【技术实现步骤摘要】
本专利技术涉及计算机视觉 ，尤其涉及一种超声图像分割方法及装置。
技术介绍
1、随着中国医疗水平的发展与进步，超声图像检查已经成为最快捷经济的超声图像筛查技术，然而对与日俱增的患者，医学工作者需要花费大量的人力时间放在超声图像诊断上，其中最为耗时耗力的即为超声图像分割。
2、目前，常用的超声图像分割主要采用卷积神经网络（convolutional neuralnetworks, 简称cnn）来捕捉输入输出之间的非线性映射，并通过多层网络结构自动学习局部特征和高层抽象特征，以实现超声图像分割。
3、然而，由于医学图像存在训练样本间差异性大、感性区域(roi)小等问题，且cnn无法合理地将低层特征传播至高层，以致分割效果较差，且在精确率和召回率之间难易平衡，所以对超声图像进行更加准确分割是仍然是亟需解决的难题。
技术实现思路
1、本专利技术提供一种超声图像分割方法及装置，用以解决现有技术中卷积神经网络分割图像效果较差的缺陷，通过减少冗余特征来获得更好的性能，并且显著降低了复杂度和计算成本，提高了超声图像的分割效果。
2、本专利技术提供一种超声图像分割方法，包括：获取超声图像；将超声图像输入至图像分割模型中，得到图像分割模型输出的超声图像分割结果；其中，超声图像分割结果是基于超声训练图像和超声训练图像对应的分割标签训练得到的；图像分割模型用于对提取超声图像的特征，并对提取的超声特征进行空间和信道重构卷积，并利用标记化多层感知机制，得到超声图像分割结果。
3、根据本专利技术提供的一种超声图像分割方法，图像分割模型包括特征提取层、第一即插即用层、标记化多层感知层、第二即插即用层和图像分割层；将超声图像输入至图像分割模型中，得到图像分割模型输出的超声图像分割结果，包括：对超声图像输入至特征提取层中进行特征提取，得到特征提取输出的超声特征；将超声特征输入至第一即插即用层中，以对超声特征进行空间重构，并对基于空间重构得到的第一空间细化特征进行信道重构，得到第一即插即用层输出的第一信道细化特征；将第一信道细化特征输入至标记化多层感知层中，以利用标记化多层感知机制，对第一信道细化特征进行标记和投影，得到标记化多层感知层输出的空间信息特征；将空间信息特征和第一信道细化特征输入至第二即插即用层中，以对空间信息特征和第一信道细化特征进行特征融合，并对基于特征融合得到的第一特征进行空间重构，以及对基于空间重构得到的第二空间细化特征进行信道重构，得到第二即插即用层输出的第二信道细化特征；将第二信道细化特征和超声特征输入至图像分割层中，以对第二信道细化特征和超声特征进行特征融合，并对基于特征融合得到的第二特征进行上采样，得到图像分割层输出的超声图像分割结果。
4、根据本专利技术提供的一种超声图像分割方法，对超声特征进行空间重构，包括：对超声特征进行归一化处理，得到第一归一化特征；根据第一归一化特征和第一预设非线性激活函数，生成对应权重，并根据生成的权重，对超声特征进行分离，得到第一子特征和第二子特征；对第一子特征进行至少三次变换，以及对第二子特征进行至少三次变换；利用第二次变换的后的第一子特征与第三次变换后的第二子特征进行特征融合，得到第一融合特征；利用第三次变换后的第一子特征和第二次变换后的第二子特征进行特征融合，得到第二融合特征；将第一融合特征和第二融合特征进行拼接，得到第一空间细化特征；
5、对基于特征融合得到的第一特征进行空间重构，包括：对第一特征进行归一化处理，得到第二归一化特征；根据第二归一化特征和第二预设非线性激活函数，生成对应权重，并根据生成的权重，对第一特征进行分离，得到第三子特征和第四子特征；对第三子特征进行至少三次变换，以及对第四子特征进行至少三次变换；利用第二次变换的后的第三子特征与第三次变换后的第四子特征进行特征融合，得到第三融合特征；利用第三次变换后的第三子特征和第二次变换后的第四子特征进行特征融合，得到第四融合特征；将第三融合特征和第四融合特征进行拼接，得到第二空间细化特征。
6、根据本专利技术提供的一种超声图像分割方法，对基于空间重构得到的第一空间细化特征进行信道重构，得到第一信道细化特征，包括：对第一空间细化特征进行分割，得到第一分割特征和第二分割特征；对第一分割特征进行全局卷积，以及对第一分割特征进行逐点卷积，并将全局卷积得到的特征与逐点卷积得到的特征进行特征融合，得到第一拼接特征；对第二分割特征进行逐点卷积，并将逐点卷积得到的特征与第二分割特征进行拼接，得到第二拼接特征；分别对第一拼接特征和第二拼接特征进行池化，得到对应第一池化特征和第二池化特征，并将第一池化特征和第二池化特征进行拼接，得到第三拼接特征；对第三拼接特征进行类别概率预测，得到概率分布；对第一拼接特征和概率分布进行加权融合，得到第五融合特征；对第二拼接特征和概率分别进行加权融合，得到第六融合特征；将第五融合特征和第六融合特征进行特征融合，得到第一信道细化特征；
