【技术实现步骤摘要】
本专利技术涉及图像数据处理的领域，尤其是涉及一种基于深度神经网络的图像分割方法、装置及存储介质。
技术介绍
1、近年来，机器学习在不同领域的图像分析任务中取得了显著的成果，包括图像识别、医学诊断、缺陷识别以及建筑健康评估等领域，充分展示了其强大的发展潜力。机器学习方法广泛应用于各种医学影像分析任务，包括超声影像、x射线影像、磁共振成像(mri)、视网膜扫描图像、组织病理学图像(hi)、计算机断层扫描(ct)、正电子发射断层扫描(pet)以及皮肤镜检查图像等。同时，高效的机器学习算法也被提出并应用于数字病理图像分析，以帮助病理学家获得快速、稳定且量化的检查结果，从而进行更准确的诊断。而在工业生产上，工业产品缺陷检测环节对于保证产品的高质量和生产效率十分重要，并且需要在保证缺陷识别的准确率较高的前提下提高检测速度，现在工业ct检测也成为了一种常用的检测方法。
2、其中在生命科学以及医学领域，研究人员通过对实验动物主要器官和其他相关结构的分割结果进行定量分析，可以提取出诸如器官形状和大小、药物吸收程度、生物标记物信号分布等关键信息，为后续研究提供重要数据支持。因此，对于实验动物模型研究来说，器官分割成为了数据分析的关键步骤。然而，这一步骤需要研究人员具备解剖学和成像模式等领域的专业知识，因此传统上是由研究人员手动完成的。
3、然而，在对于各种图像进行分割的时候，手动分割是一项既耗时又费力的任务，而且当成像数据质量不佳时，操作人员容易出现错误和偏差，这些因素都限制了可以进行分析的样本数量。
1、为了实现图像的自动化分割，减少操作人员的工作量，提升图像分割效率，本专利技术提供一种基于深度神经网络的图像分割方法、装置及存储介质。
2、本专利技术提供一种基于深度神经网络的图像分割方法，采用如下的技术方案：
3、一种基于深度神经网络的图像分割方法，深度神经网络模型包括编码器和解码器，包括如下步骤：
4、获取图像数据，建立分割数据集，
5、对分割数据集进行预处理；
6、利用第一伪三维卷积模块提取图像数据中包含有三维结构信息的特征数据；
7、利用n个编码器提取特征数据n种尺度的语义特征，第一编码器从特征数据中提取第一语义特征，第n编码器提取第n-1编码器的第n-1语义特征中的第n语义特征，其中，n为编码器的总数量，2≤n≤n，n为正整数；
8、利用上下文信息模块获取第n语义特征中具有全局和局部的多尺度信息的最终语义特征；
9、利用m个解码器对n个语义特征进行解码，获得m个预测结果，第m解码器获取第n语义特征和最终语义特征，输出第m预测结果，第m-1解码器获取第m解码器输出的第m预测结果以及第n-1编码器输出的第n-1语义特征，输出第m-1预测结果，其中m为解码器数量，m＝n，m为小于等于m的正整数；
10、利用1×1卷积层对第一预测结果进行融合，输出图像结果。
11、在一个具体的可实施方案中，第一伪三维卷积模块包括1×1卷积层、基于卷积层的并行的第一分支、第二分支和第三分支，以及融合第一分支、第二分支和第三分支输出的1×1卷积层。
12、在一个具体的可实施方案中，第一分支包括依次设置的3×3卷积层、批归一化层、relu激活函数、3×3卷积层、批归一化层和relu激活函数。
13、在一个具体的可实施方案中，第二分支包括依次设置的转置层、3×3卷积层、批归一化层、relu激活函数、3×3卷积层、批归一化层、relu激活函数和转置层。
14、在一个具体的可实施方案中，第三分支包括依次设置的转置层、3×3卷积层、批归一化层、relu激活函数、3×3卷积层、批归一化层、relu激活函数和转置层。
15、在一个具体的可实施方案中，编码器包括3×3卷积层、relu激活函数、3×3卷积层，以及第二伪三维卷积模块和最大池化层；
16、其中，对3×3卷积层的输出进行残差连接后，向第二伪三维卷积模块输出。
17、在一个具体的可实施方案中，上下文信息模块包括并行的第一块分支、第二块分支和第三块分支，
18、第一块分支包括依次设置的swin-transformer模块和swin-transformer模块，块的大小为2×2；
19、第二块分支包括依次设置的swin-transformer模块和swin-transformer模块，块的大小为4×4；
20、第三块分支包括依次设置的swin-transformer模块和swin-transformer模块；块的大小为8×8；
21、第一块分支和第二块分支的输出通过全连接层融合，第三块分支的输出与全连接层的输出进行融合。
22、在一个具体的可实施方案中，解码器具有第一阶段和第二阶段，
23、解码器在第一阶段时，包括线性插值层、1×1卷积层和sigmoid激活函数；
24、解码器在第二阶段时，包括1×1卷积层和sigmoid激活函数；
