[發明專利]一種圖像處理方法、裝置及存儲介質

有效

• 申請號: 202110753487.0
• 申請日: 2021-07-02
• 公開（公告）號: CN113421276B
• 公開（公告）日: 2023-07-21
• 發明（設計）人: 黃惠;謝銘銳
• 申請（專利權）人: 深圳大學
• 主分類號: G06T7/12
• 分類號: G06T7/12;G06V10/44;G06V10/764;G06V10/82;G06N3/0455;G06N3/0464;G06N3/048;G06N3/084
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 朱陽波

本發明公開了一種圖像處理方法、裝置及存儲介質，所述方法包括：獲取待分割的醫學圖像，將所述醫學圖像輸入至預先訓練過的圖像分割模型中進行分割處理，得到所述醫學圖像對應的分割結果圖；其中，所述模型采用編碼器?解碼器結構，所述編碼器包括注意力模型；獲取所述分割結果圖中每個像素點分別對應的通道值，根據所述每個像素點分別對應的通道值對所述每個像素點進行分類。本發明通過在編碼器中引入了注意力模型，有效保留了待分割圖像中像素間的關系，從而解決了現有的U?net的編碼器?解碼器結構的深度卷積網絡在處理醫學圖像時，分割出來的病變邊緣不連續，導致圖像分割結果不精確的問題。

技術領域

本發明涉及圖像處理領域，尤其涉及的是一種圖像處理方法、裝置及存儲介質。

背景技術

近年來，圖像處理擺脫了原來的設備和技術的限制，漸漸成為了一門新型的、前景廣闊的學科。國內外大量的學者和研究人員都在大力探索和研究圖像理解和機器視覺，并取得了不少重要成果。圖像分割是圖像處理的關鍵技術之一，隨著近幾年深度學習的高速發展，將深度學習方法應用到圖像分割中取得了目前最高效的結果。

圖像處理鄰域的大多記錄在加入了深度學習方法后都被刷新，這證明了深度學習在圖像處理方面的優越性。分割任務最初流行的深度學習方法是圖像塊分類，即利用像素周圍的圖像塊對每一個像素進行獨立的分類。使用圖像塊分類的主要原因是分類網絡通常是全連接層且要求固定尺寸的圖像。2014年，加州大學伯克利分校的Long等人提出了全卷積網絡，使用這種方法可生成任意大小的圖像分割圖，且該方法比圖像塊分類法要快上許多。之后，分割領域幾乎所有先進方法都采用了該模型。但是該方法在進行在上采樣中丟失了很多細節信息，這對于醫學圖像這種數據集較少的分割效果不理想。直到2015年，Olaf等人提出了U-net的編碼器-解碼器結構的深度卷積網絡，才在醫學圖像分割取得了巨大成功。然而現有的U-net的編碼器-解碼器結構的深度卷積網絡在處理醫學圖像時，分割出來的病變邊緣不連續，即病灶的邊界不能被完全檢測到，從而降低了圖像分割結果的精確性。

因此，現有技術還有待改進和發展。

發明內容

本發明要解決的技術問題在于，針對現有技術的上述缺陷，提供一種圖像處理方法、裝置及存儲介質，旨在解決現有的U-net的編碼器-解碼器結構的深度卷積網絡在處理醫學圖像時，分割出來的病變邊緣不連續，導致圖像分割結果不精確的問題。

本發明解決問題所采用的技術方案如下：

第一方面，本發明實施例提供一種圖像處理方法，其中，所述方法包括：

獲取待分割的醫學圖像，將所述醫學圖像輸入至預先訓練過的圖像分割模型；

通過所述圖像分割模型中的編碼器模塊對所述醫學圖像進行特征提取，得到若干特征圖和增強特征圖；其中，所述編碼器模塊包括：依次級聯的若干特征提取層和注意力模型；所述醫學圖像為所述若干特征提取層中首層的輸入，所述若干特征提取層分別輸出一張特征圖；所述注意力模型，用于根據所述若干特征提取層中最后一層輸出的特征圖進行像素間關系的建模，得到包含上下文信息的增強特征圖；

將所述若干特征圖和所述增強特征圖輸入所述圖像分割模型中的解碼器模塊，得到所述醫學圖像對應的分割結果圖；

獲取所述分割結果圖中每個像素點分別對應的通道值，根據所述每個像素點分別對應的通道值對所述每個像素點進行分類。

在一種實施方式中，所述圖像分割模型的訓練過程具體包括：

獲取訓練樣本集，其中，所述訓練樣本集包括若干訓練圖像，且所述若干訓練圖像中的每個像素點均包括真實對應的標準通道值；

將所述訓練樣本集中的訓練圖像輸入預設網絡模型，通過所述預設網絡模型輸出各像素點分別對應的預測通道值；