[发明专利]医学图像分割模型、方法、存储介质及电子设备

说明书

本申请的实施例提供一种医学图像分割模型、方法、存储介质及电子设备。模型包括：输入层、复合U型卷积网络和图像输出层，所述输入层用于输出包含对应不同采样程度的特征图至复合U型卷积网络；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，用于对特征图进行处理后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。通过结合输入层输出的采样程度不同的特征图，能够提取图像的更丰富的特征，而通过跳跃连接的方式连接两个U型卷积网络，能够实现特征复用，进一步丰富特征，使得模型对图像的分割更加准确。

技术领域

本申请涉及人工智能领域，例如涉及一种医学图像分割模型、方法、存储介质及电子设备。

背景技术

医学图像已经成为医生进行疾病诊断的重要参考信息，在记录疾病过程、诊断疾病、评估治疗效果、预防某些潜在病变等方面发挥着巨大作用。医生的正常工作中，往往需要阅览大量医学图像并做出诊断，这是一个耗时且繁琐的过程，容易受到主观经验和疲劳程度的影响，遗漏图像中的某些细节信息的概率会增加，从而造成漏诊、误诊的情况发生。

医学图像分割是医学图像分析和处理的关键，可以给出医学图像中可能的病变位置，而医生可以根据分割的医学图像的提示，从而进行更加全面与细致的图像分析，有助于降低医生阅片负担、提高诊断准确率以及降低漏诊和误诊的比例。

但现有的医学图像分割方法，主要为基于边缘的图像分割、基于阈值的图像分割、基于区域的图像分割、基于图论的图像分割以及基于主动轮廓模型的图像分割，而这些方法易受被分割图像的边缘、条纹、亮度、对比度等浅层视觉特征的影响，分割效果并不理想，对于形状起伏较大和边界模糊的目标无法获得较高分割精度。

发明内容

有鉴于此，本申请的目的在于提供对医学图像划分精度更高、应用范围更广的一种医学图像分割模型、方法、存储介质及电子设备。

为了实现上述目的，本申请的实施例通过如下方式实现：

第一方面，本申请的实施例提供一种医学图像分割模型，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。

通过将两个U型卷积网络以串联方式和跳跃连接方式连接起来，形成对图像进行特征提取的复合U型卷积网络，结合输入层输出的对应不同采样程度的特征图，能够提取更丰富的图像特征，而通过跳跃连接的方式连接两个U型卷积网络，能够实现特征复用，进一步丰富图像特征，使得模型对图像的分割更加准确。

结合第一方面，在第一方面的第一种可能的实现方式中，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。

通过将第一U型卷积网络和第二U型卷积网络各自的编码单元和解码单元进行连接，形成第一U型卷积网络和第二U型卷积网络的串联和跳跃连接，这样可以实现将第一编码单元输出的特征图作为第二编码单元的输入，又作为第一解码单元的输入，实现特征的复用，丰富提取的特征，实现多层次的特征融合，增强梯度的反向传播，可以缓解梯度消失问题，提升医学图像分割模型对图像的分割精度。