[发明专利]多结构图像分割方法、计算机设备和存储介质

说明书

本申请涉及一种多结构图像分割方法、计算机设备和存储介质，计算机设备在获取待分割图像后，将该待分割图像输入预先训练好的分割网络中，得到分割后的多结构图像，由于该方法中，分割网络中是通过至少两层卷积操作将得到的C1通道的特征图转换为C2通道特征图，这样可以极大地降低计算量以及内存和显存的消耗。

技术领域

本申请涉及医疗检测技术领域，特别是涉及一种多结构图像分割方法、计算机设备和存储介质。

背景技术

在医疗检测技术领域，通常采用卷积神经网络实现对医疗图像的分类、检测及分割，其中，对医疗图像的分割为目前医疗检测的一个重要部分。而且由于人体组织器官的复杂度很高，可能包括很多子结构，例如，脑图谱中包含上百甚至上千子结构，基于上述应用场景，相应的出现了很多基于卷积神经网络的大批量子结构的分割方法。

通常基于卷积神经网络的大批量子结构的分割方法主要包括两类，第一类方法为根据大批量子结构分别训练得到的对应分割模型分别进行子结构分割。第二类方法为根据大批量子结构训练一个分割模型，再利用训练好的一个分割模型对输入图像中包含的大批量子结构进行一次性分割。

但是，上述基于卷积神经网络的大批量子结构的分割方法存在内存和显存消耗大的问题。

发明内容

基于此，有必要针对上述基于卷积神经网络的大批量子结构的分割方法存在内存和显存消耗大的技术问题，提供一种多结构图像分割方法、计算机设备和存储介质。

第一方面，本申请实施例提供一种多结构图像分割方法，该方法包括：

获取待分割图像，其中，待分割图像包括多个待分割结构；

将待分割图像输入至分割网络中，得到分割后的多结构图像，其中，分割网络包括将得到的C1通道的特征图转换为C2通道特征图的卷积操作，其中，将得到的C1通道的特征图转换为C2通道特征图的卷积操作，包括采用C1个k1*k2*k3的卷积核，对各卷积核与C1通道的特征图中的一个通道的图像进行卷积运算，得到卷积后的C1通道的特征图，然后对卷积后的C1通道的特征图与C2个m1*m2*m3的卷积核进行卷积运算，得到C2通道的特征图，其中，k1>m1，k2>m2，k3>m3。

在其中一个实施例中，上述分割网络在分割网络的输出层进行将得到的C1通道的特征图转换为C2通道特征图的卷积操作。

在其中一个实施例中，上述转换的C2通道的数量为分割网络输出的分割后多结构图像的结构数量。

在其中一个实施例中，C2>C1。

在其中一个实施例中，1<k1<n，1<k2<n，1<k3<n；其中，n为自然整数。

在其中一个实施例中，m1＝m2＝m3＝1。

在其中一个实施例中，上述待分割图像为整个图像或者多个区域块图像，多个区域块图像具有整个图像的全部图像特征。

在其中一个实施例中，上述区域块图像的中心坐标是根据整个图像上的非背景点坐标进行随机选取的。

在其中一个实施例中，上述区域块图像的尺寸为16的倍数。

第二方面，本申请实施例提供一种多结构图像分割装置，该装置包括：

获取模块，用于获取待分割图像，其中，待分割图像包括多个待分割结构；