[发明专利]图像的病变区域分割方法、装置及服务器

说明书

本申请属于图像识别技术领域，提供了一种图像的病变区域分割方法、装置及服务器，该方法包括：对磁共振扫描获得的图像进行特征提取，生成特征图像；通过特征相似性模块计算所述特征图像中每一像素点之间的关联性，得到包含相似性信息的特征图像；预测所述包含相似性信息的特征图像中的病变区域，输出病变区域图像。本申请实施例解决分割图像中病变区域的准确率低的问题。

技术领域

本发明涉及图像识别的技术领域，尤其涉及一种图像的病变区域分割方法、装置及服务器。

背景技术

脑部磁共振图像可帮助专家对中风病变进行有效的评估，并制定行之有效的治疗计划。在传统方法中，脑中风病变区域的分割通常由专业放射科医师在磁共振图像切片上逐切片地去手动完成，显然这极为耗时，且有很强的主观性。目前图像分割方法多采用卷积神经网络等基于深度学习的方法，实现自动化对脑卒中病变区域进行分割。此外，人们也引入了空洞卷积运算和金字塔池化结构来获得多尺度特征图，以便进行精确的预测。为了充分利用像素之间的关联信息，人们采用了基于长短期记忆的网络来捕捉复杂的空间背景信息，采用于空洞卷积的模型来提取丰富的多尺度上下文信息。

但基于长短期记忆的网络和基于空洞卷积的模型只是从几个周围的像素中收集信息，没有在一个较远的距离上提取信息，导致自动分割方法无法充分利用所有像素之间的上下文信息对图像中病变的不同大小和位置进行有效的处理，造成分割出来的病变区域的准确率低。

发明内容

有鉴于此，本发明实施例提供了一种图像的病变区域分割方法、装置及服务器，以解决分割图像中病变区域的准确率低的问题。

本发明实施例的第一方面提供了一种图像的病变区域分割方法，包括：

对磁共振扫描获得的图像进行特征提取，生成特征图像；

通过特征相似性模块计算所述特征图像中每一像素点之间的关联性，得到包含相似性信息的特征图像；

预测所述包含相似性信息的特征图像中的病变区域，输出病变区域图像。

在一个实施示例中，所述通过特征相似性模块计算所述特征图像中每一像素点之间的关联性，得到包含相似性信息的特征图像，包括：

对于所述特征图像每一像素点，计算所述像素点与所述特征图像上其它任一像素点之间的相似性得到关联信息；

将每一所述像素点的关联信息与所述特征图像相乘得到包含相似性信息的特征图像。

在一个实施示例中，所述对磁共振扫描获得的图像进行高维特征提取，生成特征图像，包括：

通过编码器中级联的深度可分离卷积层对磁共振扫描获得的图像进行特征提取，生成特征图像。

在一个实施示例中，所述预测所述包含相似性信息的特征图像中的病变区域，输出病变区域图像，包括：

通过解码器中级联的深度可分离卷积层对所述包含相似性信息的特征图像的病变区域位置进行预测，输出病变区域掩膜。

在一个实施示例中，在对磁共振扫描获得的图像进行高维特征提取，生成特征图像之前，包括：

将预设图像训练数据输入所述编码器中级联的深度可分离卷积层进行特征提取，生成第一特征数据；

通过所述特征相似性模块计算所述第一特征数据中每一像素点之间的关联性，得到包含相似性信息的第二特征数据；

通过所述解码器中级联的深度可分离卷积层对所述第二特征数据的病变区域位置进行预测，输出病变区域预测掩膜；

根据所述病变区域预测掩膜与所述图像训练数据对应的目标掩膜反向计算梯度，以更新所述编码器和所述解码器中级联的深度可分离卷积层以及所述特征相似性模块的参数。