CN114494442A - 图像处理方法、装置及设备 - Google Patents

图像处理方法、装置及设备 Download PDF

Info

Publication number
CN114494442A
CN114494442A CN202210339991.0A CN202210339991A CN114494442A CN 114494442 A CN114494442 A CN 114494442A CN 202210339991 A CN202210339991 A CN 202210339991A CN 114494442 A CN114494442 A CN 114494442A
Authority
CN
China
Prior art keywords
processing
algorithm
dimensional
convolution
feature map
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210339991.0A
Other languages
English (en)
Inventor
周波
田欣兴
苗瑞
邹小刚
梁书玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen HQVT Technology Co Ltd
Original Assignee
Shenzhen HQVT Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen HQVT Technology Co Ltd filed Critical Shenzhen HQVT Technology Co Ltd
Priority to CN202210339991.0A priority Critical patent/CN114494442A/zh
Publication of CN114494442A publication Critical patent/CN114494442A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种图像处理方法、装置及设备，涉及图像处理技术，该方法包括：获取多个待识别图像；根据预设的混合U‑Net网络算法中的编码算法，对待识别图像进行二维卷积处理和三维卷积处理，得到初步特征图；混合U‑Net网络算法包括编码算法和解码算法，编码算法和解码算法均用于通过残差学习网络在二维卷积层和三维卷积层对图像进行卷积处理；根据解码算法对初步特征图进行解码处理，得到目标特征图。本申请的方法，提高了网络的分割精度，实现了识别出的医学图像中的病灶位置精确性较低的技术问题。

