乳腺腺管的图像分割方法、装置、电子设备以及存储介质制造方法及图纸

本申请涉及一种乳腺腺管的图像分割方法、装置、电子设备以及存储介质，该方法包括：获取乳腺腺管的样本图像数据集；构建乳腺腺管的图像分割模型；所述乳腺腺管的图像分割模型包括依次连接的编码器、连接器以及解码器；所述编码器用于特征提取，所述连接器用于特征的权重计算，所述解码器用于特征融合；根据所述样本图像数据集，训练所述编码器、所述连接器以及所述解码器，获得已训练的乳腺腺管的图像分割模型；将待分割的乳腺腺管图像输入至所述已训练的乳腺腺管的图像分割模型，获得乳腺腺管区域图像，从而提高了乳腺腺管的图像分割精度。从而提高了乳腺腺管的图像分割精度。从而提高了乳腺腺管的图像分割精度。

【技术实现步骤摘要】
乳腺腺管的图像分割方法、装置、电子设备以及存储介质


[0001]本申请涉及图像处理
，特别是涉及一种乳腺腺管的图像分割方法、装置、电子设备以及存储介质。

技术介绍

[0002]图像分割是指将图像中的感兴趣区域提取出来的技术和过程，它是由图像处理到图像分析的关键步骤。随着信息时代的发展，待处理的图片数量飞跃式的上升，利用深度学习网络进行图像分割的方法展现出了强大的性能以及便利性。深度学习网络通过不断的训练，提取图像的特征，分割出图像的感兴趣区域。因此，深度学习网络在图像分割领域有着广泛的研究价值和意义。
[0003]相关技术中，由于不同乳腺腺管之间形态差异显著，大小腺管面积差异高达百倍，深度学习网络对乳腺腺管区域的分割效果不明显，分割精度不高。

