[发明专利]一种CSM图像分割方法、装置、终端设备及存储介质

说明书

本申请提供一种CSM图像分割方法、装置、终端设备及存储介质，涉及深度学习技术领域，能够在一定程度提高CSM图像分割的精度。该方法包括：获取目标图像；将所述目标图像输入到已训练的生成器中处理，得到所述目标图像的分割图像，所述生成器为编码器‑解码器结构，且所述编码器和所述解码器之间设置有金字塔池化模块，所述编码器中的多个卷积层和所述金字塔池化模块之间相互连接。

技术领域

本申请涉及深度学习技术领域，尤其涉及一种CSM图像分割方法、装置、终端设备及存储介质。

背景技术

在医疗领域中，医学影像分割技术能够辅助医生更高效的对部分病症进行分析诊断。例如，针对脊髓型颈椎病(Cervical Spondylotic Myelopathy， CSM)的检测，目前可以通过获取CSM患者脑部的扩散张量成像(diffusion tensor imaging，DTI)图像进行图像分割，以寻找CSM病变区域的位置，从而辅助医生进行高效的治疗。

随着深度学习的医学影像分割技术的发展，目前常用的图像分割模型是基于编码器-解码器结构的U-Net网络模型。编码器与解码器之间直接通过跳跃连接的方式，叠加相同尺寸的特征向量，容易造成图像信息丢失。因此，对于一些病变区域较为模糊的DTI图像，采用目前的网络模型无法进行有效的分割。

发明内容

本申请提供一种CSM图像分割方法、装置、终端设备及存储介质，能够在一定程度提高CSM图像分割的精度。

第一方面，本申请提供一种图像分割方法，该方法包括：获取目标图像；将目标图像输入到已训练的生成器中处理，得到目标图像的分割图像，生成器为编码器-解码器结构，且编码器和解码器之间设置有金字塔池化模块，编码器中的多个卷积层和金字塔池化模块之间相互连接。

在一个可能的实现方式中，金字塔池化模块处理输入特征的方式，包括：采用不同尺寸的M个池化层分别对输入特征进行池化操作，得到M个局部上下文信息，M为大于或者等于2的整数；将M个局部上下文信息分别进行上采样处理，得到与输入特征的尺寸相同的M个第一特征向量；对输入特征中的所有列向量进行均值计算，得到目标列向量；对输入特征中的所有行向量进行均值计算，得到目标行向量；将目标列向量和目标行向量分别扩展为与输入特征的尺寸相同的第二特征向量和第三特征向量；将第二特征向量、第三特征向量和输入特征融合，得到第四特征向量；将M 个第一特征向量和第四特征向量相加后，进行二维卷积操作得到全局上下文信息。

在一个可能的实现方式中，将第二特征向量、第三特征向量和输入特征融合，得到第四特征向量，包括：将第二特征向量和第三特征向量进行点成后，输入预设的激活函数中处理，得到融合特征；将融合特征和输入特征相加，得到第四特征向量。

在一个可能的实现方式中，该方法还包括：获取训练集，训练集包括多个第一图像样本和每个第一图像样本的分割图像样本；根据预设的损失函数和训练集对预设的生成对抗网络模型进行生成对抗训练，得到生成器；生成对抗网络模型包括初始生成器、第一判别器和已训练的第二判别器，在训练过程中，初始生成器输出的预测分割图像和分割图像样本分别输入第一判别器和第二判别器进行真假判别，第一判别器的输出结果和第二判别器的输出结果融合得到判别结果。

在一个可能的实现方式中，训练集还包括多个第二图像样本和多个第三图像样本，多个第三图像样本为多个第一图像样本与多个第二图像样本经过旋转变换后得到的图像样本。

在一个可能的实现方式中，损失函数包括用于训练初始生成器的交叉熵损失函数和自监督损失函数；交叉熵损失函数为：

L_Dice＝-∑∑G_tlog(S(I))

自监督损失函数为：

L_R＝-∑E(S(R(I))-S(I))²