CN114792370A - 一种全肺图像分割方法、装置、电子设备及存储介质 - Google Patents

一种全肺图像分割方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114792370A
CN114792370A CN202210266312.1A CN202210266312A CN114792370A CN 114792370 A CN114792370 A CN 114792370A CN 202210266312 A CN202210266312 A CN 202210266312A CN 114792370 A CN114792370 A CN 114792370A
Authority
CN
China
Prior art keywords
image
layer
processed
processing
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210266312.1A
Other languages
English (en)
Inventor
范丽
刘士远
王平
谢小峰
施则人
王忠贤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Shimai Intelligent Technology Co ltd
Shanghai Changzheng Hospital
Sanya Research Institute of Hainan University
Original Assignee
Hangzhou Shimai Intelligent Technology Co ltd
Shanghai Changzheng Hospital
Sanya Research Institute of Hainan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Shimai Intelligent Technology Co ltd, Shanghai Changzheng Hospital, Sanya Research Institute of Hainan University filed Critical Hangzhou Shimai Intelligent Technology Co ltd
Priority to CN202210266312.1A priority Critical patent/CN114792370A/zh
Publication of CN114792370A publication Critical patent/CN114792370A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本公开提供了一种全肺图像分割方法、装置、电子设备及存储介质，包括：获取待处理图像；对待处理图像依次进行第一层至第N层下采样处理；将待处理图像划分为多个图像块，确定每个图像块对应的相关性分值，得到待处理图像对应的相关性分值集合；根据相关性分值集合得到第一特征矩阵；基于第一特征矩阵和第一特征图，依次进行第N层至第一层上采样处理，获得目标对象的分割图。通过对待处理图像的多层下采样，快速、高效的将目标对象的主体部分进行识别和分割，通过对图像块与其他所有图像块之间的相关性程度进行分析，关注了目标对象的细节部分，并在上采样的过程中将两者结合，提高了对目标对象的分割精度。

Description

一种全肺图像分割方法、装置、电子设备及存储介质
技术领域
本公开涉及医学图像处理领域，尤其涉及一种全肺图像分割方法、装置、电子设备及存储介质。
背景技术
当前，将深度学习与医疗影像相结合用以辅助医生诊断的应用及场景越来越多。其中，用于对医学图像中的器官区域、病灶的图像分割方法主要基于如UNet等神经网络模型实现。但是现有的UNet模型在对医学图像多层的特征提取时，极易在下采样的过程中丢失掉大量的特征细节，尤其是应用于全肺图像的分割时，全肺特征易与胸腔图像和气管图像等混合在一起，当过多的特征细节丢失，则导致对医学图像中的特征的分割精度较低。
发明内容
