[发明专利]一种图像分割方法、装置、电子设备及存储介质

说明书

本公开实施例公开了一种图像分割方法、装置、电子设备及存储介质，该方法包括：确定待分割原图像；将所述待分割原图像输入至图像分割模型，得到所述待分割原图像中的目标区域图像；其中，所述图像分割模型基于样本数据对图像分割网络进行预先训练得到，所述图像分割网络包括：至少两个级联的卷积神经网络模块，每个卷积神经网络模块包括至少两个特征提取单元；每个卷积神经网络模块均配置有损失函数，在训练时，当前卷积神经网络模块配置的损失函数用于对当前卷积神经网络模块输出的中间分割结果进行监督。本公开实施例的技术方案，实现了对待分割图像的准确分割。

技术领域

本公开实施例涉及计算机技术领域，尤其涉及一种图像分割方法、装置、电子设备及存储介质。

背景技术

缺血性脑卒中又称脑梗塞，是一种常见的脑血管疾病，一直以来都严重危害着人体健康，其老年发病率、致残率和病死率都非常高。缺血性脑卒中的早期发现是十分重要的，尤其是超急性期的正确发现，能够及时指导采取措施，以减少梗死灶周边缺血性缺血半暗带区域的脑细胞坏死，对于缺血性脑卒中的诊断与治疗具有重大作用。

目前，对脑卒中缺血区域的确定主要依赖于医生的经验，难度高且一致性差，同时手工标注费时费力。

发明内容

本公开实施例提供一种图像分割方法、装置、电子设备及存储介质，实现了对图像中目标区域的准确分割。

第一方面，本公开实施例提供了一种图像分割方法，该方法包括：

确定待分割原图像；

将所述待分割原图像输入至图像分割模型，得到所述待分割原图像中的目标区域图像；

其中，所述图像分割模型基于样本数据对图像分割网络进行预先训练得到，所述图像分割网络包括：至少两个级联的卷积神经网络模块，每个卷积神经网络模块包括至少两个特征提取单元；

每个卷积神经网络模块均配置有损失函数，在训练时，当前卷积神经网络模块配置的损失函数用于对当前卷积神经网络模块输出的中间分割结果进行监督；

当前卷积神经网络模块输出的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第一输入特征层；

当前卷积神经网络模块最后一次上采样得到的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第二输入特征层；

当前卷积神经网络模块中第一个特征提取单元输出的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第三输入特征层；

所述第一输入特征层、第二输入特征层以及第三输入特征层堆叠成整体作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的输入。

第二方面，本公开实施例还提供了一种图像分割装置，该装置包括：

确定模块，用于确定待分割原图像；

分割模块，用于将所述待分割原图像输入至图像分割模型，得到所述待分割原图像中的目标区域图像；

其中，所述图像分割模型基于样本数据对图像分割网络进行预先训练得到，所述图像分割网络包括：至少两个级联的卷积神经网络模块，每个卷积神经网络模块包括至少两个特征提取单元；

每个卷积神经网络模块均配置有损失函数，在训练时，当前卷积神经网络模块配置的损失函数用于对当前卷积神经网络模块输出的中间分割结果进行监督；

当前卷积神经网络模块输出的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第一输入特征层；

当前卷积神经网络模块最后一次上采样得到的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第二输入特征层；