1.本发明涉及医学图像处理技术领域，特别涉及一种肌瘤类生物组织的分割 方法及电子设备。
背景技术：2.肌瘤是生殖器官中最常见的一种肿瘤。例如，子宫肌瘤等。肌瘤检查有多 种方式。临床中，超声检查为最常用的诊断方法。它可显示肌瘤的数目、部位、 大小及肌瘤内部是否出现钙化、囊变等样变。
3.目前，基于超声进行肌瘤类生物组织的分割方法主要集中在传统图像处理 领域，即基于肌瘤类生物组织的图像中的像素分布设定特定阈值，将高于或低 于阈值的区域判定为所选区域并进行分割。但是，此方法需要预设阈值，且该 阈值不能灵活更改。该方法只适合识别场景单一、图像中前景背景区分度高的 情况。但是由于超声图像噪声多，且肌瘤类的生物组织在图像中形态、灰度各 异。所以使用现有技术中的方式会导致分割肌瘤类生物组织的准确率较低。
技术实现要素：4.本公开示例性的实施方式中提供一种肌瘤类生物组织的分割方法及电子 设备，用于提高分割肌瘤类生物组织的准确率。
5.本公开的第一方面提供一种肌瘤类生物组织的分割方法，所述方法包括：
6.对肌瘤类生物组织的医学图像连续进行多次特征提取，得到各第一特征 图，其中，第一特征图的数量与特征提取的次数相同；
7.针对任一第一特征图，基于空间通道注意力机制分别对所述第一特征图进 行空间转换和通道特征提取，得到第二特征图；
8.对各第二特征图分别进行上采样，得到各上采样特征图，并对各上采样特 征图分别进行至少一次的通道压缩和特征提取，得到第三特征图，其中，同一 上采样特征图通道压缩的次数与其特征提取的次数相同，不同上采样特征图进 行通道压缩和特征提取的次数不同，且任一上采样特征图每次先进行一次通道 压缩，再进行一次特征提取，后一通道压缩使用的图像为前一特征提取得到的 特征图和所述上采样特征图融合后的图像；
9.利用所述第三特征图和基于所述各第二特征图得到的第四特征图，得到所 述肌瘤类生物组织的结构。
10.本实施例中通过对肌瘤类生物组织的医学图像连续进行多次特征提取，得 到多个第一特征图，并对该第一特征图进行空间转换和通道特征提取得到第二 特征图，对各所述第二特征图分别进行上采样，并对各上采样后的第二特征图 分别进行至少一次的通道压缩和至少一次的特征提取，得到第三特征图，最后 将所述第三特征图和对所述第二特征图进行解码得到的第四特征图进行融合， 得到肌瘤类生物组织的结构。由此，本实施例通过神经网络的方式对肌瘤类生 物组织进行自动分割，并不需要预设阈值，提高了分割肌瘤
类的肌瘤类生物组 织的准确率。
11.在一个实施例中，所述对肌瘤类生物组织的医学图像连续进行多次特征提 取，得到各第一特征图，包括：
12.依序采用多个编码器分别对所述医学图像连续进行多次特征提取，得到所 述各第一特征图，其中，所述各第一特征图的数量与所述多个编码器的数量相 同，且后一编码器所输入的图像为前一编码器输出的第一特征图。
13.本实施例通过采用多个编码器分别对所述医学图像连续进行多次特征提 取，得到所述多个第一特征图，可以提取到更多维度的特征信息，进一步提高 分割的准确率。
14.在一个实施例中，所述依序采用多个编码器分别对所述医学图像连续进行 多次特征提取，得到所述各第一特征图，包括：
15.针对任意一个编码器，执行以下步骤：
16.利用所述编码器中的空洞卷积层对第一目标图像进行特征提取，得到第一 中间特征图，其中，所述第一目标图像为所述医学图像或上一编码器输出的第 一中间特征图；以及，
17.利用带泄露的修正线性单元leaky relu函数对所述第一中间特征图进行 非线性变换，得到第二中间特征图；
18.采用空洞卷积层对所述第二中间特征图进行特征提取，得到第三中间特征 图；
19.将所述第三中间特征图与所述第一目标图像进行融合，得到第四中间特征 图；
20.利用leaky relu函数对所述第四中间特征图进行非线性变换之后，采用最 大池化层对非线性变换后的第四中间特征图进行图像压缩，得到所述第一特征 图。
21.本实施例中通过将编码器中的常规卷积层替换为空洞卷积层，由于相同大 小的卷积核的情况下，空洞卷积层的感受野比常规卷积层的感受野要大，所以， 使用空洞卷积可以提取到更多的特征信息，并且本实施中将空洞卷积层得到的 第三中间特征图与第一目标图像进行融合，由此使得最后得到的第一特征图可 以保留更多的细节信息，进一步提高了分割肌瘤类生物组织的准确率。
22.在一个实施例中，若首次对所述医学图像进行特征提取，则所述第一目标 图像为所述医学图像；以及，
23.若非首次对所述医学图像进行特征提取，则所述第一目标图像为上一编码 器输出的第一中间特征图。
24.本实施例中不同位置的编码器输入的第一目标图像并不相同，由此可以提 取到更多维度的特征，提高分割肌瘤类生物组织的准确率。
25.在一个实施例中，所述基于空间通道注意力机制对所述第一特征图进行空 间转换和通道特征提取，得到第二特征图，包括：
26.利用所述空间通道注意力机制中的空间注意力机制对所述第一特征图进 行空间转换，得到第五中间特征图；并，
27.通过所述空间通道注意力机制中的通道注意力机制对所述第一特征图进 行通道特征提取，得到第六中间特征图；
28.将所述第五中间特征图和所述第六中间特征图进行融合，得到第七中间特 征图，并对所述第七中间特征图进行特征提取，得到所述第二特征图。
29.本实施例中通过对第一特征图进行空间转换和通道特征提取，使得生成一 个在重要空间和重要通道上的元素进行扩大的第二特征图，由此削弱了不重要 的空间和通道，进一步提高分割的准确率。
30.在一个实施例中，所述利用所述空间通道注意力机制中的空间注意力机制 对所述第一特征图进行空间转换，得到第五中间特征图，包括：
31.依序采用多个卷积层对所述第一特征图连续进行多次特征提取，得到第一 子特征图；
32.利用全连接层与激活函数的组合结构对所述第一子特征图进行全连接操 作，生成所述第一子特征图的各位置的目标权重；
33.基于所述各位置的目标权重对非线性变换后的第一子特征图进行更新，得 到所述第五中间特征图。
34.本实施例通过空间注意力机制对所述第一特征图进行空间转换，由此，对 重要的空间上的信息进行扩大，削弱不重要的空间的信息，进一步提高分割的 准确率。
35.在一个实施例中，所述通过所述空间通道注意力机制中的通道注意力机制 对所述第一特征图进行通道特征提取，得到第六中间特征图，包括：
36.依序采用多个卷积层对所述第一特征图连续进行多次特征提取，得到第二 子特征图；
37.对所述第二子特征图进行通道特征提取，得到第三子特征图；
38.将所述第三子特征图与所述第二子特征图进行融合，得到所述第六中间特 征图。
39.本实施例通过通道注意力机制对所述第一特征图进行通道特征提取处理， 由此，对重要的通道上的信息进行扩大，削弱不重要的通道的信息，进一步提 高分割的准确率。
