[发明专利]医学影像分割方法和电子设备

权利要求书

1.一种医学影像分割方法，其中，包括：

获取医学影像数据；

对所述医学影像数据进行预处理，得到处理后医学影像数据；

将所述处理后医学影像数据输入医学影像分割模型；

在所述医学影像分割模型，根据所述处理后医学影像数据，得到医学影像的金字塔塔底特征f₁；根据所述医学影像的金字塔塔底特征f₁，得到预测分数p；

根据所述预测分数p，得到所述医学影像的分割结果P。

2.根据权利要求1所述的方法，其中，所述医学影像分割模型的训练过程包括：

获取训练用医学影像数据；

获取训练用医学影像数据待分割类别数目c；

获取训练用医学影像数据对应的真实Mask，所述训练用医学影像数据对应的真实Mask为：对所述训练用医学影像数据逐个像素预先标注好的结果；

根据所述训练用医学影像数据，对其进行阈值化、归一化和数据增强处理，得到处理后训练用医学影像数据；

对所述处理后训练用医学影像数据进行初始多尺度特征提取，得到处理后训练用医学影像数据的多尺度特征金字塔；

对所述处理后训练用医学影像数据的多尺度特征金字塔进行多尺度特征融合，得到训练用增强后特征金字塔；

根据所述训练用增强后特征金字塔，得到训练用金字塔塔底特征f₁′；

根据所述训练用增强后特征金字塔，提取其针对所有所述待分割类别数目c的权重，得到尺度自适应关注类别权重；

根据所述尺度自适应关注类别权重，得到多尺度自适应分割损失函数；

根据所述训练用金字塔塔底特征f₁′，得到类别分割分数p′和目标特征；

根据所述目标特征，得到类内一致性约束损失函数和类间差异性约束损失函数；

根据所述类别分割分数p′和所述训练用医学影像数据对应的真实Mask，得到分割损失函数；

根据所述多尺度自适应分割损失函数、类内一致性约束损失函数、类间差异性约束损失函数和分割损失函数，训练得到所述医学影像分割模型。

3.根据权利要求2所述的方法，其中，得到所述尺度自适应关注类别权重，包括：

根据所述训练用增强后特征金字塔中的某一个特征f_i′，对其进行卷积运算和平均池化后，输入第一全连接网络FC₁，使用ReLU激活函数激活，再输入第二全连接网络FC₂，使用Sigmoid激活函数激活，获得所述尺度自适应关注类别权重w_i。

4.根据权利要求2所述的方法，其中，得到所述目标特征，包括：

根据所述训练用金字塔塔底特征f₁′，对其进行2d卷积运算和自适应池化后，进行拉平操作和维度置换操作，再经过1d卷积运算，获得所述目标特征f₁^c′。

5.根据权利要求1所述的方法，其中，所述处理后医学影像数据为所述医学影像数据经过阈值化和归一化处理得到。

6.根据权利要求1所述的方法，其中，得到所述医学影像的金字塔塔底特征f₁，具体包括：

提取所述处理后医学影像数据的初始多尺度特征，得到多尺度特征金字塔；

对所述多尺度特征金字塔进行多尺度特征融合，得到增强后的特征金字塔；

根据所述增强后的特征金字塔，得到所述医学影像的金字塔塔底特征f₁。

7.根据权利要求1所述的方法，其中，所述预测分数p为所述医学影像的金字塔塔底特征通过2d卷积运算得到。

8.根据权利要求7所述的方法，其中，所述预测分数p尺度大小为c*H*W；c为所述训练用医学影像数据待分割类别数目c；H为所述预测分数p的长，W为所述预测分数p的宽。