7、对基于空间重构得到的第二空间细化特征进行信道重构，得到第二信道细化特征，包括：对第二空间细化特征进行分割，得到第三分割特征和第四分割特征；对第三分割特征进行全局卷积，以及对第三分割特征进行逐点卷积，并将全局卷积得到的特征与逐点卷积得到的特征进行特征融合，得到第四拼接特征；对第四分割特征进行逐点卷积，并将逐点卷积得到的特征与第四分割特征进行拼接，得到第五拼接特征；分别对第四拼接特征和第五拼接特征进行池化，得到对应第三池化特征和第四池化特征，并将第一池化特征和第二池化特征进行拼接，得到第六拼接特征；对第六拼接特征进行类别概率预测，得到概率分布；对第四拼接特征和概率分布进行加权融合，得到第七融合特征；对第五拼接特征和概率分别进行加权融合，得到第八融合特征；将第七融合特征和第八融合特征进行特征融合，得到第二信道细化特征。
8、根据本专利技术提供的一种超声图像分割方法，利用标记化多层感知机制，对第一信道细化特征进行标记和投影，得到空间信息特征，包括：沿第一信道细化特征的通道维度，对第一信道细化特征的通道轴进行移动，并将移动后的第一信道细化特征分割成多个标记，以利用多层感知机制，捕捉分割后的各标记之间的局部信息和全局信息，得到第一空间特征；利用预设激活函数对第一空间特征进行逐元素处理，并对处理后的特征进行编码，得到编码特征；沿编码特征的高度维度，对编码特征的通道轴进行移动，并将移动后的编码特征分割成多个标记，以利用多层感知机制，捕捉分割后的各标记之间的局部信息和全局信息，得到第二空间特征；对第二空间特征进行归一化处理和重新投影，得到重投影特征；将重投影特征和第一信道细化特征进行特征融合，得到空间信息特征。
9、根据本专利技术提供的一种超声图像分割方法，在将超声图像输入至图像分割模型中之前，包括：获取超声训练图像和超声训练图像对应的分割标签；将超声训练图像作为训练使用的输入数据，将超声训练图像对应的分割标签作为训练使用的标签，对待训练模型进行训练，得到用于分割超声图像的图像分割模型。
10、本发本文档来自技高网...
【技术保护点】
1.一种超声图像分割方法，其特征在于，包括：
2.根据权利要求1所述的超声图像分割方法，其特征在于，所述图像分割模型包括特征提取层、第一即插即用层、标记化多层感知层、第二即插即用层和图像分割层；将所述超声图像输入至图像分割模型中，得到所述图像分割模型输出的超声图像分割结果，包括：
3.根据权利要求2所述的超声图像分割方法，其特征在于，对所述超声特征进行空间重构，包括：
4.根据权利要求2所述的超声图像分割方法，其特征在于，对基于空间重构得到的第一空间细化特征进行信道重构，得到第一信道细化特征，包括：
5.根据权利要求2所述的超声图像分割方法，其特征在于，利用标记化多层感知机制，对所述第一信道细化特征进行标记和投影，得到空间信息特征，包括：
6.根据权利要求1所述的超声图像分割方法，其特征在于，在将所述超声图像输入至图像分割模型中之前，包括：
7.一种超声图像分割装置，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在所述存储器上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
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，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6任一项所述超声图像分割方法。
10.一种计算机程序产品，包括计算机程序，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6任一项所述超声图像分割方法。
...【技术特征摘要】
1.一种超声图像分割方法，其特征在于，包括：
2.根据权利要求1所述的超声图像分割方法，其特征在于，所述图像分割模型包括特征提取层、第一即插即用层、标记化多层感知层、第二即插即用层和图像分割层；将所述超声图像输入至图像分割模型中，得到所述图像分割模型输出的超声图像分割结果，包括：
3.根据权利要求2所述的超声图像分割方法，其特征在于，对所述超声特征进行空间重构，包括：
4.根据权利要求2所述的超声图像分割方法，其特征在于，对基于空间重构得到的第一空间细化特征进行信道重构，得到第一信道细化特征，包括：
5.根据权利要求2所述的超声图像分割方法，其特征在于，利用标记化多层感知机制，对所述第一信道细化特征进行标记和投影，得到空间信...
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。