[发明专利]一种图像处理方法、处理装置、电子设备及存储介质

权利要求书

1.一种图像处理方法，其特征在于，所述方法包括：

获取待处理多模态人体部位影像，所述多模态人体部位影像表示利用不同成像原理、参数、设备得到的人体部位影像；

对所述待处理多模态人体部位影像进行预处理，得到预处理后的多模态人体部位影像；

将所述预处理后的多模态人体部位影像，输入预先训练好的基于注意力机制构建的栈式卷积神经网络模型中，得到所述预处理后的多模态人体部位影像对应的区域分割结果，所述区域分割结果包括：正常区域和不正常区域；其中，所述预先训练好的基于注意力机制构建的栈式卷积神经网络模型，是根据所述预处理后的多模态人体部位影像，以及所述预处理后的多模态人体部位影像对应的标准区域分割结果训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述对所述待处理多模态人体部位影像进行预处理，得到预处理后的多模态人体部位影像的步骤，包括：

从所获取的待处理多模态人体部位影像中，选择满足预设条件的人体部位影像，作为基准模态人体部位影像；

利用预设的人体部位影像处理软件，对所述待处理多模态人体部位影像依次进行去噪、标准化处理，得到标准化处理后的多模态人体部位影像；

将标准化处理后的多模态人体部位影像中的其他模态人体部位影像通过预设的配准方法，与所述基准模态人体部位影像配准，得到配准后的多模态人体部位影像；

将所述配准后的多模态人体部位影像，确定为预处理后的多模态人体部位影像。

3.根据权利要求1或2所述的方法，其特征在于，所述基于注意力机制构建的栈式卷积神经网络模型的训练过程，包括：

构建初始栈式卷积神经网络模型，所述初始栈式卷积神经网络模型，由2×N个并列的栈式卷积子神经网络模型构成；其中，所述2×N个并列的栈式卷积子神经网络模型中各层的初始参数是随机生成的，所述栈式卷积子神经网络模型包括：上通路模块、下通路模块和分类器；所述上通路模块包括：多个交替的第一卷积层和下采样层，所述下通路模块为：多个由注意力机制层、第二卷积层和上采样层构成的子模块组成，N为大于1的整数；

将预设数量的预处理后的多模态人体部位影像，以及各预处理后的多模态人体部位影像对应的标准区域分割结果，输入各所述栈式卷积子神经网络模型；

分别利用各所述栈式卷积子神经网络模型，得到各所述预处理后的多模态人体部位影像对应的区域分割结果；

基于所述区域分割结果与所述标准区域分割结果的差异，分别计算各所述栈式卷积子神经网络模型对应的损失函数；

对各所述栈式卷积子神经网络模型对应的损失函数进行最小化处理，得到各所述栈式卷积子神经网络模型对应的最小化损失函数；

根据各所述栈式卷积子神经网络模型对应的最小化损失函数，确定各栈式卷积子神经网络模型中各模块的权重参数；

基于各栈式卷积子神经网络模型中各模块的权重参数，对所述栈式卷积子神经网络模型中的参数进行更新，训练得到所述栈式卷积神经网络模型。

4.根据权利要求3所述的方法，其特征在于，所述2×N个并列的栈式卷积子神经网络模型中，N个栈式卷积子神经网络模型对应的损失函数相同；

其中，N个栈式卷积子神经网络模型对应的损失函数表示为：

其中，rm表示不正常区域的第m个体素对应的标准区域分割结果，pm表示不正常区域的第m个体素对应的概率化预测输出结果,α表示可调超参，ε表示防止表达式分母为0的随机小值，为1-r_m，为1-p_m，γ表示在[0,1]内变化的稳定指数；

另外N个栈式卷积子神经网络模型对应的损失函数表示为：

其中，r_lm表示属于类别l的第m个体素对应的标准区域分割结果，p_lm表示属于类别l的第m个体素对应的预测概率，w_l表示体素属于类别l的权重，类别l为1表示属于不正常区域，类别为0表示属于正常区域，M表示体素的总个数。