰度图像增强图；

采用所述第二多尺度注意力模块对所述第二解码特征增强图、所述第二编码特征增强图和所述第一灰度图像增强图进行特征处理，得到第二特征拼接图；

采用所述第二神经网络模块对所述第二特征拼接图进行特征处理，得到第三解码特征图。

7.如权利要求4所述的息肉图像分割方法，其特征在于，所述第四解码块包括第二滤波增强模块、第三多尺度注意力模块和第三神经网络模块，所述采用所述第四解码块对所述第三解码特征图、所述第一编码特征图和所述灰度图像集中的灰度图像进行特征处理，得到解码卷积神经网络参数包括：

采用所述第二滤波增强模块对所述第三解码特征图、所述第一编码特征图和所述灰度图像集中的灰度图像进行特征处理，得到第三解码特征增强图，第一编码特征增强图和第二灰度图像增强图；

采用第三多尺度注意力模块对所述第三解码特征增强图，所述第一编码特征增强图和所述第二灰度图像增强图进行特征处理，得到第三特征拼接图；

采用所述第三神经网络模块对所述第三特征拼接图进行特征处理，得到所述解码卷积神经网络参数。

8.一种息肉图像分割装置，其特征在于，所述息肉图像分割装置包括：

图像获取模块，用于获取息肉图像训练集和息肉图像验证集；

灰度处理模块，用于对所述息肉图像训练集中的图像进行灰度处理，得到灰度图像集；

编码卷积神经网络参数获取模块，用于采用所述息肉图像训练集中的图像对预设的编码卷积神经网络进行训练，得到第一编码特征图、第二编码特征图、第三编码特征图、第四编码特征图和编码卷积神经网络参数；

解码卷积神经网络参数获取模块，用于采用所述第一编码特征图、所述第二编码特征图、所述第三编码特征图、所述第四编码特征图和所述灰度图像集中的灰度图像对预设的解码卷积神经网络进行训练，得到解码卷积神经网络参数；

待验证息肉分割模型获取模块，用于根据所述编码卷积神经网络参数和所述解码卷积神经网络参数，得到待验证息肉分割模型；

验证模块，用于采用所述息肉图像验证集中的图像对所述待验证息肉分割模型进行验证，得到验证结果信息，并根据所述验证结果信息，确定所述待验证息肉分割模型是否为息肉分割模型；

分割模块，用于若是，则在获取待分割息肉图像时，将所述待分割息肉图片输入所述息肉分割模型进行分割，得到息肉图像分割结果图。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中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任一项所述的息肉图像分割方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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任一项所述的息肉图像分割方法。

Images