本技术属于深度学习智能识别,尤其涉及一种膝关节分割方法、装置、电子设备及计算机可读存储介质。
背景技术:
1、传统图像分割算法是基于阈值分割、边缘检测或区域增长来分割医学图像,这类方法分割精度较差,粗略分割目标区域,不能精确分割目标区域边界。
2、因此,如何更加准确地进行膝关节分割是本领域技术人员亟需解决的技术问题。
技术实现思路
1、本技术实施例提供一种膝关节分割方法、装置、电子设备及计算机可读存储介质,能够更加准确地进行膝关节分割。
2、第一方面,本技术实施例提供一种膝关节分割方法,包括:
3、获取待分割的膝关节图像;
4、将膝关节图像输入预设的膝关节分割模型,输出膝关节分割结果;
5、其中,膝关节分割模型是基于改进后的fadnet网络经过模型训练得到的,改进后的fadnet网络是在fadnet网络的每层每对相邻的解码器分支和编码器分支之间的跳跃连接中添加注意力机制网络,用于增强对膝关节图像边界特征的分割;
6、并且,在fadnet网络的最后一层添加深度聚合金字塔网络,用于提取不同层级不同尺度的卷积特征,挖掘膝关节图像最后一层的特征信息,以定位分割位置。
7、可选的,在将膝关节图像输入预设的膝关节分割模型之前,方法还包括:
8、获取膝关节图像数据集;
9、标注膝关节图像数据集中膝关节图像的膝关节区域,并将膝关节区域确定为分割mask;其中,每个分割mask与膝关节图像一一对应;
10、将每个膝关节图像及其对应的分割mask的图像格式均转换为png格式;
11、将所有转换为png格式的膝关节图像及其对应的分割mask,按照预设比例划分为训练集、验证集和测试集。
12、可选的,在将所有转换为png格式的膝关节图像及其对应的分割mask,按照预设比例划分为训练集、验证集和测试集之后,方法还包括:
13、利用训练集对改进后的fadnet网络进行模型训练,并利用验证集和测试集进行验证和测试,得到膝关节分割模型。
14、可选的,利用训练集对改进后的fadnet网络进行模型训练,并利用验证集和测试集进行验证和测试,得到膝关节分割模型,包括:
15、在模型训练过程中,设置训练的batch_size为64;
16、设置初始化学习率为1e-4,附加学习率衰减策略,每迭代5000次,学习率衰减为上一次学习率的0.9;
17、设置优化器为adam优化器;
18、设置损失函数为dice loss;
19、设置每迭代1000次,对训练集和验证集做一次验证,通过早停法来判断网络训练停止时间,并得到膝关节分割模型。
20、可选的,fadnet网络的卷积层使用残差卷积,以减少特征损失;
21、其中,残差卷积为由1x1,3x3和1x1卷积核组成的残差单元。
22、可选的,注意力机制网络包括位置注意力机制网络和通道注意力机制网络;
23、其中,位置注意力机制网络,用于通过所有位置处的特征的加权和来选择性地聚合每个位置的特征;
24、通道注意力机制网络,用于通过整合所有通道映射之间的相关特征来选择性地强调存在相互依赖的通道映射。
25、可选的,深度聚合金字塔网络包括四个网络分支,每个网络分支分别采用1x1或3x3的卷积核提取特征,输入的特征图并行的通过这四个网络分支得到四个输出结果,然后通过1x1的卷积核将四个输出结果融合输出。
26、第二方面,本技术实施例提供了一种膝关节分割装置,包括:
27、图像获取模块,用于获取待分割的膝关节图像;
28、膝关节分割结果获取模块,用于将膝关节图像输入预设的膝关节分割模型,输出膝关节分割结果;
29、其中,膝关节分割模型是基于改进后的fadnet网络经过模型训练得到的,改进后的fadnet网络是在fadnet网络的每层每对相邻的解码器分支和编码器分支之间的跳跃连接中添加注意力机制网络,用于增强对膝关节图像边界特征的分割;
30、并且,在fadnet网络的最后一层添加深度聚合金字塔网络,用于提取不同层级不同尺度的卷积特征,挖掘膝关节图像最后一层的特征信息,以定位分割位置。
31、可选的,装置还包括:
32、训练样本数据集获取模块,用于获取膝关节图像数据集;标注膝关节图像数据集中膝关节图像的膝关节区域,并将膝关节区域确定为分割mask;其中,每个分割mask与膝关节图像一一对应;将每个膝关节图像及其对应的分割mask的图像格式均转换为png格式;将所有转换为png格式的膝关节图像及其对应的分割mask,按照预设比例划分为训练集、验证集和测试集。
33、可选的,装置还包括:
34、模型训练模块,用于利用训练集对改进后的fadnet网络进行模型训练,并利用验证集和测试集进行验证和测试,得到膝关节分割模型。
35、可选的,模型训练模块,用于:
36、在模型训练过程中,设置训练的batch_size为64;
37、设置初始化学习率为1e-4,附加学习率衰减策略,每迭代5000次,学习率衰减为上一次学习率的0.9;
38、设置优化器为adam优化器;
39、设置损失函数为dice loss;
40、设置每迭代1000次,对训练集和验证集做一次验证,通过早停法来判断网络训练停止时间,并得到膝关节分割模型。
41、可选的,fadnet网络的卷积层使用残差卷积,以减少特征损失;
42、其中,残差卷积为由1x1,3x3和1x1卷积核组成的残差单元。
43、可选的,注意力机制网络包括位置注意力机制网络和通道注意力机制网络;
44、其中,位置注意力机制网络,用于通过所有位置处的特征的加权和来选择性地聚合每个位置的特征;
45、通道注意力机制网络,用于通过整合所有通道映射之间的相关特征来选择性地强调存在相互依赖的通道映射。
46、可选的,深度聚合金字塔网络包括四个网络分支,每个网络分支分别采用1x1或3x3的卷积核提取特征,输入的特征图并行的通过这四个网络分支得到四个输出结果,然后通过1x1的卷积核将四个输出结果融合输出。
47、第三方面,本技术实施例提供了一种电子设备,电子设备包括:处理器以及存储有计算机程序指令的存储器;
48、处理器执行计算机程序指令时实现如第一方面所示的膝关节分割方法。
49、第四方面,本技术实施例提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如第一方面所示的膝关节分割方法。
50、该膝关节分割方法,包括:获取待分割的膝关节图像;将膝关节图像输入预设的膝关节分割模型,输出膝关节分割结果;
51、其中,膝关节分割模型是基于改进后的fadnet网络经过模型训练得到的,改进后的fadnet网络是在fadnet网络的每层每对相邻的解码器分支和编码器分支之间的跳跃连接中添加注意力机制网络,用于增强对膝关节图像边界特征的分割;并且,在fadnet网络的最后一层添加深度聚合金字塔网络,用于提取不同层级不同尺度的卷积特征,挖掘膝关节图像最后一层的特征信息,以定位分割位置,故能够更加准确地进行膝关节分割。