本公开提供了一种全肺图像分割方法、装置、电子设备及存储介质，以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面，提供了一种全肺图像分割方法，所述方法包括：获取待处理图像；其中，所述待处理图像包含全肺特征；对所述待处理图像依次进行第一层至第N层下采样处理，提取目标对象的特征，获得每一层对应的第一特征图；将所述待处理图像划分为多个图像块，确定每个图像块对应的相关性分值，得到所述待处理图像对应的相关性分值集合，所述相关性分值表征所述图像块与其他所有图像块之间的相关性程度；根据所述相关性分值集合得到第一特征矩阵；基于所述第一特征矩阵和所述第一特征图，依次进行第N层至第一层上采样处理，获得所述目标对象的分割图。
在一可实施方式中，所述对所述待处理图像依次进行第一层至第N层下采样处理，提取目标对象的特征，获得每一层对应的第一特征图，包括：对输入数据依次进行卷积处理、激活处理和最大池化处理，得到当前层对应的第一特征图；当前层为第一层时，所述输入数据为所述待处理图像；当前层不为第一层时，所述输入数据为上一层的第一特征图。
在一可实施方式中，所述将所述待处理图像划分为多个图像块，确定每个图像块与其他所有图像块之间的相关性分值，得到相关性分值集合，包括：将每个所述图像块平展为一个数组；对每个数组进行卷积处理，得到对应的第一嵌入向量；对每个第一嵌入向量进行层归一化处理，得到对应的第二嵌入向量；计算每个第二嵌入向量与其他所有第二嵌入向量的相关性分值，所有第二嵌入向量对应的所述相关性分值组成所述相关性分值集合。
在一可实施方式中，所述计算每个第二嵌入向量与其他所有第二嵌入向量的相关性分值，包括：基于多头注意力机制对每个第二嵌入向量进行处理，得到对应的Q向量、K向量和V向量；根据所述Q向量和K向量计算所述第二嵌入向量的评分值；对所述评分值进行激活处理后，分别与每个第二嵌入向量的V向量点乘；将点乘的结果相加后得到所述第二嵌入向量对应的所述相关性分值。
在一可实施方式中，所述根据所述似度集合得到第一特征矩阵，包括：根据所述第N层下采样处理对应的第一特征图的尺寸，将所述相关性分值集合转换为第一特征矩阵。
在一可实施方式中，基于所述第一特征矩阵和所述第一特征图，依次进行第N层至第一层上采样处理，获得所述目标对象的分割图，包括：对输入数据依次进行上采样处理和反卷积处理，得到当前层的第二特征图；当前层为第N层时，所述输入数据为所述第一特征矩阵；当前层不为第N层时，所述输入数据为上一层上采样处理的第二特征图和与上一层上采样处理处于同一层的下采样处理对应的第一特征图的级联的结果。
在一可实施方式中，所述对第二特征图和第一特征图进行级联，包括：将第二特征图与第一特征图连接，扩大第二特征图的图像通道数。
根据本公开的第二方面，提供了一种全肺图像分割装置，其特征在于，所述装置包括：获取模块，用于获取待处理图像；其中，所述待处理图像包含全肺特征；编码器模块，用于对所述待处理图像依次进行第一层至第N层下采样处理，提取目标对象的特征，获得每一层对应的第一特征图；其中，所述目标对象为全肺特征；注意力处理模块，用于将所述待处理图像划分为多个图像块，确定每个图像块对应的相关性分值，得到所述待处理图像对应的相关性分值集合；所述相关性分值表征所述图像块与其他所有图像块之间的相关性程度；根据所述相关性分值集合得到第一特征矩阵；解码器模块，用于基于所述第一特征矩阵和所述第一特征图，依次进行第N层至第一层上采样处理，获得所述目标对象的分割图。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开所述的方法。
本公开的一种全肺图像分割方法、装置、电子设备及存储介质，在对医学图像中的目标对象(例如全肺特征)进行图像分割时，通过对待处理图像的多层下采样，快速、高效的将目标对象的主体部分进行识别和分割，通过对待处理图像中，图像块与其他所有图像块之间的相关性程度进行分析，关注了目标对象的细节部分，并在第一特征矩阵进行上采样的过程中将第一特征矩阵和第一特征图两者结合，实现了特征融合，使得第一特征矩阵在上采样的过程中保留图像的更多细节，且提高了对目标对象的分割精度。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：
在附图中，相同或对应的标号表示相同或对应的部分。