技术实现思路

[0004]基于此，本申请的目的在于，提供一种乳腺腺管的图像分割方法、装置、电子设备以及存储介质，其可提高乳腺腺管的图像分割精度。
[0005]根据本申请实施例的第一方面，提供一种乳腺腺管的图像分割方法，包括如下步骤：
[0006]获取乳腺腺管的样本图像数据集；
[0007]构建乳腺腺管的图像分割模型；乳腺腺管的图像分割模型包括依次连接的编码器、连接器以及解码器；编码器用于特征提取，连接器用于特征的权重计算，解码器用于特征融合；
[0008]根据样本图像数据集，训练编码器、连接器以及解码器，获得已训练的乳腺腺管的图像分割模型；
[0009]将待分割的乳腺腺管图像输入至已训练的乳腺腺管的图像分割模型，获得乳腺腺管区域图像。
[0010]根据本申请实施例的第二方面，提供一种乳腺腺管的图像分割装置，包括：
[0011]数据集获取模块，用于获取乳腺腺管的样本图像数据集；
[0012]模型构建模块，用于构建乳腺腺管的图像分割模型；乳腺腺管的图像分割模型包括依次连接的编码器、连接器以及解码器；编码器用于特征提取，连接器用于特征的权重计算，解码器用于特征融合；
[0013]模型训练模块，用于根据样本图像数据集，训练编码器、连接器以及解码器，获得已训练的乳腺腺管的图像分割模型；
[0014]区域图像获得模块，用于将待分割的乳腺腺管图像输入至已训练的乳腺腺管的图像分割模型，获得乳腺腺管区域图像。
[0015]根据本申请实施例的第三方面，提供一种电子设备，包括：处理器和存储器；其中，
存储器存储有计算机程序，计算机程序适于由处理器加载并执行如上述任意一项的乳腺腺管的图像分割方法。
[0016]根据本申请实施例的第四方面，提供一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项的乳腺腺管的图像分割方法。
[0017]本申请实施例通过获取乳腺腺管的样本图像数据集；构建乳腺腺管的图像分割模型；乳腺腺管的图像分割模型包括依次连接的编码器、连接器以及解码器；编码器用于特征提取，连接器用于特征的权重计算，解码器用于特征融合；根据样本图像数据集，训练编码器、连接器以及解码器，获得已训练的乳腺腺管的图像分割模型；将待分割的乳腺腺管图像输入至已训练的乳腺腺管的图像分割模型，获得乳腺腺管区域图像，从而提高了乳腺腺管的图像分割精度。
[0018]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
[0019]为了更好地理解和实施，下面结合附图详细说明本专利技术。
附图说明
[0020]图1为本申请一个实施例提供的乳腺腺管的图像分割方法的流程示意图；
[0021]图2为本申请一个实施例提供的乳腺腺管的图像分割装置的结构框图；
[0022]图3为本申请一个实施例提供的电子设备的结构示意框图。
具体实施方式
[0023]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
[0024]应当明确，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。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。
[0025]在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0026]下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
[0027]此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0028]实施例1
[0029]请参阅图1，其为本申请一个实施例提供的乳腺腺管的图像分割方法的流程示意图。本申请实施例提供的乳腺腺管的图像分割方法，包括如下步骤：
[0030]S10：获取乳腺腺管的样本图像数据集。
[0031]在本申请实施例中，可以使用网络爬虫技术从互联网上下载若干张乳腺腺管的样本图像，形成乳腺腺管的样本图像数据集。
[0032]S20：构建乳腺腺管的图像分割模型；乳腺腺管的图像分割模型包括依次连接的编码器、连接器以及解码器；编码器用于特征提取，连接器用于特征的权重计算，解码器用于特征融合。
[0033]在本申请实施例中，编码器可以包括若干个基于联合注意力机制的编码模块，连接器为基于多尺度训练的CCT跳跃连接结构，CCT为通道交叉融合转换器，解码器为基于注意力机制的TCA结构，TCA为转置交叉注意力机制。
[0034]S30：根据样本图像数据集，训练编码器、连接器以及解码器，获得已训练的乳腺腺管的图像分割模型。
[0035]在本申请实施例中，将样本图像数据集依次输入至编码器、连接器以及解码器，输出图像分割结果。根据图像分割结果与样本图像数据集中每个样本图像的分割标签，计算损失函数值，对编码器、连接器以及解码器进行训练，获得已训练的乳腺腺管的图像分割模型。
[0036]S40：将待分割的乳腺腺管图像输入至已训练的乳腺腺管的图像分割模型，获得乳腺腺管区域图像。
[0037]在本申请实施例中，在获本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种乳腺腺管的图像分割方法，其特征在于，所述方法包括如下步骤：获取乳腺腺管的样本图像数据集；构建乳腺腺管的图像分割模型；所述乳腺腺管的图像分割模型包括依次连接的编码器、连接器以及解码器；所述编码器用于特征提取，所述连接器用于特征的权重计算，所述解码器用于特征融合；根据所述样本图像数据集，训练所述编码器、所述连接器以及所述解码器，获得已训练的乳腺腺管的图像分割模型；将待分割的乳腺腺管图像输入至所述已训练的乳腺腺管的图像分割模型，获得乳腺腺管区域图像。2.根据权利要求1所述的乳腺腺管的图像分割方法，其特征在于：所述样本图像数据集包括若干个样本图像以及每个所述样本图像的分割标签；所述根据所述样本图像数据集，训练所述编码器、所述连接器以及所述解码器，获得已训练的乳腺腺管的图像分割模型的步骤，包括：将所述样本图像数据集中各样本图像输入至所述编码器，获得各所述样本图像的编码特征向量；将各所述样本图像的编码特征向量输入至所述连接器，获得各所述样本图像的连接特征向量；将各所述样本图像的连接特征向量和各所述样本图像的编码特征向量输入至所述解码器，获得各所述样本图像的分割结果；根据各所述样本图像的分割结果与分割标签，确定所述乳腺腺管的图像分割模型的损失函数；根据所述损失函数对所述乳腺腺管的图像分割模型进行迭代训练，直至满足预定训练终止条件，获得已训练的乳腺腺管的图像分割模型。3.根据权利要求2所述的乳腺腺管的图像分割方法，其特征在于：所述编码器包括若干个编码模块，每个所述编码模块均包括第一卷积层、第二卷积层、平均池化层、最大池化层以及第一感知机网络；所述将所述样本图像数据集中各样本图像输入至所述编码器，获得各所述样本图像的编码特征向量的步骤，包括：遍历每个所述编码模块，将所述样本图像数据集中各样本图像输入至当前所述编码模块的第一卷积层，获得各所述样本图像的第一特征向量；将各所述样本图像的第一特征向量输入至当前所述编码模块的平均池化层，获得各所述样本图像的第二特征向量；将各所述样本图像的第一特征向量输入至当前所述编码模块的最大池化层，获得各所述样本图像的第三特征向量；将各所述样本图像的第二特征向量以及第三特征向量输入至当前所述编码模块的第一感知机网络，获得各所述样本图像的第四特征向量；将各所述样本图像的第四特征向量与第一特征向量相乘，获得各所述样本图像的第五特征向量；对各所述样本图像的第五特征向量中各个向量元素计算平均值以及最大值，将所述平
均值以及所述最大值进行向量拼接，获得各所述样本图像的第六特征向量；将各所述样本图像的第六特征向量输入至当前所述编码模块的第二卷积层，获得各所述样本图像的第七特征向量；将各所述样本图像的第七特征向量与各所述样本图像的第五特征向量相乘，获得各所述样本图像的编码特征向量。4.根据权利要求2所述的乳腺腺管的图像分割方法，其特征在于：所述连接器包括第一线性拟合层、多头交叉注意力网络层、第二线性拟合层以及第二感知机网络；所述将各所述样本图像的编码特征向量输入至所述连接器，获得各所述样本图像的连接特征向量的步骤，包括：将各所述样本图像的编码特征向量输入至所述第一线性拟合层，获得各所述样本图像的第一线性特征向量；将各所述样本图像的第一线性特征向量输入至所述多头交叉注意力网络层，获得各所述样本图像的注意力特征向量；将各所述样本图像的注意力特征向量输入至所述第二线性拟合层，获得各所述样本图像的第二线性特征向量；将各所述样本图像的第二线性特征向量输入至所述第二感知机网络，获得各所述样本图像的第八特征向量；将各所述样本图像的第八特征向量与各所述样本图像的注意力特征向量相加，获得各所述样本图像的...

【专利技术属性】
技术研发人员：吉雁鸿，刘黎望，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：