[发明专利]基于双自注意力和深度学习的胸椎图像分割方法及装置

说明书

本发明提供了一种基于双自注意力和深度学习的胸椎图像分割方法及装置，方法包括：获取待处理的医学图像数据集，医学图像数据集中的每张医学图像均包括有胸椎图像区域；将待处理的医学图像数据集输入至深度学习网络模型中，基于深度学习网络模型编码层中的多个双自注意力模块，对不同尺寸的编码图像分别进行双自注意力机制特征提取，得到多张不同尺寸的编码特征图像；基于深度学习网络模型解码层中的多个双自注意力模块，对特征拼接融合图像进行双自注意力机制特征提取，输出得到胸椎图像分割结果。上述方法得到的特征拼接融合图像则可以保留医学图像数据集中的较多特征信息，输出得到的胸椎图像分割结果也更加准确，提高了胸椎图像的分割精度。

技术领域

本发明涉及医疗领域，尤其涉及一种基于双自注意力和深度学习的胸椎图像分割方法及装置。

背景技术

随着技术的不断发展，人工智能技术越来越多的应用到医疗领域中。以胸椎为例，人工智能技术的引入，为医生节省了很多时间，提高了手术效率。但是，由于胸椎病变的多样性，很容易导致胸椎分割的准确性不高，尤其是在分割细节特征，分割偏差较大，造成了不好的体验。

因此，如何解决上述问题，是需要考虑的。

发明内容

本发明提供一种基于双自注意力和深度学习的胸椎图像分割方法及装置，用以解决上述问题。

本发明的第一方面，提供一种基于双自注意力和深度学习的胸椎图像分割方法，包括：

获取待处理的医学图像数据集，所述医学图像数据集中的每张医学图像均包括有胸椎图像区域；

将所述待处理的医学图像数据集输入至深度学习网络模型中，基于所述深度学习网络模型编码层中的多个双自注意力模块，对不同尺寸的编码图像分别进行双自注意力机制特征提取，得到多张不同尺寸的编码特征图像；

基于所述深度学习网络模型解码层中的多个双自注意力模块，对特征拼接融合图像进行双自注意力机制特征提取，输出得到胸椎图像分割结果；

其中，所述特征拼接融合图像基于编码特征图像及与其对应的解码特征图像拼接操作得到。

可选地，所述深度学习网络模型包括四层网络结构，第一层网络结构为输入所述待处理的医学图像数据集的网络层，第一层网络结构至第四层网络结构的编码特征图像的尺寸依次减小；

所述第一层网络结构至所述第四层网络结构均设置有双自注意力模块；

在所述编码层中和所述解码层中，第四层网络结构中的双自注意力模块用于对第三层网络结构中经过下采样的编码特征图像进行双自注意力机制特征提取，得到第四编码特征图像，所述第四特征编码图像经过卷积操作后，得到第四解码特征图像；

第三层网络结构中的双自注意力模块用于对第二层网络结构中经过下采样的编码特征图像进行双自注意力机制特征提取，得到第三编码特征图像，以及对所述第三编码特征图像和所述第四编码特征图像经过上采样得到的解码图像进行拼接操作，得到第三解码特征图像；

第二层网络结构中的双自注意力模块用于对第一层网络结构中经过下采样的编码特征图像进行双自注意力机制特征提取，得到第二编码特征图像，以及对所述第二编码特征图像和所述第三编码特征图像经过上采样得到的解码图像进行拼接操作，得到第二解码特征图像；

第一层网络结构中的双自注意力模块用于对所述待处理的医学图像数据集中的医学编码图像进行双自注意力机制特征提取，得到第一编码特征图像，以及对所述第一编码特征图像和所述第二编码特征图像经过上采样得到的解码图像进行拼接操作，得到胸椎图像分割结果。

可选地，所述双自注意力模块包括：