图1示出了本公开实施例一种全肺图像分割方法的实现流程示意图一；
图2示出了本公开实施例一种全肺图像分割方法的实现流程示意图二；
图3示出了本公开实施例一种全肺图像分割方法的实现流程示意图三；
图4示出了本公开实施例一种全肺图像分割方法的实现流程示意图四；
图5示出了本公开实施例一种全肺图像分割方法的实现流程示意图五；
图6示出了本公开实施例一种全肺图像分割方法的实现流程示意图六；
图7示出了本公开实施例一种全肺图像分割装置的组成结构示意图；
图8示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而非全部实施例。基于本公开中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
为了提高医学图像特征分割的精度，如图1所示，本公开的实施例提供一种全肺图像分割方法，该方法包括：
步骤1，获取待处理图像。
在一示例中，如图2所示，获取待处理图像包括以下步骤：
步骤11，采集初始图像；
在一个示例中，当该图像分割方法应用于肺部图像分割时，采集的初始图像为肺部全局图像，分割的目标对象为全肺特征区域，即左肺和右肺所在的全部区域。
步骤12，对初始图像进行标准化预处理，得到待处理图像。
标准化预处理后的图像能够符合预设的设定，能够更好的在模型中进行处理。在一个示例中，标准化预处理可对初始图像进行对比度增强、去噪或裁剪等操作。
步骤2，对待处理图像依次进行第一层至第N层下采样处理，提取目标对象的特征，获得每一层对应的第一特征图。
在一示例中，如图3所示，对待处理图像进行多层下采样处理的步骤包括步骤21-23：
步骤21，对待处理图像使用两个大小为3*3的卷积核进行卷积；
步骤22，卷积完成后使用ReLU激活函数处理；
步骤23，使用大小为2*2的池化窗口进行最大池化，获得第一层第一特征图。
其中，步骤21至步骤23即为对待处理图像的第一层下采样处理；第一层下采样处理完成之后，将获得的对应的第一特征图作为输入，进行第二层下采样处理，获得对应的第一特征图，如此，进行多层下采样处理，得到相应的多个第一特征图。
本示例中，以基于Unet网络结构，执行四层下采样为例。将待处理图像经过四次下采样处理后，一次得到四层第一特征图，四层第一特征图依次包括第一层第一特征图、第二层第一特征图、第三层第一特征图和第四层第一特征图，第一特征图的尺寸自第一层至第四层依次缩小。Unet网络结构在图像生成模型中是经典的网络，该网络结构由编码器和解码器组成，编码器用于下采样，解码器用于上采样。
通过对待处理图像的多层的下采样处理，提高了对待处理图像中目标对象的主体部分的识别和分割效率。
步骤3，将待处理图像划分为多个图像块，确定每个图像块对应的相关性分值，得到待处理图像对应的相关性分值集合。
在一个示例中，如图4所示，从待处理图像中得到相关性分值集合包括如下步骤：
步骤31，将待处理图像平展为数组序列；
假设C为待处理图像的通道数，H为待处理图像的高(H个像素点)，W为待处理图像宽(W个像素点)，则待处理图像表示为C*H*W。从待处理图像中截取图像块，其中，每个图像块的尺寸设定为n2(该图像块每行和每列的像素点个数均为n)，则可截取
Figure BDA0003551903220000061
个图像块。
将每一图像块平展成一个数组：该图像块中所有像素点的像素值排列组成一个数组。那么，待处理图像可平展为由
Figure BDA0003551903220000062
个数组组成的一个数组序列。
步骤32，对每个数组进行卷积处理，得到对应的第一嵌入向量。
在一示例中，使用大小为1*1的卷积核对数组序列进行位置嵌入，得到第一嵌入向量集合S1。第一嵌入向量集合记为S1＝{t1,2,3...k}，其中，t为第一嵌入向量，k为第一嵌入向量的个数，即数组序列的长度，
Figure BDA0003551903220000063
其中，在对数组序列进行位置嵌入时，对每一个数组使用一个大小为1*1的卷积核进行卷积处理，得到与数组对应的第一嵌入向量。
步骤33，将第一嵌入向量集合S1输入第二模型中，对第一嵌入向量集合S1进行层归一化操作，得到第二嵌入向量集合S2＝{l1,2,3...k}，
Figure BDA0003551903220000064