Description

图像处理方法、装置及设备
技术领域
本申请涉及图像处理技术，尤其涉及一种图像处理方法、装置及设备。
背景技术
目前，为了识别医学图像中的病灶位置，需要对医学图像进行识别。
现有技术中，对医学图像中的病灶位置进行识别时，可以根据基于纹理特征的医学图像分割方法，基于纹理特征的医学图像分割方法是根据图像或图像区域所对应目标的纹理分布特征，对区域内多个像素点进行统计，进而计算图像的像素分布状态。
然而现有技术中，由于纹理特性反映的只是目标物体局部的分布特性，仅用纹理特性不能获取更高层次的图像信息，尤其在图像包含多个纹理特征的情况下很容易导致过分割的情况出现，进而导致识别出的医学图像中的病灶位置精确性较低。
发明内容
本申请提供一种图像处理方法、装置及设备，用以解决识别出的医学图像中的病灶位置精确性较低的技术问题。
第一方面，本申请提供一种图像处理方法，包括
获取多个待识别图像；
根据预设的混合U-Net网络算法中的编码算法，对所述待识别图像进行二维卷积处理和三维卷积处理，得到初步特征图；其中，所述混合U-Net网络算法包括编码算法和解码算法，所述编码算法和所述解码算法均用于通过残差学习网络在二维卷积层和三维卷积层对图像进行卷积处理；
根据所述解码算法对所述初步特征图进行解码处理，得到目标特征图；其中，所述目标特征图表征通过解码处理得到的多个像素点，多个所述像素点包括目标位置所占用的像素点、以及所述目标位置以外的背景所占用的像素点。
进一步地，根据预设的混合U-Net网络算法中的编码算法，对所述待识别图像进行二维卷积处理和三维卷积处理，得到初步特征图，包括：
根据预设的混合U-Net网络算法中编码算法的残差学习网络，在二维卷积层对所述待识别图像进行二维卷积处理，得到二维特征图；其中，所述编码算法的二维卷积层包括2层；
在三维卷积层对所述二维特征图进行三维卷积处理，得到初步特征图；其中，所述编码算法的三维卷积层包括3层。
进一步地，根据所述解码算法对所述初步特征图进行解码处理，得到目标特征图，包括：
根据所述解码算法中的残差学习网络，在三维卷积层对所述初步特征图进行三维卷积处理，得到三维特征图像；其中，所述解码算法中的三维卷积层包括2层；
在二维卷积层对所述三维特征图进行二维卷积处理，得到卷积特征图；其中，所述解码算法中的二维卷积层包括2层；
利用预设的归一化指数函数，对所述卷积特征图进行卷积处理，得到目标特征图；其中，所述目标特征图表征通过解码处理得到的多个像素点，多个所述像素点包括目标位置所占用的像素点、以及所述目标位置以外的背景所占用的像素点。
进一步地，在根据预设的混合U-Net网络算法中的编码算法，对所述待识别图像进行二维卷积处理和三维卷积处理，得到初步特征图之后，还包括：
根据预设的空洞卷积算法，对所述初步特征图进行空洞卷积处理，得到第一特征图；其中，所述第一特征图的感受野大于初步特征图的感受野，所述感受野表征第一特征图中局部特征图的像素点在待识别图像上的映射区域。
进一步地，所述方法还包括：
根据预设的空间位置注意力算法，对所述第一特征图分别进行1×1卷积运算处理，得到多个第二特征图；
对多个所述第二特征图进行尺寸重塑处理、维度变换处理、以及乘法处理，得到第一通道注意力热图；
对所述第一通道注意力热图与所述第一特征图做求和处理，得到第三特征图。
进一步地，所述方法还包括：
根据预设的通道注意力算法，对所述第一特征图进行尺寸重塑处理、维度变换处理、以及乘法处理，得到第二通道注意力热图；
对所述第二通道注意力热图与所述第一特征图做求和处理，得到第四特征图。
进一步地，所述方法还包括：
对第三特征图、以及第四特征图进行残差连接处理，并通过预设的线性整流函数进行处理，得到第五特征图；其中，所述第五特征图表征经过多次卷积的初步特征图。
第二方面，本申请提供一种图像处理装置，包括：
第一获取单元，用于获取多个待识别图像；
第一卷积单元，用于根据预设的混合U-Net网络算法中的编码算法，对所述待识别图像进行二维卷积处理和三维卷积处理，得到初步特征图；其中，所述混合U-Net网络算法包括编码算法和解码算法，所述编码算法和所述解码算法均用于通过残差学习网络在二维卷积层和三维卷积层对图像进行卷积处理；
解码单元，用于根据所述解码算法对所述初步特征图进行解码处理，得到目标特征图；其中，所述目标特征图表征通过解码处理得到的多个像素点，多个所述像素点包括目标位置所占用的像素点、以及所述目标位置以外的背景所占用的像素点。
进一步地，所述第一卷积单元，包括：
第一卷积模块，用于根据预设的混合U-Net网络算法中编码算法的残差学习网络，在二维卷积层对所述待识别图像进行二维卷积处理，得到二维特征图；其中，所述编码算法的二维卷积层包括2层；
第二卷积模块，用于在三维卷积层对所述二维特征图进行三维卷积处理，得到初步特征图；其中，所述编码算法的三维卷积层包括3层。
进一步地，所述解码单元，包括：
第三卷积模块，用于根据所述解码算法中的残差学习网络，在三维卷积层对所述初步特征图进行三维卷积处理，得到三维特征图像；其中，所述解码算法中的三维卷积层包括2层；
第四卷积模块，用于在二维卷积层对所述三维特征图进行二维卷积处理，得到卷积特征图；其中，所述解码算法中的二维卷积层包括2层；
第五卷积模块，用于利用预设的归一化指数函数，对所述卷积特征图进行卷积处理，得到目标特征图；其中，所述目标特征图表征通过解码处理得到的多个像素点，多个所述像素点包括目标位置所占用的像素点、以及所述目标位置以外的背景所占用的像素点。
进一步地，所述装置还包括：
第二卷积单元，用于在根据预设的混合U-Net网络算法中的编码算法，对所述待识别图像进行二维卷积处理和三维卷积处理，得到初步特征图之后，根据预设的空洞卷积算法，对所述初步特征图进行空洞卷积处理，得到第一特征图；其中，所述第一特征图的感受野大于初步特征图的感受野，所述感受野表征第一特征图中局部特征图的像素点在待识别图像上的映射区域。
进一步地，所述装置还包括：
第三卷积单元，用于根据预设的空间位置注意力算法，对所述第一特征图分别进行1×1卷积运算处理，得到多个第二特征图；
第一处理单元，用于对多个所述第二特征图进行尺寸重塑处理、维度变换处理、以及乘法处理，得到第一通道注意力热图；
第二处理单元，用于对所述第一通道注意力热图与所述第一特征图做求和处理，得到第三特征图。
进一步地，所述装置还包括：
第二获取单元，用于根据预设的通道注意力算法，对所述第一特征图进行尺寸重塑处理、维度变换处理、以及乘法处理，得到第二通道注意力热图；
第三处理单元，用于对所述第二通道注意力热图与所述第一特征图做求和处理，得到第四特征图。
进一步地，所述装置还包括：
残差单元，用于对第三特征图、以及第四特征图进行残差连接处理，并通过预设的线性整流函数进行处理，得到第五特征图；其中，所述第五特征图表征经过多次卷积的初步特征图。
