[发明专利]医学影像分割方法和电子设备

说明书

本公开提供一种医学影像分割方法和电子设备。所述方法包括：获取医学影像数据，并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。本说明书实施例通过医学影像数据和预先训练的医学影像分割模型，最终得到了医学影像的分割结果P。

技术领域

本公开涉及计算机视觉的影像语义分割技术领域，尤其涉及一种医学影像分割的方法。

背景技术

随着科技的发展，医学影像分割技术从之前的大津阈值法、分水岭法、GraphCut以及基于活动轮廓的一些方法逐渐被性能更好、泛化能力更强的深度学习方法所取代。但是目前医学影像分割领域依旧存在一些难点，首先，训练医学影像分割模型时医学影像的数据量不足；其次，医学影像中的待分割目标尺度差异较大，模型难以精确识别，最后，现有医学影像中大部分目标器官较为模糊且易与其他临近部位器官混淆，模型不易识别。

发明内容

有鉴于此，本公开的目的在于提出一种医学影像分割方法和电子设备。

基于上述目的，本公开提供了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。

可选的，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。