层归一化(Layer Normalization，简称为LN)，即将第一嵌入向量集合中的每一第一嵌入向量进行归一化处理，避免输入值太大而导致模型无法处理。
通过步骤31-33中，将待处理图像转化为可供第二模型计算的第二嵌入向量集合。
步骤34，计算每个第二嵌入向量与其他所有第二嵌入向量的相关性分值，所有第二嵌入向量对应的相关性分值组成相关性分值集合。
在一示例中，对第二嵌入向量集合结合多头注意力(Multi-head Attention)机制进行加权计算，得到总评分值集合。其中，该总评分值集合中包含的若干总评分值即为表征图像块与其他所有图像块之间的相关性程度的相关性分值。
其中，每一第二嵌入向量对应一总评分值，所有总评分值组成总评分值集合，总评分值表征该第二嵌入向量与其他第二嵌入向量之间的相关性，总评分值越高表示该第二嵌入向量与其他第二嵌入向量之间的相关性越大，其中相关性可以理解为该第二嵌入向量与其他第二嵌入向量之间的相似度。
在一示例中，如图5所示，对第二嵌入向量集合的计算步骤包括步骤341-344：
步骤341，将第二嵌入向量集合中每个第二嵌入向量lk分别乘以三个不同的权值矩阵WQ、WK、WV得到Q、K、V三个向量，然后为每个第二嵌入向量lk计算一个评分值
Figure BDA0003551903220000071
其中dk为第k个Q向量的长度。
步骤342，对评分值使用softmax激活函数进行激活。
步骤343，将激活后的score分别与每个第二嵌入向量的向量V点乘，得到若干个评分v，其中评分v的数量等于第二嵌入向量的数量。
例如，在步骤341中，每个第二嵌入向量lk均完成与三个权值矩阵WQ、WK、WV的相乘后，得到对应的Qk、Kk和Vk，以l1为例：在计算第二嵌入向量l1的评分v1时，l1的评分值
Figure BDA0003551903220000072
将l1的评分值score通过softmax激活函数激活后，分别与k个第二嵌入向量对应的Vk进行点乘，得到k个评分v1(v11至v1k)。
步骤344，将若干评分v相加，得到该第二嵌入向量对应的总评分值zk。其中，该总评分值即为表征图像块与其他所有图像块之间的相关性程度的相关性分值。
基于步骤344，计算每一第二嵌入向量lk对应的总评分值zk，输出总评分值集合z＝{z1,z2,z3...zk}，
Figure BDA0003551903220000081
通过步骤34对包含待处理图像特征的第二嵌入向量集合基于多头注意力机制的计算，得到待处理图像中每一图像块与其他图像块之间的相关性信息，即总评分值，即可通过判断图像块与其他图像块的相关性，较为精准的找到待处理图像中目标对象边缘处的图像块的位置，提高了对目标对象边缘处的分割精度，且提高了部分混合在不需要分割出的背景部分的目标对象的识别和分割，提高了目标对象整体的分割精度。
步骤35，对总评分值集合经过层归一化操作。
步骤36，将总评分值集合z输入多层感知器(MLP，MultilayerPerceptron，后称MLP层)进行加权计算和激活。
将总评分值集合z输入MLP层中进行加权计算，最后通过指数线性单元(ELU，Exponential linear unit，后称ELU函数)进行激活，对每一总评分值zk进行分类。
步骤4，根据相关性分值集合得到第一特征矩阵。
将激活后的新的总评分值集合z转换为合适尺寸的第一特征矩阵。例如，根据步骤23中四层下采样中每一层输出的第一特征图的尺寸，将总评分值集合z转换为与最后一层第一特征图的尺寸相同或相近的合适尺寸。
步骤5，基于第一特征矩阵和第一特征图，依次进行第N层至第一层上采样处理，获得目标对象的分割图。
其中，如图6所示，第一特征矩阵进行上采样处理的步骤包括步骤51-54：
步骤51，对第一特征矩阵采用双线性插值方法进行上采样，得到第二特征矩阵。
将第一特征矩阵输入UNet模型的解码器中进行上采样。
双线性插值，又称为双线性内插。特征图在上采样的过程中，特征图的尺寸逐渐放大，通过双线性插值方法对多出来的像素点的像素值进行计算和补充，从而实现对特征图进行特征恢复。双线性插值方法充分的利用了源图(即上一层特征图)中虚拟点四周的四个真实存在的像素值来共同决定目标图中的一个像素值，放大图像后的图像质量高，且像素点之间的过渡更加平滑。
步骤52，使用卷积核大小为2*2的反卷积层对第二特征矩阵反卷积操作，获得第二特征图。