第三方面，本申请提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的方法。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现第一方面所述的方法。
第五方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述的方法。
本申请提供的一种图像处理方法、装置及设备，获取多个待识别图像；
根据预设的混合U-Net网络算法中的编码算法，对待识别图像进行二维卷积处理和三维卷积处理，得到初步特征图；其中，混合U-Net网络算法包括编码算法和解码算法，编码算法和解码算法均用于通过残差学习网络在二维卷积层和三维卷积层对图像进行卷积处理；根据解码算法对初步特征图进行解码处理，得到目标特征图；其中，目标特征图表征通过解码处理得到的多个像素点，多个像素点包括目标位置所占用的像素点、以及目标位置以外的背景所占用的像素点。本方案中，根据预设的混合U-Net网络算法中编码算法的残差学习网络，依次在二维卷积层对待识别图像进行二维卷积处理、以及在三维卷积层做三维卷积处理，得到初步特征图，最后根据解码算法中的残差学习网络，对初步特征图进行解码处理，得到目标特征图。所以，对待识别图像进行识别处理时，通过残差学习网络进行二维卷积运算和三维卷积运算，可以提取待识别图像的浅层信息和深层次的信息，防止肝脏及其肿瘤训练过程中出现梯度消失与过拟合的问题，进而可以获得更好的目标位置的信息，从而提高了网络的分割精度，实现了识别出的医学图像中的病灶位置精确性较低的技术问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为本申请实施例提供的一种图像处理方法的流程示意图；
图2为本申请实施例提供的另一种图像处理方法的流程示意图；
图3为本申请实施例提供的一种混合U-Net网络算法的结构示意图；
图4为本申请实施例提供的又一种图像处理方法的流程示意图；
图5为本申请实施例提供的一种空洞卷积算法的场景示意图；
图6为本申请实施例提供的一种空间位置注意力算法的场景示意图；
图7为本申请实施例提供的一种通道注意力算法的场景示意图；
图8为本申请实施例提供的一种残差双注意力模块的场景示意图；
图9为本申请实施例提供的再一种图像处理方法的流程示意图；
图10为本申请实施例提供的一种图像处理装置的结构示意图；
图11为本申请实施例提供的另一种图像处理装置的结构示意图；
图12为本申请实施例提供的一种电子设备的结构示意图；
图13为本申请实施例提供的一种电子设备的框图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。
一个示例中，为了识别医学图像中的病灶位置，需要对医学图像进行识别。现有技术中，对医学图像中的病灶位置进行识别时，可以根据基于纹理特征的医学图像分割方法，基于纹理特征的医学图像分割方法是根据图像或图像区域所对应目标的纹理分布特征，对区域内多个像素点进行统计，进而计算图像的像素分布状态。然而现有技术中，由于纹理特性反映的只是目标物体局部的分布特性，仅用纹理特性不能获取更高层次的图像信息，尤其在图像包含多个纹理特征的情况下很容易导致过分割的情况出现，进而导致识别出的医学图像中的病灶位置精确性较低。
本申请提供的一种图像处理方法、装置及设备，旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图1为本申请实施例提供的一种图像处理方法的流程示意图，如图1所示，该方法包括：
101、获取多个待识别图像。
示例性地，本实施例的执行主体可以为电子设备、或者终端设备、或者图像处理装置或设备、或者其他可以执行本实施例的装置或设备，对此不做限制。本实施例中以执行主体为电子设备进行介绍。
首先，电子设备需要获取多个待识别图像。示例性地，图2为本申请实施例提供的另一种图像处理方法的流程示意图，根据图2可知，第一步是调窗，把原始图像，例如肝脏CT图像的灰度值小于-100的全部设置为-100，即把-100以下的灰度范围全部设置为黑色，把肝脏CT图像的灰度值大于400的全部设置为400，把400以上的灰度范围全部设置为白色，这样增强了肝脏及其肿瘤的黑白对比的程度；第二步是图像增强，通过图像的去噪、均衡化、归一化等操作，达到图像增强的目的；第三步是图像的裁块，由于原图像为512×512，像素过大，不利于网络训练，将图像裁剪为256×256；第四步是将处理好的图像送入到训练好的混合U-Net网络中进行训练，通过多次训练获得肝脏及肝脏肿瘤的预测图像。所以，电子设备需要获取的多个待识别图像，是通过以上第一步、第二步、以及第三步对原始图像裁剪得到的。
102、根据预设的混合U-Net网络算法中的编码算法，对待识别图像进行二维卷积处理和三维卷积处理，得到初步特征图；其中，混合U-Net网络算法包括编码算法和解码算法，编码算法和解码算法均用于通过残差学习网络在二维卷积层和三维卷积层对图像进行卷积处理。
示例性地，U-Net网络是使用全卷积网络进行语义分割的一种算法，混合U-Net网络算法是基于U-Net网络进行改进的，是经典的左半部分编码结构和右半部分解码结构。图3为本申请实施例提供的一种混合U-Net网络算法的结构示意图，根据图3可知，编码部分的编码算法包含五层卷积，其中，二维卷积层L1、L2均是二维卷积运算，三维卷积层L3、L4、L5均是三维卷积运算，并且该五层卷积引入了残差学习网络；解码部分与编码部分对称的前两层是三维卷积运算，后面两层是二维卷积运算，最后一层是卷积与归一化指数函数（Normalized exponential function，Softmax函数）运算，并且该五层卷积也引入了残差学习网络，这是因为医学图像层面内的分辨率大约是层面间分辨率的4倍，经过两层二维卷积运算，层面内的分辨率和层面间的分辨率相同，接着便可以使用三维卷积进行运算。将连续若干个相邻的二维图像输入到混合U-Net网络算法中，先通过二维卷积神经网络，依次在二维卷积层L1、L2提取图像的浅层信息，确定肝脏及其肿瘤的位置信息，然后将粗分割的图像按照原先的顺序进行图像堆叠，然后输入到三维卷积神经网络中，依次在三维卷积层L3、L4、L5提取图像深层次的信息，可以让全卷积神经网络（Fully Convolution Network，FCN）获得更好的位置信息，从而提高了网络的分割精度。
103、根据解码算法对初步特征图进行解码处理，得到目标特征图；其中，目标特征图表征通过解码处理得到的多个像素点，多个像素点包括目标位置所占用的像素点、以及目标位置以外的背景所占用的像素点。