40.在一个实施例中，通过以下方式得到所述第四特征图：
41.依序采用多个解码器对第二目标图像连续进行多次解码，得到所述第四特 征图，其中，所述第二目标图像为第二特征图与所述第一特征图进行融合后的 得到的图像或为所述第二特征图与前一解码器输出的第四特征图进行融合后 得到的图像，且所述解码器的数量与编码器的数量相同。
42.本实施例中通过与编码器数量相同的解码器对第二目标图像进行解码，以 此使得确定出的第四特征图更加准确。
43.在一个实施例中，所述依序采用多个解码器对第二目标图像连续进行多次 解码，得到所述第四特征图，包括：
44.针对任意一个解码器，执行以下步骤：
45.对所述第二目标图像进行上采样，得到所述肌瘤类生物组织的全局特征 图；
46.利用s型生长曲线sigmoid函数对所述全局特征图进行归一化处理，得到 归一化后的全局特征图；
47.采用空洞卷积层对所述归一化后的全局特征图进行特征提取，得到局部特 征图；
48.利用sigmoid函数对所述局部特征图进行归一化处理，得到所述第四特征 图。
49.在一个实施例中，所述利用所述第三特征图和基于所述各第二特征图得到 的第四特征图，确定所述肌瘤类生物组织的结构，包括：
50.将所述第三特征图与所述第四特征图进行融合，得到所述肌瘤类生物组织 的掩
膜图像，其中，所述掩膜图像为包含所述肌瘤类生物组织的轮廓的二值化 图像；
51.利用预设的边缘检测算法对所述掩膜图像进行轮廓检测，在所述医学图像 中确定所述肌瘤类生物组织的结构。
52.本实施例通过将所述第三特征图与所述第四特征图进行融合确定出肌瘤 类生物组织的结构，以此使得确定出肌瘤类生物组织结构有更多的细节信息， 使得确定出的肌瘤类生物组织的结构更加准确。
53.本公开第二方面提供一种电子设备，包括存储单元和处理器，其中：
54.所述存储单元，被配置为存储肌瘤类生物组织的医学图像；
55.所述处理器，被配置为：
56.对肌瘤类生物组织的医学图像连续进行多次特征提取，得到各第一特征 图，其中，第一特征图的数量与特征提取的次数相同；
57.针对任一第一特征图，基于空间通道注意力机制分别对所述第一特征图进 行空间转换和通道特征提取，得到第二特征图；
58.对各第二特征图分别进行上采样，得到各上采样特征图，并对各上采样特 征图分别进行至少一次的通道压缩和特征提取，得到第三特征图，其中，同一 上采样特征图通道压缩的次数与其特征提取的次数相同，不同上采样特征图进 行通道压缩和特征提取的次数不同，且任一上采样特征图每次先进行一次通道 压缩，再进行一次特征提取，后一通道压缩使用的图像为前一特征提取得到的 特征图和所述上采样特征图融合后的图像；
59.利用所述第三特征图和基于所述各第二特征图得到的第四特征图，得到所 述肌瘤类生物组织的结构。
60.在一个实施例中，所述处理器执行所述对肌瘤类生物组织的医学图像连续 进行多次特征提取，得到各第一特征图，具体被配置为：
61.依序采用多个编码器分别对所述医学图像连续进行多次特征提取，得到所 述各第一特征图，其中，所述各第一特征图的数量与所述多个编码器的数量相 同，且后一编码器所输入的图像为前一编码器输出的第一特征图。
62.在一个实施例中，所述处理器执行所述依序采用多个编码器分别对所述医 学图像连续进行多次特征提取，得到所述各第一特征图，具体被配置为：
63.针对任意一个编码器，执行以下步骤：
64.利用所述编码器中的空洞卷积层对第一目标图像进行特征提取，得到第一 中间特征图，其中，所述第一目标图像为所述医学图像或上一编码器输出的第 一中间特征图；以及，
65.利用带泄露的修正线性单元leaky relu函数对所述第一中间特征图进行 非线性变换，得到第二中间特征图；
66.采用空洞卷积层对所述第二中间特征图进行特征提取，得到第三中间特征 图；
67.将所述第三中间特征图与所述第一目标图像进行融合，得到第四中间特征 图；
68.利用leaky relu函数对所述第四中间特征图进行非线性变换之后，采用最 大池化层对非线性变换后的第四中间特征图进行图像压缩，得到所述第一特征 图。
69.在一个实施例中，若首次对所述医学图像进行特征提取，则所述第一目标 图像为所述医学图像；以及，
70.若非首次对所述医学图像进行特征提取，则所述第一目标图像为上一编码 器输出的第一中间特征图。
71.在一个实施例中，所述基于空间通道注意力机制对所述第一特征图进行空 间转换和通道特征提取，得到第二特征图，包括：
72.利用所述空间通道注意力机制中的空间注意力机制对所述第一特征图进 行空间转换，得到第五中间特征图；并，
73.通过所述空间通道注意力机制中的通道注意力机制对所述第一特征图进 行通道特征提取，得到第六中间特征图；
74.将所述第五中间特征图和所述第六中间特征图进行融合，得到第七中间特 征图，并对所述第七中间特征图进行特征提取，得到所述第二特征图。
75.在一个实施例中，所述处理器所述利用所述空间通道注意力机制中的空间 注意力机制对所述第一特征图进行空间转换，得到第五中间特征图，具体被配 置为：
76.依序采用多个卷积层对所述第一特征图连续进行多次特征提取，得到第一 子特征图；
77.利用全连接层与激活函数的组合结构对所述第一子特征图进行全连接操 作，生成所述第一子特征图的各位置的目标权重；
78.基于所述各位置的目标权重对非线性变换后的第一子特征图进行更新，得 到所述第五中间特征图。
79.在一个实施例中，所述处理器执行所述通过所述空间通道注意力机制中的 通道注意力机制对所述第一特征图进行通道特征提取处理，得到第六中间特征 图，具体被配置为：
80.依序采用多个卷积层对所述第一特征图连续进行多次特征提取，得到第二 子特征图；
81.对所述第二子特征图进行通道特征提取，得到第三子特征图；
82.将所述第三子特征图与所述第二子特征图进行融合，得到所述第六中间特 征图。
83.在一个实施例中，所述处理器，还被配置为：
84.通过以下方式得到所述第四特征图：
85.依序采用多个解码器对第二目标图像连续进行多次解码，得到所述第四特 征图，其中，所述第二目标图像为第二特征图与所述第一特征图进行融合后的 得到的图像或为所述第二特征图与前一解码器输出的第四特征图进行融合后 得到的图像，且所述解码器的数量与编码器的数量相同。
86.在一个实施例中，所述处理器执行所述依序采用多个解码器对第二目标图 像连续进行多次解码，得到所述第四特征图，具体被配置为：
87.针对任意一个解码器，执行以下步骤：
88.对所述第二目标图像进行上采样，得到所述肌瘤类生物组织的全局特征 图；
89.利用s型生长曲线sigmoid函数对所述全局特征图进行归一化处理，得到 归一化后的全局特征图；
90.采用空洞卷积层对所述归一化后的全局特征图进行特征提取，得到局部特 征图；
91.利用sigmoid函数对所述局部特征图进行归一化处理，得到所述第四特征 图。
