[发明专利]图像处理方法、装置、电子设备及存储介质

权利要求书

1.一种图像处理方法，其特征在于，所述方法包括：

输入目标对象的医疗信息中的医疗图像，其中所述医疗图像包括所述目标对象的同一目标区域的待分割医疗图像的集合；

通过医疗图像处理模型的多尺度可逆残差网络中的高分辨率神经子网络对所述医疗图像进行处理，确定与所述医疗图像相匹配的第一特征向量；

基于所述第一特征向量，通过所述医疗图像处理模型中的多尺度可逆残差网络中的可逆残差子网络，确定与所述医疗图像相匹配的第二特征向量；

基于医疗图像相匹配的第二特征向量，通过所述医疗图像处理模型的卷积神经网络，对所述医疗图像进行分割，以实现输出经过图像增强处理的所述医疗图像的分割结果。

2.根据权利要求1所述的方法，其特征在于，所述通过所述医疗图像处理模型的多尺度可逆残差网络中的高分辨率神经子网络对所述医疗图像进行处理，确定与所述医疗图像相匹配的第一特征向量，包括：

通过所述医疗图像处理模型中的第一卷积神经网络，确定与所述医疗图像对应的多尺度特征图像；

通过所述高分辨率神经子网络中的交换层，确定所述多尺度特征图像对应的额外特征图像；

响应于所述额外特征图像，通过所述高分辨率神经子网络中的多分辨率分组卷积层，对所述多尺度特征图像中的任一特征图像的图像特征向量进行卷积处理，确定第一卷积向量；

通过所述高分辨率神经子网络中的多分辨率卷积层，对所述第一卷积向量进行全连接处理和卷积处理，确定第二卷积向量；

通过线性插值处理，将低分辨率通道中第二卷积向量采集至高分辨率通道中，并经过向量拼接处理，形成与所述医疗图像相匹配的第一特征向量。

3.根据权利要求2所述的方法，其特征在于，所述通过所述医疗图像处理模型中的第一卷积神经网络，确定与所述医疗图像对应的多尺度特征图像，包括：

通过所述第一卷积神经网络对所述医疗图像进行降噪处理；

通过所述第一卷积神经网络的卷积层和最大值池化层对经过降噪处理的医疗图像交叉进行处理，得到所述医疗图像的降采样结果；

通过所述第一卷积神经网络的全连接层，对所述医疗图像的降采样结果进行归一化处理，确定与所述医疗图像对应的多尺度特征图像。

4.根据权利要求3所述的方法，其特征在于，所述通过所述第一卷积神经网络对所述医疗图像进行降噪处理，包括：

根据所述医疗图像所对应的目标区域的位置，确定与所述医疗图像处理模型的使用环境相匹配的动态噪声阈值；

根据所述动态噪声阈值通过所述第一卷积神经网络对所述医疗图像进行降噪处理，以形成与所述动态噪声阈值相匹配的医疗图像。

5.根据权利要求3所述的方法，其特征在于，所述通过所述第一卷积神经网络对所述医疗图像进行降噪处理，包括：

根据所述医疗图像的图像类型，确定与所述医疗图像处理模型的使用环境相匹配的动态噪声阈值；

根据所述动态噪声阈值通过所述第一卷积神经网络对所述医疗图像进行降噪处理，以形成与所述动态噪声阈值相匹配的医疗图像。

6.根据权利要求1所述的方法，其特征在于，所述基于所述第一特征向量，通过所述医疗图像处理模型中的多尺度可逆残差网络中的可逆残差子网络对所述医疗图像进行处理，确定与所述医疗图像相匹配的第二特征向量，包括 ：

通过所述医疗图像处理模型中的多尺度可逆残差网络中的可逆残差子网络对所述第一特征向量进行处理，确定所述医疗图像的浅层特征，其中，所述可逆残差子网络包括至少一个可逆残差块；

将所述浅层特征作为当前残差块的输入，并通过当前残差块对所输入的浅层特征进行提取，得到所述当前残差块的输出；

将所述当前残差块的输出和所述当前残差块的输入进行融合，得到融合特征；

基于所述可逆残差子网络包括的所有残差块对所述融合特征进行处理，确定与所述医疗图像相匹配的第二特征向量。