[发明专利]一种医学图像分割的分割方法、装置、终端及存储介质

说明书

本发明公开了一种医学图像分割的分割方法、装置、终端及存储介质，所述方法通过获取待分割的医学图像，将医学图像输入预先经过训练的目标分割网络，得到医学图像对应的分割图像；目标分割网络包括U型编码解码器神经网络，其中，所述U型编码解码器神经网络中至少一层的编码器与解码器之间包含若干嵌套解码器，位于同一层的所述编码器、各所述嵌套解码器以及所述解码器依次跳跃连接。本发明在U型编码解码器神经网络的编码器和解码器之间增加若干嵌套解码器，解决了现有的基于Transformer的U型网络结构中，采用简单的跳跃连接来连接成对的编码器和解码器，导致编码器与解码器的特征语义差异较大，从而使解码器的特征学习变得困难的问题。

技术领域

本发明涉及图像处理领域，尤其涉及的是一种医学图像分割的分割方法、装置、终端及存储介质。

背景技术

得益于深度学习的发展，计算机视觉技术已广泛应用于医学图像分析。而自从U-Net问世以来，基于CNN的深度学习方法就一直主导着医学图像分割领域。然而，近年来，基于CNN的方法研究进展却十分缓慢。

由于CNN固有的感应偏差，使得网络的每个感受野每次只停留在一个固定大小的窗口中，无法建立长距离的像素依赖关系。为了解决这一局限性，CNN通过不断叠加下采样和卷积层来增加感受野的面积，以获得更多的交互信息。然而，这些操作往往会使网络失去许多有意义的信息，更加复杂，更容易过度拟合，导致基于CNN的U-Net及衍生方法都很难取得更大的突破。

而随着Vision Transformer的提出，Transformer被应用在医学图像分割领域。TransUnet将CNN特征图作为Transformer的输入，形成基于Transformer的强大编码器，是第一个基于Transformer的医学图像分割网络，但是TransUnet仅仅只是在编码器上使用了Transformer，并未在解码器上使用Transformer，这会导致网络在极小样本的任务下出现复杂特征信息难以学习的情况。而随着Swin Transformer的提出，它不仅结合了Transformer和CNN的优点，还通过使用移位窗口机制降低了计算复杂度。因此，SwinUnet通过将CNN替换为Swin Transformer，提出了第一个用于二维医学图像分割任务的纯Transformer的U型具有跳跃连接的编码器-解码器网络架构。但是，现有的基于Transformer的U型网络结构中，采用简单的跳跃连接来连接成对的编码器和解码器，导致编码器与解码器的特征语义差异较大，从而使解码器的特征学习变得困难的问题。

因此，现有技术还有待改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种医学图像分割的分割方法、装置、终端及存储介质，旨在解决现有的基于Transformer的U型网络结构中，采用简单的跳跃连接来连接成对的编码器和解码器，导致编码器与解码器的特征语义差异较大，从而使解码器的特征学习变得困难的问题。

本发明解决问题所采用的技术方案如下：

第一方面，本发明实施例提供一种医学图像分割的分割方法，其中，所述方法包括：

获取待分割的医学图像；

将所述医学图像输入预先经过训练的目标分割网络，得到所述医学图像对应的目标分割图像；

所述目标分割网络包括U型编码解码器神经网络，其中，所述U型编码解码器神经网络中至少一层的编码器与解码器之间包含若干嵌套解码器，位于同一层的所述编码器、各所述嵌套解码器以及所述解码器依次跳跃连接。

在一种实施方法中，所述方法还包括：

每一层中首个所述嵌套解码器的输入数据还包括下一层所述编码器的输出数据，除首个之外第n个所述嵌套解码器的输入数据还包括下一层中第n-1个所述嵌套解码器的输出数据。

在一种实施方法中，所述方法还包括：