[发明专利]医学图像分割模型、方法、存储介质及电子设备

权利要求书

1.一种医学图像分割模型，其特征在于，包括：输入层、复合U型卷积网络和图像输出层，

所述输入层用于对待分割图像进行包含采样操作的处理，并将处理后得到的特征图输出至所述复合U型卷积网络，其中，所述输入层输出的特征图中包含对应不同采样程度的特征图；

所述复合U型卷积网络包括至少两个通过串联方式和跳跃连接方式连接的U型卷积网络，用于对所述输入层输出的特征图进行包含卷积操作的处理，并将处理后的特征图输出至所述图像输出层；

所述图像输出层，用于根据所述复合U型卷积网络输出的特征图确定出分割后的图像并输出；

其中，所述复合U型卷积网络包括：包含第一编码单元和第一解码单元的第一U型卷积网络和包含第二编码单元和第二解码单元的第二U型卷积网络，

所述第一编码单元与所述第二编码单元连接，所述第二编码单元与所述第二解码单元连接，所述第二解码单元与所述第一解码单元连接，所述第一编码单元与所述第一解码单元连接；

所述第一编码单元与所述输入层连接，用于处理所述输入层输出的特征图。

2.根据权利要求1所述的医学图像分割模型，其特征在于，所述医学图像分割模型还包括：融合层，

所述融合层连接在所述输入层与所述第一编码单元之间，和/或连接在所述第一编码单元与所述第二编码单元之间，和/或连接在所述第二编码单元与所述第二解码单元之间，和/或连接在所述第二解码单元与所述第一解码单元之间，用于对所述复合U型卷积网络进行多尺度输入。

3.根据权利要求1所述的医学图像分割模型，其特征在于，所述第一U型卷积网络的深度与所述第二U型卷积网络的深度不同。

4.根据权利要求1所述的医学图像分割模型，其特征在于，所述第一编码单元和所述第二编码单元中至少一个采用多尺度卷积模块，所述第一解码单元和所述第二解码单元中至少一个采用循环卷积模块。

5.根据权利要求4所述的医学图像分割模型，其特征在于，所述多尺度卷积模块中包括：A×1的卷积核和1×B的卷积核，和/或N个C×C的卷积核，

在包括A×1的卷积核和1×B的卷积核而不包括N个C×C的卷积核时，所述多尺度卷积模块中每个卷积核大小为其正常值的在包括N个C×C的卷积核而不包括A×1的卷积核和1×B的卷积核时，所述多尺度卷积模块中每个卷积核大小为其正常值的在包括A×1的卷积核和1×B的卷积核且包括N个C×C的卷积核时，所述多尺度卷积模块中每个卷积核大小为其正常值的其中，A、B、C为大于1的正整数，N为正整数。

6.根据权利要求4所述的医学图像分割模型，其特征在于，所述循环卷积模块中包括：

E×E的卷积核和1×1的卷积核，所述1×1的卷积核用于降维和添加非线性激励，所述循环卷积模块中每个卷积核大小为其正常值的其中，E为大于1的正整数。

7.根据权利要求2-6中任一项所述的医学图像分割模型，其特征在于，所述输入层、所述第一编码单元、所述第二编码单元、所述第二解码单元、所述第一解码单元之间形成M-1个通道，所述图像输出层包括：包含M个输出模块的侧输出层和总输出层，

所述侧输出层中的一输出模块与处于一通道的第二解码单元的部分连接，用于根据处于该通道的第二解码单元的部分输出的特征图确定出对应该通道的预测图，并输出至所述总输出层；所述侧输出层中其余M-1个输出模块分别与M-1个通道内的第一解码单元一一对应连接，用于根据对应的第一解码单元输出的特征图确定出对应通道的预测图，并输出至所述总输出层，其中，所述预测图反映所述复合U型卷积网络中对应通道对所述待分割图像的处理结果，M2；

所述总输出层与所述侧输出层连接，用于根据所述侧输出层输出的预测图确定出分割后的图像并输出。

8.一种医学图像分割方法，其特征在于，应用于如权利要求1-7中任一项所述的医学图像分割模型，包括：

获取待分割的医学图像；

将所述待分割的医学图像输入所述医学图像分割模型中，以获取所述待分割的医学图像的分割结果。

9.根据权利要求8所述的医学图像分割方法，其特征在于，在将所述待分割的医学图像输入所述医学图像分割模型，以获取待分割的医学图像之前，还包括：

初始化所述医学图像分割模型；

输入训练集中的医学图像至所述医学图像分割模型，并计算实际输出和专家标定的每层损失函数，以确定出总体损失函数，其中，所述训练集为原始医学图像中专家标定的部分医学图像；

极小化所述每层损失函数，利用反向传播方式进行所述医学图像分割模型的参数更新；

利用所述训练集中的所有医学图像重复训练所述医学图像分割模型，直到达到训练周期，保存经验证集验证的精度最好的医学图像分割模型，其中，所述验证集为所述原始医学图像中的部分医学图像，且所述验证集中的医学图像与所述训练集中的医学图像不同。