在一示例中，在步骤5中，对第一特征矩阵进行的上采样处理与下采样处理的次数相同，均为四次。因此，第一次上采样获得的第二特征图即为对应的第四层第二特征图。
步骤53，将获得的第四层第二特征图与第四层第一特征图进行级联，将级联后的第四层第二特征图作为下一次上采样处理的输入。
其中，在级联时，将每一层上采样得到的第二特征图，与同层下采样输出的第一特征图连接，扩大第二特征图的图像通道数后，再对其进行上采样恢复特征，实现了编码层和解码层的特征融合，有助于特征恢复过程中保留图像的更多细节。
经过重复执行四次步骤51-53，依次获得第三层第二特征图、第二层第二特征图和第一层第二特征图，第二特征图自第四层至第一层尺寸逐渐增大。
步骤54，将第一层第二特征图与第一层第一特征图级联后，恢复至与初始图像相同的尺寸，得到目标对象的分割图。
根据本公开的实施例，在对医学图像(如肺部全局图像)中的目标对象(如全肺特征)进行图像分割时，一方面，基于第一模型对待处理图像的多层下采样，快速、高效的将目标对象的主体部分进行识别和分割，另一方面，基于第二模型的多头注意力机制分析待处理图像中每一图像块与其他图像块之间的关联性，找出分散的、混杂于其他区域的目标对象之间的相关性，且找出待分割图像边缘处的像素点位置，并将基于第二模型所获得的目标对象的像素点的特征信息输入第一模型中进行上采样，恢复原图像的尺寸大小，并在每一层上采样的过程中，将第二模型所提取的目标对象的特征信息与第一模型所提取的目标对象的特征信息结合，最终既兼顾了目标对象的主体部分，又提高了对目标对象的细节部分的关注，提高了对目标对象整体的分割精度。
根据本公开的实施例，如图7所示，本公开还提供了一种全肺图像分割装置，装置包括：
获取模块，用于获取待处理图像；其中，待处理图像包含全肺特征；
编码器模块，用于对待处理图像依次进行第一层至第N层下采样处理，提取目标对象的特征，获得每一层对应的第一特征图；其中，目标对象为全肺特征；
注意力处理模块，用于将待处理图像划分为多个图像块，确定每个图像块对应的相关性分值，得到待处理图像对应的相关性分值集合；相关性分值表征图像块与其他所有图像块之间的相关性程度；根据相关性分值集合得到第一特征矩阵；
解码器模块，用于基于第一特征矩阵和第一特征图，依次进行第N层至第一层上采样处理，获得目标对象的分割图。
在一实施例中，注意力处理模块，还用于对输入数据依次进行卷积处理、激活处理和最大池化处理，得到当前层对应的第一特征图；当前层为第一层时，输入数据为待处理图像；当前层不为第一层时，输入数据为上一层的第一特征图。
在一实施例中，注意力处理模块，还用于将每个图像块平展为一个数组；对每个数组进行卷积处理，得到对应的第一嵌入向量；对每个第一嵌入向量进行层归一化处理，得到对应的第二嵌入向量；计算每个第二嵌入向量与其他所有第二嵌入向量的相关性分值，所有第二嵌入向量对应的相关性分值组成相关性分值集合。
在一实施例中，注意力处理模块，还用于基于多头注意力机制对每个第二嵌入向量进行处理，得到对应的Q向量、K向量和V向量；根据Q向量和K向量计算第二嵌入向量的评分值；对评分值进行激活处理后，分别与每个第二嵌入向量的V向量点乘；将点乘的结果相加后得到第二嵌入向量对应的相关性分值。
在一实施例中，注意力处理模块，还用于根据第N层下采样处理对应的第一特征图的尺寸，将相关性分值集合转换为第一特征矩阵。
在一实施例中，解码器模块，还用于对输入数据依次进行上采样处理和反卷积处理，得到当前层的第二特征图；当前层为第N层时，输入数据为第一特征矩阵；当前层不为第N层时，输入数据为上一层上采样处理的第二特征图和与上一层上采样处理处于同一层的下采样处理对应的第一特征图的级联的结果；当前层为第一层时，将输出的第二特征图与第一层对应的第一特征图进行级联，得到目标对象的分割图。
在一实施例中，解码器模块，还用于将第二特征图与第一特征图连接，扩大第二特征图的图像通道数。
根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如一种全肺图像分割方法。例如，在一些实施例中，一种全肺图像分割方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的一种全肺图像分割方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行一种全肺图像分割方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种全肺图像分割方法，其特征在于，所述方法包括：