92.在一个实施例中，所述处理器执行所述利用所述第三特征图和基于所述各 第二特征图得到的第四特征图，确定所述肌瘤类生物组织的结构，具体被配置 为：
93.将所述第三特征图与所述第四特征图进行融合，得到所述肌瘤类生物组织 的掩膜图像，其中，所述掩膜图像为包含所述肌瘤类生物组织的轮廓的二值化 图像；
94.利用预设的边缘检测算法对所述掩膜图像进行轮廓检测，在所述医学图像 中确定所述肌瘤类生物组织的结构。
95.根据本公开实施例的第三方面，提供一种电子设备，包括：
96.至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中， 所述存储器存储有被所述至少一个处理器执行的指令；所述指令被所述至少一 个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的方法。
97.根据本公开实施例提供的第四方面，提供一种计算机存储介质，所述计算 机存储介质存储有计算机程序，所述计算机程序用于执行如第一方面所述的方 法。
附图说明
98.为了更清楚地说明本公开实施例中的技术方案，下面将对实施例描述中所 需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本公开的 一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提 下，还可以根据这些附图获得其他的附图。
99.图1为根据本公开一个实施例中的适用场景示意图；
100.图2为根据本公开一个实施例的肌瘤类生物组织的分割方法的流程示意图 之一；
101.图3为根据本公开一个实施例的编码器的连接示意图；
102.图4为根据本公开一个实施例的编码器的结构图；
103.图5a为根据本公开一个实施例的空间通道注意力机制的结构示意图；
104.图5b为根据本公开一个实施例的空间注意力机制的结构示意图；
105.图5c为根据本公开一个实施例的通道注意力机制的结构示意图；
106.图6为根据本公开一个实施例的形状流模块的结构示意图；
107.图7a为根据本公开一个实施例的掩膜图像的示意图；
108.图7b为根据本公开一个实施例的在医学图像中的肌瘤类生物组织结构的 示意图；
109.图8为根据本公开一个实施例的肌瘤类生物组织分割神经网络模型的结构 示意图；
110.图9为根据本公开一个实施例的解码器的结构示意图；
111.图10为根据肌瘤类生物组织的分割装置的示意图；
112.图11为根据本公开一个实施例的电子设备的结构示意图。
具体实施方式
113.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开 实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然， 所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中 的实施例，本领域普通技术人
员在没有作出创造性劳动前提下所获得的所有其 他实施例，都属于本公开保护的范围。
114.本公开实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在 三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独 存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
115.本公开实施例描述的应用场景是为了更加清楚的说明本公开实施例的技 术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域普通技术 人员可知，随着新应用场景的出现，本公开实施例提供的技术方案对于类似的 技术问题，同样适用。其中，在本公开的描述中，除非另有说明，“多个”的含 义是两个或两个以上。
116.现有技术中，基于超声进行肌瘤类生物组织的分割方法主要集中在传统图 像处理领域，即基于肌瘤类生物组织的图像中的像素分布设定特定阈值，将高 于或低于阈值的区域判定为所选区域并进行分割。但是，此方法需要预设阈值， 且该阈值不能灵活更改。该方法只适合识别场景单一、图像中前景背景区分度 高的情况。但是由于超声图像噪声多，且肌瘤类生物组织在图像中形态、灰度 各异。所以使用现有技术中的方式会导致分割肌瘤类生物组织的准确率较低。
117.因此，本公开提供一种肌瘤类生物组织的分割方法，通过对肌瘤类生物组 织的医学图像连续进行多次特征提取，得到多个第一特征图，并对该第一特征 图进行空间转换和通道特征提取得到第二特征图，对各所述第二特征图分别进 行上采样，并对各上采样后的第二特征图分别进行至少一次的通道压缩和至少 一次的特征提取，得到第三特征图，将所述第三特征图和对所述第二特征图进 行解码得到的第四特征图进行融合。由此，本发明通过神经网络的方式对肌瘤 类生物组织进行自动分割，并不需要预设阈值，提高了分割肌瘤类的肌瘤类生 物组织的准确率。下面，结合附图对本公开的方案详细的进行介绍。
118.如图1所示，一种肌瘤类生物组织的分割方法的应用场景，该应用场景中 包括超声设备110(扫描单元111和显示单元112)、和服务器120，服务器 120可以通过单个服务器实现，也可以通过多个服务器实现。服务器120可以 通过实体服务器实现，也可以通过虚拟服务器实现。
119.在一种可能的应用场景中，通过超声设备110的扫描单元111获取到肌瘤 类生物组织的医学图像，并将所述医学图像发送给服务器120，服务器120接 收到该医学图像之后，对肌瘤类生物组织的医学图像连续进行多次特征提取， 得到多个第一特征图，其中，所述第一特征图的数量与特征提取的次数相同。 然后服务器120针对任意一个第一特征图，基于空间通道注意力机制分别对所 述第一特征图进行空间转换和通道特征提取，得到第二特征图之后，服务器120 对各第二特征图分别进行上采样，得到各上采样特征图，并对各上采样特征图 分别进行至少一次的通道压缩和特征提取，得到第三特征图，其中，同一上采 样特征图通道压缩的次数与其特征提取的次数相同，不同上采样特征图进行通 道压缩和特征提取的次数不同，且任一上采样特征图每次先进行一次通道压 缩，再进行一次特征提取，后一通道压缩使用的图像为前一特征提取得到的特 征图和所述上采样特征图融合后的图像；最后服务器120利用所述第三特征图 和基于所述各第二特征图得到的第四特征图，得到所述肌瘤类生物组织的结 构。并将确定所述肌瘤类生物组织结构的医学图像发送给超声设备110，超声 设备110通过显示单元112进行显示。
120.如图2所示，为本公开的肌瘤类生物组织的分割方法的流程示意图，可包 括以下
步骤：
