[发明专利]一种图像分割模型的构建方法、图像分割方法及系统

权利要求书

1.一种图像分割模型的构建方法，其特征在于，所述的方法包括以下步骤：

步骤S1，采集多张口腔医学图像，获得口腔医学图像样本集；

步骤S2，对所述的口腔医学图像白斑区域进行标注，获得口腔医学图像白斑区域标注样本集；

步骤S3，将所述的口腔医学图像白斑区域标注样本集输入Mask R-CNN-S神经网络，获得白斑区域的二值掩码图集；

步骤S4，将所述的白斑区域的二值掩码图集作为输出集，将所述的口腔医学图像白斑区域标注样本集作为目标级，对预构建的Mask R-CNN-S神经网络模型进行训练，以获得训练好的Mask R-CNN-S神经网络模型；

步骤S4中构建的Mask R-CNN-S神经网络模型包括特征提取网络、应用注意力机制的特征融合网络、RPN网络、候选区域、第一ROIAlign、分类和回归分支、第二ROIAlign和Mask分支；

其中，所述的应用注意力机制的特征融合网络层用于RPN网络、分类回归分支以及Mask分支；

所述的特征提取网络的网络结构为去掉网络Top部分的ResNet50网络；

所述的Mask R-CNN-S神经网络模型按照以下步骤对图像进行处理，

步骤41，特征提取网络对输入的待分割的口腔医学图像进行特征提取，得到待分割的口腔医学图像的第一特征图；

步骤42，应用注意力机制的特征融合网络以从特征提取网络中得到的第一特征图作为输入，进行特征融合后得到第二特征图和第三特征图；

步骤43，RPN分支对第三特征图中的每个点按照不同宽高比预设候选框，根据RPN网络回归修正每个候选框的位置、大小以及每个候选框前后景的置信度，利用非极大值抑制，得到第一候选框；第一ROIAlign从第二特征图中裁剪出候选框对应位置的第一特征，对第一特征进行双线性插值和池化，将大小不一的第一特征转换为同一尺寸的第二特征，分类和回归分支以所述的第二特征为输入，对每个类别的第二特征进行回归操作，得到一个五维向量的修正值，所述的修正值对从RPN分支得到的第一候选框进行优化更新；Mask分支对第二特征图进行第二ROIAlign处理后，顺序经过卷积、上采样、卷积、Simoid激活层，获得28×28的预测mask，所得到的预测mask用0.5作为置信度阈值获取物体形状掩码。

2.根据权利要求1所述的图像分割模型的构建方法，其特征在于，在所述的特征提取网络中选取在第i个阶段输出的第一特征图C_i，i＝1,2,3,4,5，其中，i代表特征提取网络的第i个阶段，对C_i进行1×1卷积操作，得到第四特征图C_i’。

3.根据权利要求2所述的图像分割模型的构建方法，其特征在于，所述的应用注意力机制的特征融合网络按照以下步骤进行特征融合：

步骤S61，空间注意力机制通过池化和卷积操作得到表达空间中要性信息的注意力矩阵，对第一特征图C_i依次进行最大池化和平均池化、7×7的卷积操作、Sigmoid激活处理，生成空间注意力矩阵M_s(C_i)；

步骤S62，将由步骤S51得到的空间注意力参数矩阵M_s(C_i)与第四特征图C_i’逐元素相乘，采用式I得到用于确定第四特征图不同位置重要性的第五特征图C_i”，

其中，C_i’表示第四特征图，Ms表示空间注意力矩阵，C_i”表示第五特征图，表示对元素相乘，

对重要区域(包含病灶的区域)进行增强，对不重要区域进行减弱；

步骤S63，对由步骤S52得到的第五特征图C″_i进行1×1卷积操作，采用式II得到第六特征图D_i，

其中，表示对应元素相加,表示一个2×2的上采样；

步骤S64，对得到的第六特征图D_i进行3×3的卷积操作，生成第二特征图P_i；

步骤S65，对由步骤S64得到的P₅进行下采样，生成第三特征图。