[发明专利]一种图像处理方法、装置及存储介质

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：

获取待分割的医学图像，将所述医学图像输入至预先训练过的图像分割模型；

通过所述图像分割模型中的编码器模块对所述医学图像进行特征提取，得到若干特征图和增强特征图；其中，所述编码器模块包括：依次级联的若干特征提取层和注意力模型；所述医学图像为若干所述特征提取层中首层的输入，若干所述特征提取层分别输出一张特征图；所述注意力模型，用于根据若干所述特征提取层中最后一层输出的特征图进行像素间关系的建模，得到包含上下文信息的增强特征图；

将若干所述特征图和所述增强特征图输入所述图像分割模型中的解码器模块，得到所述医学图像对应的分割结果图；

获取所述分割结果图中每个像素点分别对应的通道值，根据所述每个像素点分别对应的通道值对所述每个像素点进行分类；

所述图像分割模型的训练样本集的获取方法包括：获取原始训练样本集；对所述原始训练样本集中的每一原始训练图像进行数据增广处理，得到所述训练样本集；所述数据增广处理包括图像对比度调整、图像锐度调整以及图像照度均匀度调整中的一种或者多种；图像照度均匀度的调整方法如下：对于一张大小为H·W的输入图像，在第一数值范围内随机选定一个标量α’，并在第二数值范围内随机选定一个标量β’，其中，第二数值范围大于第一数值范围；在α’和β’之间，等间距采样H个值，由此得到一个长度为H的向量；将W个相同的该向量进行横向拼接后，得到与输入图像的大小相同的照度梯度图，照度梯度图的类型包括垂直方向和水平方向的两种照明梯度；

所述解码器的工作原理为：若干所述特征提取层的数量为3层，3层所述特征提取层依次输出第一特征图，第二特征图，第三特征图，所述注意力模型输出所述增强特征图；所述第一特征图、所述第二特征图、所述第三特征图以及所述增强特征图输入所述解码器后，分别输入第一卷积层、第二卷积层、第三卷积层以及第四卷积层，得到第一卷积图、第二卷积图、第三卷积图以及第四卷积图；将所述第四卷积图输入第一上采样层，得到第一扩大特征图，将所述第一扩大特征图输和所述第三卷积图输入第一融合层，得到第一融合图；将所述第一融合图输入第二上采样层，得到第二扩大特征图，将所述第二扩大特征图和所述第二卷积图输入第二融合层得到第二融合图；将所述第二融合图输入第三上采样层，得到第三扩大特征图，将所述第三扩大特征图和所述第一卷积图输入第三融合层得到第三融合图；通过一系列的卷积层、激活层、融合层对所述第一融合图、所述第二融合图、所述第三融合图以及所述增强特征图进行融合，得到和输入的医学图像大小一致的所述分割结果图；

所述图像分割模型包括误差优化模块，所述误差优化模块用于计算整个神经网络的误差，并进行反向传播计算梯度来对网络中的参数进行优化；所述误差优化模块的损失函数计算如下：；其中，是图像分割模型预测的分割结果图；是人工进行标注的分割结果图；α和β为专门根据该图像分割模型预测的病变类别设置的光滑参数。

2.根据权利要求1所述的图像处理方法，其特征在于，所述图像分割模型的训练过程具体包括：

获取训练样本集，其中，所述训练样本集包括若干训练图像，且若干所述训练图像中的每个像素点均包括真实对应的标准通道值；

将所述训练样本集中的训练图像输入预设网络模型，通过所述预设网络模型输出各像素点分别对应的预测通道值；

通过各像素点分别对应的预测通道值和各像素点分别对应的标准通道值对所述预设网络模型的模型参数进行调整，并继续执行所述将所述训练样本集中的训练图像输入预设网络模型的步骤，直至满足预设训练条件，以得到所述图像分割模型；所述预设训练条件为各像素点分别对应的预测通道值和各像素点分别对应的标准通道值之间的差值小于预设误差阈值。

3.根据权利要求1所述的图像处理方法，其特征在于，所述图像分割模型包括解码器模块，所述解码器包括卷积层、上采样层、融合层；

所述卷积层，用于将若干所述特征图的通道数和所述增强特征图的通道数统一至目标通道数，得到若干标准特征图和标准增强特征图；

所述上采样层，用于对若干待放大的特征图分别进行上采样，得到若干目标特征图；若干所述待放大的特征图为若干所述特征提取层中非首层的特征提取层分别对应的标准特征图，以及所述标准增强特征图；

所述融合层，用于对若干所述目标特征图和若干所述特征提取层中首层对应的标准特征图进行融合，得到所述分割结果图。