[发明专利]全卷积神经网络模型、图像分割方法及装置

说明书

本发明提供了一种全卷积神经网络模型、图像分割方法、装置、电子设备和可读存储介质，获取待分割的目标图像后，采用预先训练好的全卷积神经网络模型对目标图像进行分割，以得到分割后的图像，由于本发明采用的全卷积神经网络模型包括深度多尺度融合模块，所述深度多尺度融合模块可以提取输入图像的不同尺度深度的特征并融合，因此输出的特征结果更加多样，特征模式也更加丰富，有效提高了整体分割算法的精度。采用本发明的全卷积神经网络模型进行图像分割，能够提高图像分割精度，同时也可以减少人机交互的繁琐操作，且本发明的图像分割算法通用性强，实现了端到端的算法流程，可以更好地辅助医生提高诊断准确性。

技术领域

本发明涉及图像处理技术领域，特别涉及一种全卷积神经网络模型、图像分割方法、装置、电子设备和可读存储介质。

背景技术

心血管疾病是全球死亡率最高的疾病，并且发病率和死亡率逐年上升，严重威胁着人类的生命健康。由于心脏的复杂结构，心脏的不同部位具有不同的特征，这给医生对患者的医学图像进行心脏结构分析带来很大的难度。因此，对心脏医学图像进行精确分割尤为重要，精确分割能为医生提供高质量的心脏结构信息，有助于医生快速诊断。

目前心脏图像的分割方法包括：(1)依靠经验丰富的医学专家进行手动分割；(2)基于传统的模型匹配的方法；(3)基于图像或可变模型的方法；(4)基于深度学习的分割方法。

然而现有的心脏图像的分割方法存在以下缺点：

(1)手动心脏分割方法的结果不仅差异化大而且需要花费大量的时间和精力；

(2)由于心脏不同部位特征不同，基于模型匹配方法的分割精度较低；

(3)基于可变模型的方法，需要用户交互来完成分割，鲁棒性差，且分割精度低；

(4)基于深度学习的分割方法相对传统方法在精度上有一定提高，但大多数网络模型的卷积模块都是相同的，这会限制分割精度进一步提高。

发明内容

本发明的目的在于提供一种全卷积神经网络模型、图像分割方法、装置、电子设备和可读存储介质，不仅可以提高整体分割算法的精度，还可以有效减少人机交互的繁琐操作。

为达到上述目的，本发明提供一种图像分割方法，包括：

获取待分割的目标图像；

采用预先训练好的全卷积神经网络模型对所述目标图像进行分割，以得到分割后的图像；其中，所述全卷积神经网络模型包括深度多尺度融合模块，所述深度多尺度融合模块用于提取输入图像的不同深度、尺度的特征并融合。

可选的，所述深度多尺度融合模块包括至少两个并联分支和一个串联分支，其中各个所述并联分支的卷积核大小互不相同，各个所述并联分支相并联后再与所述串联分支串联。

可选的，每个所述并联分支包括至少一个卷积层和/或至少一个卷积模块，所述卷积模块由多个卷积层并联和/或串联而成。

可选的，所述并联分支的数量为3个。

可选的，所述串联分支包括一个大小为1×1×1的卷积层。

可选的，所述全卷积神经网络模型包括编码网络和解码网络；

所述编码网络包括输入层、n+1个级联的第一神经网络组，前n个第一神经网络组包括级联的卷积层、深度多尺度融合模块和池化层，第n+1个第一神经网络组包括多个级联的卷积层；

所述解码网络包括n个级联的第二神经网络组、卷积层和输出层，第1个第二神经网络组包括级联的反卷积层、合并层、卷积层，后n-1个第二神经网络组包括级联的反卷积层、合并层、卷积层和深度多尺度融合模块；

所述合并层用于将反卷积层的输出图像与编码网络中相应的卷积层的输出图像进行线性相加合并。