示例性地，电子设备根据解码算法中的残差学习网络，在二个三维卷积层依次对初步特征图进行三维卷积处理，得到三维特征图像，在二个二维卷积层依次对三维特征图进行二维卷积处理，得到卷积特征图，最后利用预设的Softmax函数，对卷积特征图进行卷积处理，得到目标特征图，目标特征图表征通过解码处理得到的多个像素点，多个像素点包括目标位置所占用的像素点、以及目标位置以外的背景所占用的像素点，进而可以确定出目标位置。
本申请实施例中，获取多个待识别图像。根据预设的混合U-Net网络算法中的编码算法，对待识别图像进行二维卷积处理和三维卷积处理，得到初步特征图；其中，混合U-Net网络算法包括编码算法和解码算法，编码算法和解码算法均用于通过残差学习网络在二维卷积层和三维卷积层对图像进行卷积处理。根据解码算法对初步特征图进行解码处理，得到目标特征图；其中，目标特征图表征通过解码处理得到的多个像素点，多个像素点包括目标位置所占用的像素点、以及目标位置以外的背景所占用的像素点。本方案中，根据预设的混合U-Net网络算法中编码算法的残差学习网络，依次在二维卷积层对待识别图像进行二维卷积处理、以及在三维卷积层做三维卷积处理，得到初步特征图，最后根据解码算法中的残差学习网络，对初步特征图进行解码处理，得到目标特征图。所以，对待识别图像进行识别处理时，通过残差学习网络进行二维卷积运算和三维卷积运算，可以提取待识别图像的浅层信息和深层次的信息，防止肝脏及其肿瘤训练过程中出现梯度消失与过拟合的问题，进而可以获得更好的目标位置的信息，从而提高了网络的分割精度，实现了识别出的医学图像中的病灶位置精确性较低的技术问题。
图4为本申请实施例提供的又一种图像处理方法的流程示意图，如图4所示，该方法包括：
201、获取多个待识别图像。
示例性地，本步骤可以参见图1中的步骤101，不再赘述。
202、根据预设的混合U-Net网络算法中编码算法的残差学习网络，在二维卷积层对待识别图像进行二维卷积处理，得到二维特征图；其中，编码算法的二维卷积层包括2层。
示例性地，电子设备可以根据预设的混合U-Net网络算法中编码算法的残差学习网络，依次在二维卷积层L1、L2对各待识别图像进行二维卷积处理，得到二维特征图，进而可以根据二维特征图确定肝脏及其肿瘤的位置信息，最后，可以将粗分割的各二维特征图按照原始图像的组成顺序进行图像拼接，形成一个完整的图像。
203、在三维卷积层对二维特征图进行三维卷积处理，得到初步特征图；其中，编码算法的三维卷积层包括3层。
示例性地，电子设备可以依次在三维卷积层L3、L4、L5对二维特征图进行三维卷积处理，提取二维特征图中深层次的信息，可以让全卷积神经网络获得更好的位置信息。
204、根据预设的空洞卷积算法，对初步特征图进行空洞卷积处理，得到第一特征图；其中，第一特征图的感受野大于初步特征图的感受野，感受野表征第一特征图中局部特征图的像素点在待识别图像上的映射区域。
示例性地，如图5所示，图5为本申请实施例提供的一种空洞卷积算法的场景示意图，根据图5可知，空洞卷积算法包括原特征图在内有五条不同膨胀率组合成空洞卷积分支，其中，原特征图为二维卷积前的待识别图像。电子设备可以根据空洞卷积算法中的五条不同膨胀率组合成得空洞卷积分支，对初步特征图进行空洞卷积处理，得到第一特征图，通过增加空洞卷积，在不损害图像的分辨率的情况下，提升图像特征提取的感受野，弥补了前面深层卷积下采样过程中图像信息分辨率的丢失，增加了图像的全局信息。用扩张率参数可以增大图像的感受野，对于肿瘤的检测和分割精度的提升有很好的作用。感受野是通过规定的卷积核做卷积运算处理后，得到的局部特征图的像素点在待识别图像上映射区域大小，其卷积核和感受野的公式如下：
Figure 293910DEST_PATH_IMAGE001
其中，ksize为第一个二维卷积层L1中卷积核的大小，r1为空洞卷积核的感受野的大小，d为dilation rate，（d-1）的大小为填入的空格数，stride为卷积运算的步长，RFi为上一层的感受野，RFi+1为当前的
感受野。
在步骤204之后，步骤205和步骤206为并列方案，步骤205和步骤206分别如下：
205、根据预设的空间位置注意力算法，对第一特征图分别进行1×1卷积运算处理，得到多个第二特征图；对多个第二特征图进行尺寸重塑处理、维度变换处理、以及乘法处理，得到第一通道注意力热图；对第一通道注意力热图与第一特征图做求和处理，得到第三特征图。
示例性地，如图6所示，图6为本申请实施例提供的一种空间位置注意力算法的场景示意图，根据图6可知，电子设备首先将第一特征图A的尺寸重塑为C×N，其中N为D×H×W；第一特征图A分别经过三个1×1卷积运算后，得到分别B、C、D三个第二特征图；第二特征图B经过尺寸重塑和维度变换得到E，尺寸大小由原先的C×D×H×W变为N×C ，其中N为D×H×W；E与第二特征图C经过尺寸重塑后的结果相乘，经过softmax函数得到空间监督图S，大小为N×N；S与第二特征图D经过尺寸重塑的结果相乘得到第一通道注意力热图，将第一通道注意力热图再乘以尺度系数α后，经过尺寸重塑，把第一通道注意力热图恢复到原先的尺寸，再经过尺寸重塑，最后与第一特征图A相加得到空间位置注意力算法的输出，即第三特征图G。
S矩阵的元素如公式如下：
Figure 351864DEST_PATH_IMAGE002
其中，Bi为B的元素，Ci为C的元素，Sji测量的是特征图中第i个位置的像素对第j个位置的像素的影响，两个位置的特征表示越相似，它们
的关联性就越大，反之，则关联性就越小。
空间位置注意力算法的公式如下：
Figure 489585DEST_PATH_IMAGE003
其中，S矩阵的元素是Sji，α为尺度因子，初始化为0，在训练的过程中逐步分配更多的权重，Di为D的元素，Aj为A的元素。从空间位置注意力算法的输出公式可以看出，Ej是所有位置的特征与第一特征图A的和，因此，空间位置注意力算法包含图像的上下文信息并且根据图像的空间位置特征图选择性的聚合上下文，突出重点位置的特征，提高图像的分割精度，在分支空洞卷积后添加1×1卷积运算，可以在保持特征尺度不变的前提下添加了非线性特性，使网络表达出更复杂的特征。
206、根据预设的通道注意力算法，对第一特征图进行尺寸重塑处理、维度变换处理、以及乘法处理，得到第二通道注意力热图；对第二通道注意力热图与第一特征图做求和处理，得到第四特征图。
示例性地，由于每个卷积层都包含若干滤波器，通过卷积滤波器可以学习到图像的局部感受野区域中的通道信息，如图7所示，图7为本申请实施例提供的一种通道注意力算法的场景示意图，对于二维图像的卷积并得到二维特征图，获取二维特征图中的二维参数信息，二维参数信息包含图像的长度、宽度和通道像素点；对于三维的图像并得到初步特征图，获取初步特征图中的三维参数信息，三维参数信息包含图像的长度、宽度、高度和通道。通过增加通道注意力算法，可以整合所有通道图之间的关联特征，整合过程包括：学习每个通道的权重，根据特征图中每个通道的比重进行特征重组，经过全局下采样、卷积运算和激活函数（例如softmax函数）处理，通过对通道特征进行编码，得到第二通道注意力热图，将经过二维卷积处理的特征图、以及经过三维卷积处理的特征图，均与第二通道注意力热图两种元素相乘，这样可以整合所有通道之间的依赖关系。