获取待处理图像；其中，所述待处理图像包含全肺特征；
对所述待处理图像依次进行第一层至第N层下采样处理，提取目标对象的特征，获得每一层对应的第一特征图；其中，所述目标对象为全肺特征；
将所述待处理图像划分为多个图像块，确定每个图像块对应的相关性分值，得到所述待处理图像对应的相关性分值集合；所述相关性分值表征所述图像块与其他所有图像块之间的相关性程度；
根据所述相关性分值集合得到第一特征矩阵；
基于所述第一特征矩阵和所述第一特征图，依次进行第N层至第一层上采样处理，获得所述目标对象的分割图。
2.根据权利要求1所述的方法，其特征在于，对所述待处理图像依次进行第一层至第N层下采样处理，提取目标对象的特征，获得每一层对应的第一特征图，包括：
对输入数据依次进行卷积处理、激活处理和最大池化处理，得到当前层对应的第一特征图；
当前层为第一层时，所述输入数据为所述待处理图像；当前层不为第一层时，所述输入数据为上一层的第一特征图。
3.根据权利要求1所述的方法，其特征在于，将所述待处理图像划分为多个图像块，确定每个图像块对应的相关性分值，得到所述待处理图像对应的相关性分值集合，包括：
将每个所述图像块平展为一个数组；
对每个数组进行卷积处理，得到对应的第一嵌入向量；
对每个第一嵌入向量进行层归一化处理，得到对应的第二嵌入向量；
计算每个第二嵌入向量与其他所有第二嵌入向量的相关性分值，所有第二嵌入向量对应的所述相关性分值组成所述相关性分值集合。
4.根据权利要求3所述的方法，其特征在于，所述计算每个第二嵌入向量与其他所有第二嵌入向量的相关性分值，包括：
基于多头注意力机制对每个第二嵌入向量进行处理，得到对应的Q向量、K向量和V向量；
根据所述Q向量和K向量计算所述第二嵌入向量的评分值；
对所述评分值进行激活处理后，分别与每个第二嵌入向量的V向量点乘；
将点乘的结果相加后得到所述第二嵌入向量对应的所述相关性分值。
5.根据权利要求1或3所述的方法，其特征在于，所述根据所述相关性分值集合得到第一特征矩阵，包括：
根据所述第N层下采样处理对应的第一特征图的尺寸，将所述相关性分值集合转换为第一特征矩阵。
6.根据权利要求1所述的方法，其特征在于，基于所述第一特征矩阵和所述第一特征图，依次进行第N层至第一层上采样处理，获得所述目标对象的分割图，包括：
对输入数据依次进行上采样处理和反卷积处理，得到当前层的第二特征图；当前层为第N层时，所述输入数据为所述第一特征矩阵；当前层不为第N层时，所述输入数据为上一层上采样处理的第二特征图和与上一层上采样处理处于同一层的下采样处理对应的第一特征图的级联的结果；
当前层为第一层时，将输出的第二特征图与第一层对应的第一特征图进行级联，得到所述目标对象的分割图。
7.根据权利要求6所述的方法，其特征在于，所述对第二特征图和第一特征图进行级联，包括：
将第二特征图与第一特征图连接，扩大第二特征图的图像通道数。
8.一种全肺图像分割装置，其特征在于，所述装置包括：
获取模块，用于获取待处理图像；其中，所述待处理图像包含全肺特征；
编码器模块，用于对所述待处理图像依次进行第一层至第N层下采样处理，提取目标对象的特征，获得每一层对应的第一特征图；其中，所述目标对象为全肺特征；
注意力处理模块，用于将所述待处理图像划分为多个图像块，确定每个图像块对应的相关性分值，得到所述待处理图像对应的相关性分值集合；所述相关性分值表征所述图像块与其他所有图像块之间的相关性程度；根据所述相关性分值集合得到第一特征矩阵；
解码器模块，用于基于所述第一特征矩阵和所述第一特征图，依次进行第N层至第一层上采样处理，获得所述目标对象的分割图。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