121.步骤201：对肌瘤类生物组织的医学图像连续进行多次特征提取，得到各第一特征图，其中，第一特征图的数量与特征提取的次数相同；
122.其中，本实施例中的医学图像为超声图像，且为了保证分割的准确性，在执行步骤201之前，需要对医学图像进行预处理，包括以下两个步骤：
123.1、各项异性扩散滤波：
124.运用斑点抑制各项异性扩散滤波对医学图像进行滤波处理，是为了在保持主要肌瘤类生物组织形态信息的前提下，抑制斑点噪声引起的局部纹理细节变化，在保留器官轮廓的同时，消除超声图像中混合的噪声。
125.2、clahe算法(contrastlimitedadaptivehistogramequalization，限制对比度自适应直方图均衡算法)：
126.通过clahe算法增加医学图像的对比度，由于医学图像的直方图的不平衡主要来源于超声机成像参数的调整及采图手法不同，从图像的角度上看，图像的直方图的不平衡表现为图像整体亮暗情况不同，将不同亮暗程度的图片输入至网络模型中时，神经网络模型会将其作为特征之一进行学习，这时亮暗程度会减慢网络收敛的速度，引起误差。所以需要增加医学图像的对比度，减少肌瘤类生物组织分割的误差。
127.在一个实施例中，通过以下方式得到所述各第一特征图：
128.依序采用多个编码器分别对所述医学图像连续进行多次特征提取，得到所述各第一特征图，其中，所述第一特征图的数量与所述多个编码器的数量相同，且后一编码器所输入的图像为前一编码器输出的第一特征图。
129.如图3所示，为本实施例中多个编码器的连接示意图，图中包括4个编码器，其中，第一个编码器输入的是医学图像，后面的编码器的输入都是前一编码器的输出，但是每个编码器都会得到对应的第一特征图。
130.需要说明的是，本实施例中的神经网络采用四个编码器来进行特征提取，本实施例中编码器的数量仅用于举例说明，并不对神经网络中的编码器的数量进行限定，编码器的数量可根据实际情况来进行限定。
131.下面，结合编码器的结构对本实施中得到各第一特征图的方式进行详细的介绍：
132.如图4所示，为任意一个编码器的结构图，其包括空洞卷积层410、leakyrelu函数420、空洞卷积层430、leakyrelu函数440和最大池化层450。下面，对利用编码器得到第一特征图的流程进行介绍：
133.利用所述编码器中的空洞卷积层410对第一目标图像进行特征提取，得到第一中间特征图，其中，所述第一目标图像为所述医学图像或上一编码器输出的第一中间特征图；利用修正线性单元leakyrelu函数420对所述第一中间特征图进行非线性变换，得到第二中间特征图；采用空洞卷积层430对所述第二中间特征图进行特征提取，得到第三中间特征图；将所述第三中间特征图与所述第一目标图像进行融合，得到第四中间特征图；利用leakyrelu函数440对所述第四中间特征图进行非线性变换之后，采用最大池化层450对非线性变换后的第四中间特征图进行图像压缩，得到所述第一特征图。
134.在一个实施例中，若首次对所述医学图像进行特征提取，则所述第一目标图像为所述医学图像；若非首次对所述医学图像进行特征提取，则所述第一目标图像为上一编码
器输出的第一中间特征图。
135.例如，图3中的第一个编码器输入的第一目标图像为医学图像，则第二个 编码器以及第二个编码器之后的各编码器输入的第一目标图像为上一编码器 输出的第一中间特征图。
136.步骤202：针对任一第一特征图，基于空间通道注意力机制分别对所述第 一特征图进行空间转换和通道特征提取，得到第二特征图；
137.在一个实施例中，通过以下方式得到第二特征图：
138.利用所述空间通道注意力机制中的空间注意力机制对所述第一特征图进 行空间转换，得到第五中间特征图；并，通过所述空间通道注意力机制中的通 道注意力机制对所述第一特征图进行通道特征提取，得到第六中间特征图；将 所述第五中间特征图和所述第六中间特征图进行融合，得到第七中间特征图， 并对所述第七中间特征图进行特征提取，得到所述第二特征图。
139.例如，如图5a所示，为空间通道注意力机制包括空间注意力机制510、通 道注意力机制520和卷积层530，其中，利用空间注意力机制510对所述第一 特征图进行空间转换，得到第五中间特征图；通过通道注意力机制520对所述 第一特征图进行通道特征提取，得到第六中间特征图，将所述第五中间特征图 和所述第六中间特征图进行融合，得到第七中间特征图，并利用卷积层530对 所述第七中间特征图进行特征提取，得到所述第二特征图。
140.下面，分别对通过空间注意力机制510和通过通道注意力机制520的结构 以及工作流程进行介绍：
141.1、空间注意力机制510：
142.如图5b所示，空间注意力机制510包括两个卷积层5b21、两个全连接层 +激活函数的组合结构5b22、relu函数5b23。下面对通过基于空间注意力机 制对所述第一特征图进行空间转换得到第五中间特征图的具体流程进行介绍：
143.依序采用两个卷积层5b21对所述第一特征图连续进行多次特征提取，得 到第一子特征图，利用两个全连接层与激活函数的组合结构5b22对所述第一 子特征图进行全连接操作，生成所述第一子特征图的各位置的目标权重，并利 用relu函数5b23对所述第一子特征图进行非线性变换，得到非线性变换后的 第一子特征图，最后基于所述各位置的目标权重对非线性变换后的第一子特征 图进行更新，得到所述第五中间特征图。
144.需要说明的是：本实施例中的全连接层+激活函数的组合结构5b22包括全 连接层+relu函数、全连接层+sigmoid函数。具体的全连接层+激活函数的组 合结构可根据实际情况来进行设置，本实施例在此并不进行限定。
145.(2)通道注意力机制520：
146.如图5c所示，通道注意力机制520包括两个卷积层5c31和通道特征提 取层5c32。下面对通过通道注意力机制对所述第一特征图进行通道特征提取 处理得到第六中间特征图的具体流程进行详细的介绍：
147.依序采用两个卷积层5c31对所述第一特征图连续进行多次特征提取，得 到第二子特征图，利用通道特征提取层5c32对所述第二子特征图进行通道特 征提取，得到第三子特征图，将所述第三子特征图与所述第二子特征图进行融 合，得到所述第六中间特征图。
148.需要说明的是，本实施例中的通道特征提取层是利用1*1的卷积层来实现 的。
149.步骤203：对各第二特征图分别进行上采样，得到各上采样特征图，并对 各上采样特征图分别进行至少一次的通道压缩和特征提取，得到第三特征图， 其中，同一上采样特征图通道压缩的次数与其特征提取的次数相同，不同上采 样特征图进行通道压缩和特征提取的次数不同，且任一上采样特征图每次先进 行一次通道压缩，再进行一次特征提取，后一通道压缩使用的图像为前一特征 提取得到的特征图和所述上采样特征图融合后的图像；
150.其中，本实施例中是通过形状流模块得到第三特征图，如图6所示，为形 状流模块的结构示意图，其包括四个转置卷积层610、四个通道压缩层620和 四个卷积层630。下面，对基于形状流模块得到第三特征图的具体流程进行介 绍：
151.利用四个转置卷积层610对述第二特征图分别进行上采样，得到上采样特 征图，然后将上采样特征图分别输入至对应的通道压缩层620，各通道压缩层 接620接收到上采样特征图后，不同位置的通道压缩层具有不同的处理流程： 第一个通道压缩层620对接收到上采样特征图进行通道压缩，然后将通道压缩 后的上采样特征图输入至第一个卷积层630中进行特征提取。然后第一个卷积 层630将特征提取后的上采样特征图输入至第二个通道压缩层中，第二个通道 压缩层接收到特征提取后的上采样特征图后，将第二特征图与特征提取后的上 采样特征图进行融合，得到融合后的图像，然后对融合后的图像进行通道压缩 和特征提取，第二个通道压缩模块之后的各通道压缩模块的处理流程与第二个 通道压缩模块的处理流程相同，在此不再进行赘述。
152.步骤204：利用所述第三特征图和基于所述各第二特征图得到的第四特征 图，得到所述肌瘤类生物组织的结构。
153.在一个实施例中，步骤204可实施为：将所述第三特征图与所述第四特征 图进行融合，得到所述肌瘤类生物组织的掩膜图像，其中，所述掩膜图像为包 含所述肌瘤类生物组织的轮廓的二值化图像；利用预设的边缘检测算法对所述 掩膜图像进行轮廓检测，在所述医学图像中确定所述肌瘤类生物组织的结构。
154.如图7a所示，为肌瘤类生物组织的掩膜图像，其为包含肌瘤类生物组织 的轮廓的二值化图像，图7a中的白色区域为肌瘤类生物组织的轮廓，利用边 缘检测算法对图7a中进行轮廓检测，就能在医学图像中确定所述肌瘤类生物 组织的结构，如图7b所示，圈出的区域为肌瘤类生物组织的结构，并且，可 以显示出该肌瘤类生物组织结构的长径和短径，即图7b中的交叉线。
155.在一个实施例中，通过以下方式得到所述第四特征图：
156.依序采用多个解码器对第二目标图像连续进行多次解码，得到所述第四特 征图，其中，所述第二目标图像为第二特征图与所述第一特征图进行融合后的 得到的图像或为第二特征图与前一解码器输出的第四特征图进行融合后的得 到的图像，且所述编码器的数量与解码器的数量相同。
157.需要说明的是：按照解码器工作的先后顺序，针对任意一个解码器，若确 定该解码器为第一个进行工作的解码器，则该第二目标图像为第二特征图与所 述第一特征图进行融合后的得到的图像，若该解码器为非第一个进行工作的解 码器，则该第二目标图像为第二特征图与前一解码器输出的第四特征图进行融 合后的得到的图像。
158.例如，如图8所示，为肌瘤类生物组织分割神经网络模型的结构示意图， 其包括编
码器810、空间通道注意力机制820、解码器830和形状流模块840。
159.如图8可知，本实施例中首先采用四个编码器810分别对所述医学图像连 续进行多次特征提取，得到所述四个第一特征图，然后针对任意一个第一特征 图，基于空间通道注意力机制820对所述第一特征图进行空间转换和通道特征 提取，得到第二中间特征图。空间通道注意力机制820将得到的各第二中间特 征图分别发送给形状流模块840和解码器830中，利用形状流模块840得到第 三特征图，以及利用解码器830得到第四特征图，最后将第三特征图和第四特 征图进行融合，得到所述肌瘤类生物组织的掩膜图像，并基于所述肌瘤类生物 组织的掩膜图像，在所述医学图像中确定所述肌瘤类生物组织的结构。
160.下面，针对任意一个解码器进行解码的过程进行介绍，如图9所示，为任 意一个解码器的结构示意图，其包括转置卷积层910、sigmoid函数920、空洞 卷积层930和sigmoid函数940。
161.首先，利用转置卷积层910对所述第二目标图像进行上采样，得到所述肌 瘤类生物组织的全局特征图，然后利用sigmoid函数920对所述全局特征图进 行归一化处理，得到归一化后的全局特征图，采用空洞卷积层930对所述归一 化后的全局特征图进行特征提取，得到局部特征图，最后利用sigmoid函数940 对所述局部特征图进行归一化处理，得到所述第四特征图。
162.基于相同的公开构思，本公开如上所述的肌瘤类生物组织的分割方法还可 以由一种肌瘤类生物组织的分割装置实现。该肌瘤类生物组织的分割装置的效 果与前述方法的效果相似，在此不再赘述。
163.图10为根据本公开一个实施例的肌瘤类生物组织的分割装置的结构示意 图。
164.如图10所示，本公开的肌瘤类生物组织的分割装置1000可以包括第一特 征图确定模块1010、第二特征图确定模块1020、第三特征图确定模块1030和 肌瘤类生物组织结构确定模块1040。
165.第一特征图确定模块1010，用于对肌瘤类生物组织的医学图像连续进行多 次特征提取，得到各第一特征图，其中，第一特征图的数量与特征提取的次数 相同；
166.第二特征图确定模块1020，用于针对任一第一特征图，基于空间通道注意 力机制分别对所述第一特征图进行空间转换和通道特征提取，得到第二特征 图；
167.第三特征图确定模块1030，用于对各第二特征图分别进行上采样，得到各 上采样特征图，并对各上采样特征图分别进行至少一次的通道压缩和特征提 取，得到第三特征图，其中，同一上采样特征图通道压缩的次数与其特征提取 的次数相同，不同上采样特征图进行通道压缩和特征提取的次数不同，且任一 上采样特征图每次先进行一次通道压缩，再进行一次特征提取，后一通道压缩 使用的图像为前一特征提取得到的特征图和所述上采样特征图融合后的图像；
168.肌瘤类生物组织结构确定模块1040，用于利用所述第三特征图和基于所述 各第二特征图得到的第四特征图，得到所述肌瘤类生物组织的结构。
169.在一个实施例中，所述第一特征图确定模块1010，具体用于：
170.依序采用多个编码器分别对所述医学图像连续进行多次特征提取，得到所 述各第一特征图，其中，所述各第一特征图的数量与所述多个编码器的数量相 同，且后一编码器所输入的图像为前一编码器输出的第一特征图。
171.在一个实施例中，所述第一特征图确定模块1010，具体用于：
172.针对任意一个编码器，执行以下步骤：
173.利用所述编码器中的空洞卷积层对第一目标图像进行特征提取，得到第一 中间特征图，其中，所述第一目标图像为所述医学图像或上一编码器输出的第 一中间特征图；以及，
174.利用带泄露的修正线性单元leaky relu函数对所述第一中间特征图进行 非线性变换，得到第二中间特征图；
175.采用空洞卷积层对所述第二中间特征图进行特征提取，得到第三中间特征 图；
176.将所述第三中间特征图与所述第一目标图像进行融合，得到第四中间特征 图；
177.利用leaky relu函数对所述第四中间特征图进行非线性变换之后，采用最 大池化层对非线性变换后的第四中间特征图进行图像压缩，得到所述第一特征 图。
178.在一个实施例中，若首次对所述医学图像进行特征提取，则所述第一目标 图像为所述医学图像；以及，
179.若非首次对所述医学图像进行特征提取，则所述第一目标图像为上一编码 器输出的第一中间特征图。
180.在一个实施例中，所述第二特征图确定模块1020，具体用于：
181.利用所述空间通道注意力机制中的空间注意力机制对所述第一特征图进 行空间转换，得到第五中间特征图；并，
182.通过所述空间通道注意力机制中的通道注意力机制对所述第一特征图进 行通道特征提取，得到第六中间特征图；
183.将所述第五中间特征图和所述第六中间特征图进行融合，得到第七中间特 征图，并对所述第七中间特征图进行特征提取，得到所述第二特征图。
184.在一个实施例中，所述第二特征图确定模块1020，还用于：
185.依序采用多个卷积层对所述第一特征图连续进行多次特征提取，得到第一 子特征图；
186.利用全连接层与激活函数的组合结构对所述第一子特征图进行全连接操 作，生成所述第一子特征图的各位置的目标权重；
187.基于所述各位置的目标权重对非线性变换后的第一子特征图进行更新，得 到所述第五中间特征图。
188.在一个实施例中，所述第二特征图确定模块1020，还用于：
189.依序采用多个卷积层对所述第一特征图连续进行多次特征提取，得到第二 子特征图；
190.对所述第二子特征图进行通道特征提取，得到第三子特征图；
191.将所述第三子特征图与所述第二子特征图进行融合，得到所述第六中间特 征图。
192.在一个实施例中，所述装置还包括：
193.第四特征图确定模块1050，用于通过以下方式得到所述第四特征图：
194.依序采用多个解码器对第二目标图像连续进行多次解码，得到所述第四特 征图，其中，所述第二目标图像为第二特征图与所述第一特征图进行融合后的 得到的图像或为所述第二特征图与前一解码器输出的第四特征图进行融合后 的得到的图像，且编码器的
数量与所述解码器的数量相同。
195.在一个实施例中，所述第四特征图确定模块1050，具体用于：
196.针对任意一个解码器，执行以下步骤：
197.对所述第二目标图像进行上采样，得到所述肌瘤类生物组织的全局特征 图；
198.利用s型生长曲线sigmoid函数对所述全局特征图进行归一化处理，得到 归一化后的全局特征图；
199.采用空洞卷积层对所述归一化后的全局特征图进行特征提取，得到局部特 征图；
200.利用sigmoid函数对所述局部特征图进行归一化处理，得到所述第四特征 图。
201.在一个实施例中，所述肌瘤类生物组织结构确定模块1040，具体用于：
202.将所述第三特征图与所述第四特征图进行融合，得到所述肌瘤类生物组织 的掩膜图像，其中，所述掩膜图像为包含所述肌瘤类生物组织的轮廓的二值化 图像；
203.利用预设的边缘检测算法对所述掩膜图像进行轮廓检测，在所述医学图像 中确定所述肌瘤类生物组织的结构。
204.在介绍了本公开示例性实施方式的一种肌瘤类生物组织的分割方法及装 置之后，接下来，介绍根据本公开的另一示例性实施方式的电子设备。
205.所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、 方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完 全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和 软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
206.在一些可能的实施方式中，根据本公开的电子设备可以至少包括至少一个 处理器、以及至少一个计算机存储介质。其中，计算机存储介质存储有程序代 码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本 公开各种示例性实施方式的肌瘤类生物组织的分割方法中的步骤。例如，处理 器可以执行如图2中所示的步骤201-204。
207.下面参照图11来描述根据本公开的这种实施方式的电子设备1100。图11 显示的电子设备1100仅仅是一个示例，不应对本公开实施例的功能和使用范 围带来任何限制。
208.如图11所示，电子设备1100以通用电子设备的形式表现。电子设备1100 的组件可以包括但不限于：上述至少一个处理器1101、上述至少一个计算机存 储介质1102、连接不同系统组件(包括计算机存储介质1102和处理器1101) 的总线1103。
209.总线1103表示几类总线结构中的一种或多种，包括计算机存储介质总线 或者计算机存储介质控制器、外围总线、处理器或者使用多种总线结构中的任 意总线结构的局域总线。
210.计算机存储介质1102可以包括易失性计算机存储介质形式的可读介质， 例如随机存取计算机存储介质(ram)1121和/或高速缓存存储介质1122，还 可以进一步包括只读计算机存储介质(rom)1123。
211.计算机存储介质1102还可以包括具有一组(至少一个)程序模块1124的 程序/实用工具1125，这样的程序模块1124包括但不限于：操作系统、一个或 者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组 合中可能包括网络环境的实现。
212.电子设备1100也可以与一个或多个外部设备1104(例如键盘、指向设备 等)通信，
还可与一个或者多个使得用户能与电子设备1100交互的设备通信， 和/或与使得该电子设备1100能与一个或多个其它电子设备进行通信的任何设 备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o) 接口1105进行。并且，电子设备1100还可以通过网络适配器1106与一个或 者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因 特网)通信。如图11所示，网络适配器1106通过总线1103与用于电子设备 1100的其它模块通信。应当理解，尽管图中未示出，可以结合电子设备1100 使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理 器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
213.在一些可能的实施方式中，本公开提供的一种肌瘤类生物组织的分割方法 的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品 在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的 根据本公开各种示例性实施方式的肌瘤类生物组织的分割方法中的步骤。
214.程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读 信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、 电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存 储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、 便携式盘、硬盘、随机存取计算机存储介质(ram)、只读计算机存储介质 (rom)、可擦式可编程只读计算机存储介质(eprom或闪存)、光纤、便 携式紧凑盘只读计算机存储介质(cd-rom)、光计算机存储介质件、磁计算机 存储介质件、或者上述的任意合适的组合。
215.本公开的实施方式的肌瘤类生物组织的分割的程序产品可以采用便携式 紧凑盘只读计算机存储介质(cd-rom)并包括程序代码，并可以在电子设备上 运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是 任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件 使用或者与其结合使用。
216.可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其 中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限 于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存 储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令 执行系统、装置或者器件使用或者与其结合使用的程序。
217.可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无 线、有线、光缆、rf等等，或者上述的任意合适的组合。
218.可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作 的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等， 还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。 程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为 一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、 或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中，远 程电子设备可以通过任意种类的网络包括局域网(lan)或广域网(wan) 连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务 提供商来通过因特网连接)。
219.应当注意，尽管在上文详细描述中提及了装置的若干模块，但是这种划分 仅仅是
示例性的并非强制性的。实际上，根据本公开的实施方式，上文描述的 两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一 个模块的特征和功能可以进一步划分为由多个模块来具体化。
220.此外，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非 要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的 操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤 合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
221.本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计 算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结 合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包 含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘计算机存 储介质、cd-rom、光学计算机存储介质等)上实施的计算机程序产品的形式。
222.本公开是参照根据本公开的方法、设备(系统)、和计算机程序产品的流 程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方 框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框 的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理 机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其 他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程 或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
223.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设 备以特定方式工作的计算机可读计算机存储介质中，使得存储在该计算机可读 计算机存储介质中的指令产生包括指令装置的制造品，该指令装置实现在流程 图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
224.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使 得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处 理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个 流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
225.显然，本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公 开的精神和范围。这样，倘若本公开的这些修改和变型属于本公开权利要求及 其等同技术的范围之内，则本公开也意图包含这些改动和变型在内。
技术特征：1.一种肌瘤类生物组织的分割方法，其特征在于，所述方法包括：对肌瘤类生物组织的医学图像连续进行多次特征提取，得到各第一特征图，其中，第一特征图的数量与特征提取的次数相同；针对任一第一特征图，基于空间通道注意力机制分别对所述第一特征图进行空间转换和通道特征提取，得到第二特征图；对各第二特征图分别进行上采样，得到各上采样特征图，并对各上采样特征图分别进行至少一次的通道压缩和特征提取，得到第三特征图，其中，同一上采样特征图通道压缩的次数与其特征提取的次数相同，不同上采样特征图进行通道压缩和特征提取的次数不同，且任一上采样特征图每次先进行一次通道压缩，再进行一次特征提取，后一通道压缩使用的图像为前一特征提取得到的特征图和所述上采样特征图融合后的图像；利用所述第三特征图和基于所述各第二特征图得到的第四特征图，得到所述肌瘤类生物组织的结构。2.根据权利要求1所述的方法，其特征在于，所述对肌瘤类生物组织的医学图像连续进行多次特征提取，得到各第一特征图，包括：依序采用多个编码器分别对所述医学图像连续进行多次特征提取，得到所述各第一特征图，其中，所述各第一特征图的数量与所述多个编码器的数量相同，且后一编码器所输入的图像为前一编码器输出的第一特征图。3.根据权利要求2所述的方法，其特征在于，所述依序采用多个编码器分别对所述医学图像连续进行多次特征提取，得到所述各第一特征图，包括：针对任意一个编码器，执行以下步骤：利用所述编码器中的空洞卷积层对第一目标图像进行特征提取，得到第一中间特征图，其中，所述第一目标图像为所述医学图像或上一编码器输出的第一中间特征图；以及，利用带泄露的修正线性单元leaky relu函数对所述第一中间特征图进行非线性变换，得到第二中间特征图；采用空洞卷积层对所述第二中间特征图进行特征提取，得到第三中间特征图；将所述第三中间特征图与所述第一目标图像进行融合，得到第四中间特征图；利用leaky relu函数对所述第四中间特征图进行非线性变换之后，采用最大池化层对非线性变换后的第四中间特征图进行图像压缩，得到所述第一特征图。4.根据权利要求3所述的方法，其特征在于，若首次对所述医学图像进行特征提取，则所述第一目标图像为所述医学图像；以及，若非首次对所述医学图像进行特征提取，则所述第一目标图像为上一编码器输出的第一中间特征图。5.根据权利要求1所述的方法，其特征在于，所述基于空间通道注意力机制对所述第一特征图进行空间转换和通道特征提取，得到第二特征图，包括：利用所述空间通道注意力机制中的空间注意力机制对所述第一特征图进行空间转换，得到第五中间特征图；并，通过所述空间通道注意力机制中的通道注意力机制对所述第一特征图进行通道特征提取，得到第六中间特征图；将所述第五中间特征图和所述第六中间特征图进行融合，得到第七中间特征图，并对
所述第七中间特征图进行特征提取，得到所述第二特征图。6.根据权利要求5所述的方法，其特征在于，所述利用所述空间通道注意力机制中的空间注意力机制对所述第一特征图进行空间转换，得到第五中间特征图，包括：依序采用多个卷积层对所述第一特征图连续进行多次特征提取，得到第一子特征图；利用全连接层与激活函数的组合结构对所述第一子特征图进行全连接操作，生成所述第一子特征图的各位置的目标权重；基于所述各位置的目标权重对非线性变换后的第一子特征图进行更新，得到所述第五中间特征图。7.根据权利要求5所述的方法，其特征在于，所述通过所述空间通道注意力机制中的通道注意力机制对所述第一特征图进行通道特征提取，得到第六中间特征图，包括：依序采用多个卷积层对所述第一特征图连续进行多次特征提取，得到第二子特征图；对所述第二子特征图进行通道特征提取，得到第三子特征图；将所述第三子特征图与所述第二子特征图进行融合，得到所述第六中间特征图。8.根据权利要求1所述的方法，其特征在于，通过以下方式得到所述第四特征图：依序采用多个解码器对第二目标图像连续进行多次解码，得到所述第四特征图，其中，所述第二目标图像为第二特征图与所述第一特征图进行融合后的得到的图像或为所述第二特征图与前一解码器输出的第四特征图进行融合后得到的图像，且所述解码器的数量与编码器的数量相同。9.根据权利要求8所述的方法，其特征在于，所述依序采用多个解码器对第二目标图像连续进行多次解码，得到所述第四特征图，包括：针对任意一个解码器，执行以下步骤：对所述第二目标图像进行上采样，得到所述肌瘤类生物组织的全局特征图；利用s型生长曲线sigmoid函数对所述全局特征图进行归一化处理，得到归一化后的全局特征图；采用空洞卷积层对所述归一化后的全局特征图进行特征提取，得到局部特征图；利用sigmoid函数对所述局部特征图进行归一化处理，得到所述第四特征图。10.一种电子设备，其特征在于，包括存储单元和处理器，其中：所述存储单元，被配置为存储肌瘤类生物组织的医学图像；所述处理器，被配置为：对肌瘤类生物组织的医学图像连续进行多次特征提取，得到各第一特征图，其中，第一特征图的数量与特征提取的次数相同；针对任一第一特征图，基于空间通道注意力机制分别对所述第一特征图进行空间转换和通道特征提取，得到第二特征图；对各第二特征图分别进行上采样，得到各上采样特征图，并对各上采样特征图分别进行至少一次的通道压缩和特征提取，得到第三特征图，其中，同一上采样特征图通道压缩的次数与其特征提取的次数相同，不同上采样特征图进行通道压缩和特征提取的次数不同，且任一上采样特征图每次先进行一次通道压缩，再进行一次特征提取，后一通道压缩使用的图像为前一特征提取得到的特征图和所述上采样特征图融合后的图像；利用所述第三特征图和基于所述各第二特征图得到的第四特征图，得到所述肌瘤类生
物组织的结构。
技术总结本公开提供肌瘤类生物组织的分割方法及电子设备。包括：基于空间通道注意力机制对肌瘤类生物组织的医学图像连续进行多次特征提取得到的各第一特征图分别进行空间转换和通道特征提取，得到各第二特征图；对各第二特征图上采样得到的各上采样特征图进行至少一次的通道压缩和特征提取，得到第三特征图，其中，同一上采样特征图通道压缩与特征提取的次数相同，不同上采样特征图通道压缩和特征提取的次数不同，任一上采样特征图先进行一次通道压缩，再进行一次特征提取，后一通道压缩的图像为前一特征提取得到的特征图和上采样特征图融合的图像；利用第三特征图和基于第二特征图得到的第四特征图得到肌瘤类生物组织。提高分割肌瘤类生物组织的准确率。割肌瘤类生物组织的准确率。割肌瘤类生物组织的准确率。
技术研发人员：郭颂 时俊楠 沙文青 陈哲
受保护的技术使用者：青岛海信医疗设备股份有限公司
技术研发日：2022.05.10
技术公布日：2022/11/1