与空间位置注意力机制不同，通道注意力机制的操作步骤如下：首先将第一特征图A的尺寸重塑为C×N，其中N为D×H×W ；将第一特征图A经过尺寸重塑后得到B，其大小为N×C，B经过softmax函数得到X，其大小为C×C；X与第一特征图A经过尺寸重塑的结果B相乘，得到第二通道注意力热图，再对第二通道注意力热图乘以尺度系数β后，经过尺寸重塑，把第二通道注意力热图恢复到预先的尺寸，最后与第一特征图A相加得到通道注意力算法的输出，即第四特征图E。
X矩阵的元素如公式如下：
Figure 309380DEST_PATH_IMAGE004
其中，Ai、Aj是A的元素，Xji测量的是特征图中第ith个通道对第jth个通道的影响，两个位置的特征表示越相似，它们的关联性就越大，反之，则关联性就越小。
通道注意力算法的公式如下：
Figure 532551DEST_PATH_IMAGE005
其中，
Figure 128617DEST_PATH_IMAGE006
为尺度因子，初始化为0，在训练的过程中逐步分配更多的权重，Aj是A的 元素，Xji矩阵X的元素。从通道注意力算法的输出公式可以看出，Ej是所有通道的特征和原 始特征A的和，从而建立通道的依赖关系，提高特征的辨别性。
207、对第三特征图、以及第四特征图进行残差连接处理，并通过预设的线性整流函数进行处理，得到第五特征图；其中，第五特征图表征经过多次卷积的初步特征图。
示例性地，如图8所示，图8为本申请实施例提供的一种残差双注意力模块的场景示意图，根据图8可知，空间位置注意力算法与通道注意力算法是并联的，空间位置注意力算法输出第三特征图U，通道注意力算法输出第四特征图V，电子设备可以对第三特征图U、以及第四特征图V进行残差连接处理，并通过预设的线性整流函数（Linear rectificationfunction，ReLU）进行处理，得到第五特征图，即经过多次卷积的初步特征图。
208、根据解码算法中的残差学习网络，在三维卷积层对初步特征图进行三维卷积处理，得到三维特征图像；其中，解码算法中的三维卷积层包括2层。
示例性地，电子设备可以根据解码算法中的残差学习网络，依次在2个三维卷积层对初步特征图进行三维卷积处理，得到三维特征图像。
209、在二维卷积层对三维特征图进行二维卷积处理，得到卷积特征图；其中，解码算法中的二维卷积层包括2层。
示例性地，电子设备可以依次在2个二维卷积层对三维特征图进行二维卷积处理，得到卷积特征图。
210、利用预设的归一化指数函数，对卷积特征图进行卷积处理，得到目标特征图；其中，目标特征图表征通过解码处理得到的多个像素点，多个像素点包括目标位置所占用的像素点、以及目标位置以外的背景所占用的像素点。
示例性地，电子设备可以利用预设的softmax函数，对卷积特征图进行卷积处理，得到目标特征图，目标特征图表征通过解码处理得到的多个像素点，多个像素点包括目标位置所占用的像素点、以及目标位置以外的背景所占用的像素点，进而可以根据像素点显示出目标位置。
本申请实施例中，获取多个待识别图像。根据预设的混合U-Net网络算法中编码算法的残差学习网络，在二维卷积层对待识别图像进行二维卷积处理，得到二维特征图；其中，编码算法的二维卷积层包括2层。在三维卷积层对二维特征图进行三维卷积处理，得到初步特征图；其中，编码算法的三维卷积层包括3层。根据预设的空洞卷积算法，对初步特征图进行空洞卷积处理，得到第一特征图；其中，第一特征图的感受野大于初步特征图的感受野，感受野表征第一特征图中局部特征图的像素点在待识别图像上的映射区域。根据预设的空间位置注意力算法，对第一特征图分别进行1×1卷积运算处理，得到多个第二特征图；对多个第二特征图进行尺寸重塑处理、维度变换处理、以及乘法处理，得到第一通道注意力热图；对第一通道注意力热图与第一特征图做求和处理，得到第三特征图。根据预设的通道注意力算法，对第一特征图进行尺寸重塑处理、维度变换处理、以及乘法处理，得到第二通道注意力热图；对第二通道注意力热图与第一特征图做求和处理，得到第四特征图。对第三特征图、以及第四特征图进行残差连接处理，并通过预设的线性整流函数进行处理，得到第五特征图。根据解码算法中的残差学习网络，在三维卷积层对初步特征图进行三维卷积处理，得到三维特征图像；其中，解码算法中的三维卷积层包括2层。在二维卷积层对三维特征图进行二维卷积处理，得到卷积特征图；其中，解码算法中的二维卷积层包括2层。利用预设的归一化指数函数，对卷积特征图进行卷积处理，得到目标特征图；其中，目标特征图表征通过解码处理得到的多个像素点，多个像素点包括目标位置所占用的像素点、以及目标位置以外的背景所占用的像素点。所以，对待识别图像进行识别处理时，通过残差学习网络进行二维卷积运算和三维卷积运算，可以提取待识别图像的浅层信息和深层次的信息，防止肝脏及其肿瘤训练过程中出现梯度消失与过拟合的问题，进而可以获得更好的目标位置的信息，从而提高了网络的分割精度，实现了识别出的医学图像中的病灶位置精确性较低的技术问题。并且，在二维卷积运算和三维卷积运算的输出部分添加空洞卷积模块，可以减少特征损失同时可以增大肝脏及其肿瘤的视野感知域，提高肝脏及其肿瘤图像的目标检测和分类精度，增强目标检测对图像背景、目标分布情况的分析能力，提高肝脏及其肿瘤图像中尺度大小不一、背景复杂、肿瘤边界难分的目标检测和分类的精度；同时通过引入空间位置注意力算法和通道注意力算法，将空间位置维度和通道维度的语义信息进行关联，增强通道、空间位置的依赖关系，进而增强网络的特征表达能力，从而实现更精确的分割。
示例性地，图9为本申请实施例提供的再一种图像处理方法的流程示意图。
图10为本申请实施例提供的一种图像处理装置的结构示意图，如图10所示，该装置包括：
第一获取单元31，用于获取多个待识别图像。
第一卷积单元32，用于根据预设的混合U-Net网络算法中的编码算法，对待识别图像进行二维卷积处理和三维卷积处理，得到初步特征图；其中，混合U-Net网络算法包括编码算法和解码算法，编码算法和解码算法均用于通过残差学习网络在二维卷积层和三维卷积层对图像进行卷积处理。
解码单元33，用于根据解码算法对初步特征图进行解码处理，得到目标特征图；其中，目标特征图表征通过解码处理得到的多个像素点，多个像素点包括目标位置所占用的像素点、以及目标位置以外的背景所占用的像素点。
