全卷积神经网络模型、图像分割方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113724263A(43)申请公布日2021.11.30(21)申请号202010456769.X(22)申请日2020.05.26(71)申请人上海微创卜算子医疗科技有限公司地址201203上海市浦东新区中国(上海)自由贸易试验区张东路1601号1幢1702室(实际楼层15层)(72)发明人陈俊强杨溪吕文尔(74)专利代理机构上海思捷知识产权代理有限公司31295代理人王宏婧(51)Int.Cl.G06T7/11(2017.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书13页附图5页(54)发明名称全卷积神经网络模型、图像分割方法及装置(57)摘要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。CN113724263ACN113724263A权利要求书1/2页1.一种图像分割装置，其特征在于，包括：获取模块，用于获取待分割的目标图像；分割模块，用于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。2.根据权利要求1所述的图像分割装置，其特征在于，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。3.根据权利要求2所述的图像分割装置，其特征在于，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。4.根据权利要求2所述的图像分割装置，其特征在于，所述并联分支的数量为3个。5.根据权利要求2所述的图像分割装置，其特征在于，所述串联分支包括一个大小为1×1×1的卷积层。6.根据权利要求1所述的图像分割装置，其特征在于，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。7.根据权利要求6所述的图像分割装置，其特征在于，所述编码网络包括n+1个级联的第一残差连接，所述解码网络包括n个级联的第二残差连接。8.根据权利要求1所述的图像分割装置，其特征在于，所述获取模块获取待分割的目标图像的步骤包括：获取待分割的原始图像，并对所述原始图像进行预处理，以将所述原始图像中的噪声去除，得到所述目标图像。9.一种全卷积神经网络模型，其特征在于，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。10.根据权利要求9所述的全卷积神经网络模型，其特征在于，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。11.根据权利要求10所述的全卷积神经网络模型，其特征在于，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。12.根据权利要求10所述的全卷积神经网络模型，其特征在于，所述并联分支的数量为2CN113724263A权利要求书2/2页3个。13.根据权利要求10所述的全卷积神经网络模型，其特征在于，所述串联分支包括一个大小为1×1×1的卷积层。14.根据权利要求9所述的全卷积神经网络模型，其特征在于，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