[发明专利]一种图像处理方法、装置及存储介质

说明书

本发明公开了一种图像处理方法、装置及存储介质，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中进行分割处理，得到所述医学图像对应的分割结果图；其中，所述模型采用编码器‑解码器结构，所述编码器包括注意力模型；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。本发明通过在编码器中引入了注意力模型，有效保留了待分割图像中像素间的关系，从而解决了现有的U‑net的编码器‑解码器结构的深度卷积网络在处理医学图像时，分割出来的病变边缘不连续，导致图像分割结果不精确的问题。

技术领域

本发明涉及图像处理领域，尤其涉及的是一种图像处理方法、装置及存储介质。

背景技术

近年来，图像处理摆脱了原来的设备和技术的限制，渐渐成为了一门新型的、前景广阔的学科。国内外大量的学者和研究人员都在大力探索和研究图像理解和机器视觉，并取得了不少重要成果。图像分割是图像处理的关键技术之一，随着近几年深度学习的高速发展，将深度学习方法应用到图像分割中取得了目前最高效的结果。

图像处理邻域的大多记录在加入了深度学习方法后都被刷新，这证明了深度学习在图像处理方面的优越性。分割任务最初流行的深度学习方法是图像块分类，即利用像素周围的图像块对每一个像素进行独立的分类。使用图像块分类的主要原因是分类网络通常是全连接层且要求固定尺寸的图像。2014年，加州大学伯克利分校的Long等人提出了全卷积网络，使用这种方法可生成任意大小的图像分割图，且该方法比图像块分类法要快上许多。之后，分割领域几乎所有先进方法都采用了该模型。但是该方法在进行在上采样中丢失了很多细节信息，这对于医学图像这种数据集较少的分割效果不理想。直到2015年，Olaf等人提出了U-net的编码器-解码器结构的深度卷积网络，才在医学图像分割取得了巨大成功。然而现有的U-net的编码器-解码器结构的深度卷积网络在处理医学图像时，分割出来的病变边缘不连续，即病灶的边界不能被完全检测到，从而降低了图像分割结果的精确性。

因此，现有技术还有待改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种图像处理方法、装置及存储介质，旨在解决现有的U-net的编码器-解码器结构的深度卷积网络在处理医学图像时，分割出来的病变边缘不连续，导致图像分割结果不精确的问题。

本发明解决问题所采用的技术方案如下：

第一方面，本发明实施例提供一种图像处理方法，其中，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；所述医学图像为所述若干特征提取层中首层的输入，所述若干特征提取层分别输出一张特征图；所述注意力模型，用于根据所述若干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；

将所述若干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。

在一种实施方式中，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，且所述若干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；