本实施例的装置，可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。
图11为本申请实施例提供的另一种图像处理装置的结构示意图，在图10所示实施例的基础上，如图11所示，第一卷积单元32，包括：
第一卷积模块321，用于根据预设的混合U-Net网络算法中编码算法的残差学习网络，在二维卷积层对待识别图像进行二维卷积处理，得到二维特征图；其中，编码算法的二维卷积层包括2层。
第二卷积模块322，用于在三维卷积层对二维特征图进行三维卷积处理，得到初步特征图；其中，编码算法的三维卷积层包括3层。
一个示例中，解码单元33，包括：
第三卷积模块331，用于根据解码算法中的残差学习网络，在三维卷积层对初步特征图进行三维卷积处理，得到三维特征图像；其中，解码算法中的三维卷积层包括2层。
第四卷积模块332，用于在二维卷积层对三维特征图进行二维卷积处理，得到卷积特征图；其中，解码算法中的二维卷积层包括2层。
第五卷积模块333，用于利用预设的归一化指数函数，对卷积特征图进行卷积处理，得到目标特征图；其中，目标特征图表征通过解码处理得到的多个像素点，多个像素点包括目标位置所占用的像素点、以及目标位置以外的背景所占用的像素点。
一个示例中，该装置还包括：
第二卷积单元41，用于在根据预设的混合U-Net网络算法中的编码算法，对待识别图像进行二维卷积处理和三维卷积处理，得到初步特征图之后，根据预设的空洞卷积算法，对初步特征图进行空洞卷积处理，得到第一特征图；其中，第一特征图的感受野大于初步特征图的感受野，感受野表征第一特征图中局部特征图的像素点在待识别图像上的映射区域。
一个示例中，该装置还包括：
第三卷积单元42，用于根据预设的空间位置注意力算法，对第一特征图分别进行1×1卷积运算处理，得到多个第二特征图。
第一处理单元43，用于对多个第二特征图进行尺寸重塑处理、维度变换处理、以及乘法处理，得到第一通道注意力热图。
第二处理单元44，用于对第一通道注意力热图与第一特征图做求和处理，得到第三特征图。
一个示例中，该装置还包括：
第二获取单元45，用于根据预设的通道注意力算法，对第一特征图进行尺寸重塑处理、维度变换处理、以及乘法处理，得到第二通道注意力热图。
第三处理单元46，用于对第二通道注意力热图与第一特征图做求和处理，得到第四特征图。
一个示例中，该装置还包括：
残差单元47，用于对第三特征图、以及第四特征图进行残差连接处理，并通过预设的线性整流函数进行处理，得到第五特征图；其中，第五特征图表征经过多次卷积的初步特征图。
本实施例的装置，可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。
图12为本申请实施例提供的一种电子设备的结构示意图，如图12所示，电子设备包括：存储器51，处理器52；
存储器51中存储有可在处理器52上运行的计算机程序。
处理器52被配置为执行如上述实施例提供的方法。
电子设备还包括接收器53和发送器54。接收器53用于接收外部设备发送的指令和数据，发送器54用于向外部设备发送指令和数据。
图13是本申请实施例提供的一种电子设备的框图，该电子设备可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
装置600可以包括以下一个或多个组件：处理组件602，存储器604，电源组件606，多媒体组件608，音频组件610，输入/输出（I/ O）接口612，传感器组件614，以及通信组件616。
处理组件602通常控制装置600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在装置600的操作。这些数据的示例包括用于在装置600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。
电源组件606为装置600的各种组件提供电力。电源组件606可以包括电源管理***，一个或多个电源，及其他与为装置600生成、管理和分配电力相关联的组件。
多媒体组件608包括在装置600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器（LCD）和触摸面板（TP）。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当装置600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风（MIC），当装置600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。
I/ O接口612为处理组件602和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器，用于为装置600提供各个方面的状态评估。例如，传感器组件614可以检测到装置600的打开/关闭状态，组件的相对定位，例如组件为装置600的显示器和小键盘，传感器组件614还可以检测装置600或装置600一个组件的位置改变，用户与装置600接触的存在或不存在，装置600方位或加速/减速和装置600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件616被配置为便于装置600和其他设备之间有线或无线方式的通信。装置600可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件616经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，通信组件616还包括近场通信（NFC）模块，以促进短程通信。例如，在NFC模块可基于射频识别（RFID）技术，红外数据协会（IrDA）技术，超宽带（UWB）技术，蓝牙（BT）技术和其他技术来实现。
在示例性实施例中，装置600可以被一个或多个应用专用集成电路（ASIC）、数字信号处理器（DSP）、数字信号处理设备（DSPD）、可编程逻辑器件（PLD）、现场可编程门阵列（FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器604，上述指令可由装置600的处理器620执行以完成上述方法。例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
本申请实施例还提供了一种非临时性计算机可读存储介质，当该存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述实施例提供的方法。
本申请实施例还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。

