[发明专利]图像处理方法、装置、电子设备及存储介质

说明书

本发明提供了一种图像处理方法，包括：输入目标对象的医疗信息中的医疗图像，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。本发明还提供了图像处理装置、电子设备及存储介质。本发明能够实现输出所述医疗图像的分割预增强处理结果，提升医疗图像进行分割的准确性，也能够实现通过医疗图像处理模型对体积较大的医疗图像的处理。

技术领域

本发明涉及医疗图像处理技术，尤其涉及图像处理方法、装置、电子设备及存储介质。

背景技术

基于深度学习所进行的各种类型识别，一直以来都是各应用场景下解决大量数据分的重要工具。例如，在图像、自然语言处理等应用场景中，对大量数据所实现的大规模分类和识别，以此来快速准确的获得相关的分类预测结果，加速所在应用场景的功能实现。

在对图像所进行的分类预测中，根据所部署的应用场景不同，例如，AI+医疗场景，具体用于实现分类预测的图像以及分类预测的实现也各不相同。以AI+医疗场景为例，不同诊疗设备所形成医疗影像的各种图像在不断产生，例如，随着病人病情的发展需要不同的时间点或者科室中不断拍摄而不断产生，进而成为大量数据，亟待需要借助于图像分割的执行实现对医疗图像的分类，并通过图像增强提供更加清晰的医疗图像。

但是，相关技术中，深度卷积神经网络算法虽然广泛应用于图像的分割与增强，然而，无法兼顾整体特征与局部特征，也很难兼顾网络精度和内存消耗，更无法对模糊的图像进行图像增强，而图像却有许多清晰细节需要进行呈现，因此相关技术进行医疗图像处理无法兼顾精确度，也不能提供经过准确分割和图像增强的图像供用户使用。

发明内容

有鉴于此，本发明实施例提供一种图像处理方法、装置、电子设备及存储介质，能够实现通过医疗图像处理模型呈现经过图像增强处理的医疗图像的分割结果，以供用户使用。

本发明实施例的技术方案是这样实现的：

本发明实施例提供了一种图像处理方法，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；

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。

上述方案中，所述方法还包括：

对所述医疗图像依次进行归一化处理和图像扩展处理；

其中，所述图像扩展处理包括至少以下之一：

翻转、旋转、放缩以及对比度增强。

上述方案中，所述方法还包括：

根据所述医疗图像处理模型的使用环境，对所述医疗图像处理模型中的多尺度可逆残差网络中的层级数量或者可逆块数量进行调整，以实现所述医疗图像处理模型与使用环境相适配。

本发明实施例还提供了一种图像处理方法，包括：

显示用户界面，所述用户界面中包括以第一人称视角对目标对象的目标区域进行观察的视角画面；