25、第m解码器获取最终语义特征后，进行第一阶段运算，获取第n编码器输出的第n语义特征后，进行第二阶段运算，
26、第m-1解码器获取第m解码器的第m预测结果后，进行第一阶段运算，获取第n-1语义特征后，进行第二阶段运算，
27、第一阶段运算结果与第n编码器输出的第n语义特征相乘，
28、第二阶段运算结果与线性插值层的输出相乘，
29、将第一阶段运算的相乘结果与第二阶段运算的相乘结果相加后，向1×1卷积层输出。
30、本专利技术还提供一种基于深度神经网络的图像分割装置，采用如下的技术方案：
31、一种基于深度神经网络的图像分割装置，深度神经网络模型包括编码器和解码器，所述基于深度神经网络的图像分割装置包括
32、获取模块，获取图像数据和标注数据；
33、提取模块，利用编码器提取所述图像数据的不同的多种尺度的语义特征；
34、解码模块，利用解码器对所述语义特征进行解码来获得预测结果；
35、整合模块，将与所述语义特征对应的所述预测结果进行整合，获得关于所述图像数据的最终预测结果；
36、输出模块，根据所述最终预测结果输出图像中被分割的区域。
37、本专利技术还提供一种存储有计算机指令的非瞬时计算机可读存储介质，采用如下的技术方案：
38、一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行上述的基于深度神经网络的图像分割方法。
39、综上所述，本专利技术包括以下的有益技术效果：
40、基于深度神经网络，构建了图像分割神经网络，通过第一伪三维卷积模块从图像数据中提取三维结构信息，避免三维结构信息的损失，降低了计算量和内存消耗，基于swin-transformer的上下文信息模块提高图像分割本文档来自技高网...
【技术保护点】
1.一种基于深度神经网络的图像分割方法，其特征在于：深度神经网络模型包括编码器和解码器，包括如下步骤：
2.根据权利要求1所述的基于深度神经网络的图像分割方法，其特征在于：第一伪三维卷积模块包括1×1卷积层、基于卷积层的并行的第一分支、第二分支和第三分支，以及融合第一分支、第二分支和第三分支输出的1×1卷积层。
3.根据权利要求2所述的基于深度神经网络的图像分割方法，其特征在于：第一分支包括依次设置的3×3卷积层、批归一化层、ReLU激活函数、3×3卷积层、批归一化层和ReLU激活函数。
4.根据权利要求2所述的基于深度神经网络的图像分割方法，其特征在于：第二分支包括依次设置的转置层、3×3卷积层、批归一化层、ReLU激活函数、3×3卷积层、批归一化层、ReLU激活函数和转置层。
5.根据权利要求2所述的基于深度神经网络的图像分割方法，其特征在于：第三分支包括依次设置的转置层、3×3卷积层、批归一化层、ReLU激活函数、3×3卷积层、批归一化层、ReLU激活函数和转置层。
6.根据权利要求1所述的基于深度神经网络的图像分
7.根据权利要求1所述的基于深度神经网络的图像分割方法，其特征在于：上下文信息模块包括并行的第一块分支、第二块分支和第三块分支，
8.根据权利要求1所述的基于深度神经网络的图像分割方法，其特征在于：解码器具有第一阶段和第二阶段，
9.一种基于深度神经网络的图像分割装置，其特征在于：深度神经网络模型包括编码器和解码器，所述基于深度神经网络的图像分割装置包括
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：计算机指令用于使计算机执行权利要求1-8中任一项所述的基于深度神经网络的图像分割方法。
...【技术特征摘要】
1.一种基于深度神经网络的图像分割方法，其特征在于：深度神经网络模型包括编码器和解码器，包括如下步骤：
2.根据权利要求1所述的基于深度神经网络的图像分割方法，其特征在于：第一伪三维卷积模块包括1×1卷积层、基于卷积层的并行的第一分支、第二分支和第三分支，以及融合第一分支、第二分支和第三分支输出的1×1卷积层。
3.根据权利要求2所述的基于深度神经网络的图像分割方法，其特征在于：第一分支包括依次设置的3×3卷积层、批归一化层、relu激活函数、3×3卷积层、批归一化层和relu激活函数。
4.根据权利要求2所述的基于深度神经网络的图像分割方法，其特征在于：第二分支包括依次设置的转置层、3×3卷积层、批归一化层、relu激活函数、3×3卷积层、批归一化层、relu激活函数和转置层。
5.根据权利要求2所述的基于深度神经网络的图像分割方法，其特征在于：第三分支包括依次设置的转置层...
【专利技术属性】
技术研发人员：杨义瑞，
申请(专利权)人：合肥锐视医疗科技有限公司，
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。