Claims (17)

1.一种图像处理方法，其特征在于，包括：
获取多个待识别图像；
根据预设的混合U-Net网络算法中的编码算法，对所述待识别图像进行二维卷积处理和三维卷积处理，得到初步特征图；其中，所述混合U-Net网络算法包括编码算法和解码算法，所述编码算法和所述解码算法均用于通过残差学习网络在二维卷积层和三维卷积层对图像进行卷积处理；
根据所述解码算法对所述初步特征图进行解码处理，得到目标特征图；其中，所述目标特征图表征通过解码处理得到的多个像素点，多个所述像素点包括目标位置所占用的像素点、以及所述目标位置以外的背景所占用的像素点。
2.根据权利要求1所述的方法，其特征在于，根据预设的混合U-Net网络算法中的编码算法，对所述待识别图像进行二维卷积处理和三维卷积处理，得到初步特征图，包括：
根据预设的混合U-Net网络算法中编码算法的残差学习网络，在二维卷积层对所述待识别图像进行二维卷积处理，得到二维特征图；其中，所述编码算法的二维卷积层包括2层；
在三维卷积层对所述二维特征图进行三维卷积处理，得到初步特征图；其中，所述编码算法的三维卷积层包括3层。
3.根据权利要求1所述的方法，其特征在于，根据所述解码算法对所述初步特征图进行解码处理，得到目标特征图，包括：
根据所述解码算法中的残差学习网络，在三维卷积层对所述初步特征图进行三维卷积处理，得到三维特征图像；其中，所述解码算法中的三维卷积层包括2层；
在二维卷积层对所述三维特征图进行二维卷积处理，得到卷积特征图；其中，所述解码算法中的二维卷积层包括2层；
利用预设的归一化指数函数，对所述卷积特征图进行卷积处理，得到目标特征图；其中，所述目标特征图表征通过解码处理得到的多个像素点，多个所述像素点包括目标位置所占用的像素点、以及所述目标位置以外的背景所占用的像素点。
4.根据权利要求1所述的方法，其特征在于，在根据预设的混合U-Net网络算法中的编码算法，对所述待识别图像进行二维卷积处理和三维卷积处理，得到初步特征图之后，还包括：
根据预设的空洞卷积算法，对所述初步特征图进行空洞卷积处理，得到第一特征图；其中，所述第一特征图的感受野大于初步特征图的感受野，所述感受野表征第一特征图中局部特征图的像素点在待识别图像上的映射区域。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
根据预设的空间位置注意力算法，对所述第一特征图分别进行1×1卷积运算处理，得到多个第二特征图；
对多个所述第二特征图进行尺寸重塑处理、维度变换处理、以及乘法处理，得到第一通道注意力热图；
对所述第一通道注意力热图与所述第一特征图做求和处理，得到第三特征图。
6.根据权利要求4所述的方法，其特征在于，所述方法还包括：
根据预设的通道注意力算法，对所述第一特征图进行尺寸重塑处理、维度变换处理、以及乘法处理，得到第二通道注意力热图；
对所述第二通道注意力热图与所述第一特征图做求和处理，得到第四特征图。
7.根据权利要求5-6任一项所述的方法，其特征在于，所述方法还包括：
对第三特征图、以及第四特征图进行残差连接处理，并通过预设的线性整流函数进行处理，得到第五特征图；其中，所述第五特征图表征经过多次卷积的初步特征图。
8.一种图像处理装置，其特征在于，包括：
第一获取单元，用于获取多个待识别图像；
第一卷积单元，用于根据预设的混合U-Net网络算法中的编码算法，对所述待识别图像进行二维卷积处理和三维卷积处理，得到初步特征图；其中，所述混合U-Net网络算法包括编码算法和解码算法，所述编码算法和所述解码算法均用于通过残差学习网络在二维卷积层和三维卷积层对图像进行卷积处理；
解码单元，用于根据所述解码算法对所述初步特征图进行解码处理，得到目标特征图；其中，所述目标特征图表征通过解码处理得到的多个像素点，多个所述像素点包括目标位置所占用的像素点、以及所述目标位置以外的背景所占用的像素点。
9.根据权利要求8所述的装置，其特征在于，所述第一卷积单元，包括：
第一卷积模块，用于根据预设的混合U-Net网络算法中编码算法的残差学习网络，在二维卷积层对所述待识别图像进行二维卷积处理，得到二维特征图；其中，所述编码算法的二维卷积层包括2层；
第二卷积模块，用于在三维卷积层对所述二维特征图进行三维卷积处理，得到初步特征图；其中，所述编码算法的三维卷积层包括3层。
10.根据权利要求8所述的装置，其特征在于，所述解码单元，包括：
第三卷积模块，用于根据所述解码算法中的残差学习网络，在三维卷积层对所述初步特征图进行三维卷积处理，得到三维特征图像；其中，所述解码算法中的三维卷积层包括2层；
第四卷积模块，用于在二维卷积层对所述三维特征图进行二维卷积处理，得到卷积特征图；其中，所述解码算法中的二维卷积层包括2层；
第五卷积模块，用于利用预设的归一化指数函数，对所述卷积特征图进行卷积处理，得到目标特征图；其中，所述目标特征图表征通过解码处理得到的多个像素点，多个所述像素点包括目标位置所占用的像素点、以及所述目标位置以外的背景所占用的像素点。
11.根据权利要求8所述的装置，其特征在于，所述装置还包括：
第二卷积单元，用于在根据预设的混合U-Net网络算法中的编码算法，对所述待识别图像进行二维卷积处理和三维卷积处理，得到初步特征图之后，根据预设的空洞卷积算法，对所述初步特征图进行空洞卷积处理，得到第一特征图；其中，所述第一特征图的感受野大于初步特征图的感受野，所述感受野表征第一特征图中局部特征图的像素点在待识别图像上的映射区域。
12.根据权利要求11所述的装置，其特征在于，所述装置还包括：
第三卷积单元，用于根据预设的空间位置注意力算法，对所述第一特征图分别进行1×1卷积运算处理，得到多个第二特征图；
第一处理单元，用于对多个所述第二特征图进行尺寸重塑处理、维度变换处理、以及乘法处理，得到第一通道注意力热图；
第二处理单元，用于对所述第一通道注意力热图与所述第一特征图做求和处理，得到第三特征图。
13.根据权利要求11所述的装置，其特征在于，所述装置还包括：
第二获取单元，用于根据预设的通道注意力算法，对所述第一特征图进行尺寸重塑处理、维度变换处理、以及乘法处理，得到第二通道注意力热图；
第三处理单元，用于对所述第二通道注意力热图与所述第一特征图做求和处理，得到第四特征图。
14.根据权利要求12-13任一项所述的装置，其特征在于，所述装置还包
括：
残差单元，用于对第三特征图、以及第四特征图进行残差连接处理，并通过预设的线性整流函数进行处理，得到第五特征图；其中，所述第五特征图表征经过多次卷积的初步特征图。
15.一种电子设备，其特征在于，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1-7中任一项所述的方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-7任一项所述的方法。
17.一种计算机程序产品，其特征在于，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法。
CN202210339991.0A 2022-04-02 2022-04-02 图像处理方法、装置及设备 Pending CN114494442A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210339991.0A CN114494442A (zh) 2022-04-02 2022-04-02 图像处理方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210339991.0A CN114494442A (zh) 2022-04-02 2022-04-02 图像处理方法、装置及设备

Publications (1)

Publication Number Publication Date
CN114494442A true CN114494442A (zh) 2022-05-13

Family

ID=81489163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210339991.0A Pending CN114494442A (zh) 2022-04-02 2022-04-02 图像处理方法、装置及设备

Country Status (1)

Country Link
CN (1) CN114494442A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018862A (zh) * 2022-05-26 2022-09-06 杭州深睿博联科技有限公司 一种基于混合神经网络的肝脏肿瘤分割方法及装置
CN115170510A (zh) * 2022-07-04 2022-10-11 北京医准智能科技有限公司 一种病灶检测方法、装置、电子设备及可读存储介质
CN116245951A (zh) * 2023-05-12 2023-06-09 南昌大学第二附属医院 脑组织出血定位分类和出血量化方法、设备、介质和程序

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110335217A (zh) * 2019-07-10 2019-10-15 东北大学 一种基于3d残差编码解码的医学图像降噪方法
CN110889852A (zh) * 2018-09-07 2020-03-17 天津大学 基于残差-注意力深度神经网络的肝脏分割方法
CN111179237A (zh) * 2019-12-23 2020-05-19 北京理工大学 一种肝脏以及肝脏肿瘤的图像分割方法和装置
CN112508973A (zh) * 2020-10-19 2021-03-16 杭州电子科技大学 一种基于深度学习的mri图像分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889852A (zh) * 2018-09-07 2020-03-17 天津大学 基于残差-注意力深度神经网络的肝脏分割方法
CN110335217A (zh) * 2019-07-10 2019-10-15 东北大学 一种基于3d残差编码解码的医学图像降噪方法
CN111179237A (zh) * 2019-12-23 2020-05-19 北京理工大学 一种肝脏以及肝脏肿瘤的图像分割方法和装置
CN112508973A (zh) * 2020-10-19 2021-03-16 杭州电子科技大学 一种基于深度学习的mri图像分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王辉涛等: "基于全局时空感受野的高效视频分类方法", 《小型微型计算机***》 *
马金林等: "肝脏肿瘤CT图像深度学习分割方法综述", 《中国图象图形学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018862A (zh) * 2022-05-26 2022-09-06 杭州深睿博联科技有限公司 一种基于混合神经网络的肝脏肿瘤分割方法及装置
CN115170510A (zh) * 2022-07-04 2022-10-11 北京医准智能科技有限公司 一种病灶检测方法、装置、电子设备及可读存储介质
CN116245951A (zh) * 2023-05-12 2023-06-09 南昌大学第二附属医院 脑组织出血定位分类和出血量化方法、设备、介质和程序
CN116245951B (zh) * 2023-05-12 2023-08-29 南昌大学第二附属医院 脑组织出血定位分类和出血量化方法、设备、介质和程序

Similar Documents

Publication Publication Date Title
CN109670397B (zh) 人体骨骼关键点的检测方法、装置、电子设备及存储介质
CN106651955B (zh) 图片中目标物的定位方法及装置
CN107798669B (zh) 图像去雾方法、装置及计算机可读存储介质
CN108629354B (zh) 目标检测方法及装置
CN109889724B (zh) 图像虚化方法、装置、电子设备及可读存储介质
CN112767329B (zh) 图像处理方法及装置、电子设备
CN114494442A (zh) 图像处理方法、装置及设备
CN106778773B (zh) 图片中目标物的定位方法及装置
CN106557759B (zh) 一种标志牌信息获取方法及装置
CN107845062B (zh) 图像生成方法及装置
CN111461182B (zh) 图像处理方法、图像处理装置及存储介质
CN107133354B (zh) 图像描述信息的获取方法及装置
CN112508974B (zh) 图像分割模型的训练方法、装置、电子设备和存储介质
KR102367648B1 (ko) 전 방향 시차 영상 합성 방법, 장치 및 저장 매체
CN114140611A (zh) 显著目标检测方法及装置、电子设备和存储介质
CN115223018B (zh) 伪装对象协同检测方法及装置、电子设备和存储介质
CN112036307A (zh) 图像处理方法及装置、电子设备和存储介质
CN114120034A (zh) 一种图像分类方法、装置、电子设备及存储介质
CN115083021A (zh) 对象姿态识别方法及装置、电子设备和存储介质
CN117529753A (zh) 图像分割模型的训练方法、图像分割方法和装置
CN114612790A (zh) 图像处理方法及装置、电子设备和存储介质
CN114863392A (zh) 车道线检测方法、装置、车辆及存储介质
CN109711386B (zh) 获取识别模型的方法、装置、电子设备及存储介质
CN113473012A (zh) 虚化处理方法、装置和电子设备
CN112036487A (zh) 图像处理方法及装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220513