CN202210266312.1A 2022-03-17 2022-03-17 一种全肺图像分割方法、装置、电子设备及存储介质 Pending CN114792370A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210266312.1A CN114792370A (zh) 2022-03-17 2022-03-17 一种全肺图像分割方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210266312.1A CN114792370A (zh) 2022-03-17 2022-03-17 一种全肺图像分割方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114792370A true CN114792370A (zh) 2022-07-26

Family

ID=82460001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210266312.1A Pending CN114792370A (zh) 2022-03-17 2022-03-17 一种全肺图像分割方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114792370A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546236A (zh) * 2022-11-24 2022-12-30 阿里巴巴（中国）有限公司 基于小波变换的图像分割方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546236A (zh) * 2022-11-24 2022-12-30 阿里巴巴（中国）有限公司 基于小波变换的图像分割方法及装置

Similar Documents

Publication Publication Date Title
CN111104962B (zh) 图像的语义分割方法、装置、电子设备及可读存储介质
CN114066902A (zh) 一种基于卷积和transformer融合的医学图像分割方法、系统、装置
CN113343982B (zh) 多模态特征融合的实体关系提取方法、装置和设备
CN112990219B (zh) 用于图像语义分割的方法和装置
CN114565763B (zh) 图像分割方法、装置、设备、介质及程序产品
CN112950471A (zh) 视频超分处理方法、装置、超分辨率重建模型、介质
CN113807361B (zh) 神经网络、目标检测方法、神经网络训练方法及相关产品
CN112308866A (zh) 图像处理方法、装置、电子设备及存储介质
CN114445904A (zh) 基于全卷积神经网络的虹膜分割方法和装置、介质和设备
CN110570394A (zh) 医学图像分割方法、装置、设备及存储介质
JP2022185144A (ja) 対象検出方法、対象検出モデルのレーニング方法および装置
CN114913325B (zh) 语义分割方法、装置及计算机程序产品
CN112700460A (zh) 图像分割方法及系统
CN114792370A (zh) 一种全肺图像分割方法、装置、电子设备及存储介质
CN111192320A (zh) 一种位置信息确定方法、装置、设备和存储介质
CN114202648A (zh) 文本图像矫正方法、训练方法、装置、电子设备以及介质
CN114065915A (zh) 网络模型的构建方法、数据处理方法、装置、介质及设备
CN116542988A (zh) 结节分割方法、装置、电子设备及存储介质
CN113610856B (zh) 训练图像分割模型和图像分割的方法和装置
CN114972361B (zh) 一种血流分割方法、装置、设备及存储介质
CN113361535B (zh) 图像分割模型训练、图像分割方法及相关装置
CN115578261A (zh) 图像处理方法、深度学习模型的训练方法、装置
CN114943995A (zh) 人脸识别模型的训练方法、人脸识别方法及装置
CN112001479B (zh) 基于深度学习模型的处理方法、系统及电子设备
CN113361536A (zh) 图像语义分割模型训练、图像语义分割方法及相关装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination