1.一种图像分割方法,其特征在于,所述方法包括步骤:
将dicom格式的腹部ct图像数据转换为jpg格式的腹部图像;
基于vnet网络模型构建生成网络模型,将所述jpg格式的腹部图像输入所述生成网络模型;
通过所述生成网络模型生成6通道的预测分割标签,其中,所述6通道的预测分割标签包括皮下脂肪、肌肉、骨头、内脏脂肪、内脏器官、背景预测分割标签;
根据所述6通道的预测分割标签得到预测分割结果图像,其中,所述预测分割结果图像包括皮下脂肪图像、肌肉图像、骨头图像、内脏脂肪图像、内脏器官图像、背景图像。
2.如权利要求1所述的图像分割方法,其特征在于,所述dicom格式的腹部ct图像数据、所述jpg格式的腹部图像存储于区块链中,所述基于vnet网络模型构建生成网络模型,包括以下步骤:
将所述vnet网络模型编码阶段的卷积核设置为二维卷积核;
将所述vnet网络模型解码阶段的反卷积替换为双线性插值,得到修改后的vnet网络模型;
在所述修改后的vnet网络模型中接入通道注意力ca模块,得到所述生成网络模型,其中,所述ca模块用于获取所述修改后的vnet网络的编码阶段、解码阶段生成的高级特征图的语义信息,并根据所述语义信息从低级特征图中选取属于高级特征图的像素点信息;
其中,所述高级特征图及低级特征图根据在编码阶段及解码阶段获得特征图的先后顺序确定,在所述编码阶段相邻编码层中,下一层编码层获得的特征图比上一编码层获得的特征图要高级;在所述解码阶段相邻编码层中,上一解密层获得的特征图比下一解密层获得的特征图要低级。
3.如权利要求1所述的图像分割方法,其特征在于,所述通过所述生成网络模型生成6通道的预测分割标签,包括以下步骤:
通过所述生成网络模型的编码阶段获取每个编码层的特征图;
通过所述生成网络模型的解码阶段获取每个解码层的特征图;
在编码阶段,通过所述ca模块将所述编码阶段相邻编码层的下一层h*w*2c维度的高级特征进行通道化操作、激活操作,得到不同通道的第一权重结果,将所述不同通道的第一权重结果与相邻编码层的上一层2h*2w*c维度的低级特征相乘,得到2h*2w*c维度的第一特征图;
在解码阶段,通过所述ca模块将所述解码阶段相邻解码层的上一层2h*2w*c维度的高级特征进行通道化操作、激活操作,得到不同通道的第二权重结果;将所述不同通道的第二权重结果与相邻编码层的下一层2h*2w*c维度的低级特征相乘,得到2h*2w*c维度的第二特征图;
根据所述编码阶段每一层获得的特征图、所述解码阶段每一层获得的特征图、所述第一特征图、所述第二特征图,得到所述6通道的预测分割标签。
4.如权利要求1至3中任一项所述的图像分割方法,其特征在于,所述根据所述6通道的预测分割标签得到预测分割结果图像之后,所述方法还包括以下步骤:
从所述预测分割结果图像确定皮下脂肪区域、内脏脂肪区域、肌肉区域的像素点个数,根据所述确定的像素点个数及预先获取的物理空间换算参数,确定皮下脂肪、内脏脂肪、肌肉的实际面积。
5.如权利要求4所述的图像分割方法,其特征在于,所述根据所述确定的像素点个数及预先获取的物理空间换算参数,确定皮下脂肪、内脏脂肪、肌肉的实际面积之后,所述方法还包括以下步骤:
从所述腹部ct图像数据获取扫描层厚信息,将所述皮下脂肪、内脏脂肪、肌肉的实际面积乘以所述扫描层厚得到所述皮下脂肪、内脏脂肪及肌肉的实际体积。
6.如权利要求5所述的图像分割方法,其特征在于,所述将所述皮下脂肪区域、内脏脂肪区域、肌肉区域的实际面积乘以所述扫描层厚得到所述皮下脂肪、内脏脂肪及肌肉的实际体积之后,所述方法还包括以下步骤:
分别将所述预测分割标签与所述金标准图像对应的真实标签输入所述判别网络模型,分别得到所述预测分割结果图像与所述金标准图像的判别分数,依据所述判别分数判断所述预测分割结果图像与金标准图像之间的差距,基于所述差距对所述生成网络模型进行参数调整,以优化所述生成网络模型。
7.一种图像分割装置,其特征在于,包括:
转换模块,用于将dicom格式的腹部ct图像数据转换为jpg格式的腹部图像;
处理模块,用于基于vnet网络模型构建生成网络模型,将所述jpg格式的腹部图像输入所述生成网络模型;
生成模块,用于通过所述生成网络模型生成6通道的预测分割标签,其中,所述6通道的预测分割标签包括皮下脂肪、肌肉、骨头、内脏脂肪、内脏器官、背景预测分割标签;
获取模块,用于根据所述6通道的预测分割标签获取预测分割结果图像,其中,所述预测分割结果图像包括皮下脂肪图像、肌肉图像、骨头图像、内脏脂肪图像、内脏器官图像、背景图像。
8.如权利要求7所述的图像分割装置,其特征在于,所述dicom格式的腹部ct图像数据、所述jpg格式的腹部图像存储于区块链中,所述基于vnet网络模型构建生成网络模型,包括:
将所述vnet网络模型编码阶段的卷积核设置为二维卷积核;
将所述vnet网络模型解码阶段的反卷积替换为双线性插值,得到修改后的vnet网络模型;
在所述修改后的vnet网络模型中接入通道注意力ca模块,得到所述生成网络模型,其中,所述ca模块用于获取所述修改后的vnet网络的编码阶段、解码阶段生成的高级特征图的语义信息,并根据所述语义信息从低级特征图中选取属于高级特征图的像素点信息;
其中,所述高级特征图及低级特征图根据在编码阶段及解码阶段获得特征图的先后顺序确定,在所述编码阶段相邻编码层中,下一层编码层获得的特征图比上一编码层获得的特征图要高级;在所述解码阶段相邻编码层中,上一解密层获得的特征图比下一解密层获得的特征图要低级。
9.一种电子设备,其特征在于,所述电子设备包括:
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,
所述存储器存储有可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权利要求1至6中任一所述的图像分割方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一所述的图像分割方法。