本发明涉及图像处理，尤其涉及一种脑肿瘤mri图像分割方法、装置、设备、介质及程序产品。
背景技术：
1、医学图像分割任务实质上是图像语义分割，是对图像中的目标区域进行像素分类。目前，针对脑肿瘤mri图像分割任务，一般采用基于深度学习的医学图像分割方法，例如将同一个病人多个模态的脑肿瘤mri数据贴合在一起，同时输入人工智能神经器中，得到最终的分割结果。但是，现有的脑肿瘤mri图像分割器，例如3d u-net、v-net、transformer等器，一般采用端到端的训练方式，使得在器的前馈过程中，前一阶段的输出作为下一阶段的输入，浪费了每一步下采样过程中蕴含的语义特征信息，从而浪费了医学图像中的信息，同时忽略了脑肿瘤mri图像固有的数据量小的特点，使得现有的分割器往往只面向高维数据的表征，影响图像分割的精度。
技术实现思路
1、针对现有技术存在的问题，本发明实施例提供一种脑肿瘤mri图像分割方法、装置、设备、介质及程序产品，其能有效提高脑肿瘤mri图像分割的精度。
2、第一方面，本发明实施例提供了一种脑肿瘤mri图像分割方法，包括：
3、获取待分割的脑肿瘤mri图像；
4、将所述脑肿瘤mri图像输入到预先训练好的图像分割模型进行分割，获得图像分割结果；
5、其中，所述图像分割模型包括多流特征提取模块、特征融合增强模块、多流图像还原模块以及语义分割模块；通过所述多流特征提取模块对所述脑肿瘤mri图像进行不同层次的特征提取；通过所述特征融合增强模块对不同层次的特征采用不同的融合算法进行特征融合；通过所述多流图像还原模块对融合后的特征进行特征还原，得到还原图像；通过所述语义分割模块对所述还原图像进行图像分割预测，获得所述图像分割结果。
6、作为上述方案的改进，所述多流特征提取模块包括多个不同的特征提取器；所述特征融合增强模块包括与所述特征提取器一一对应连接的多个不同的特征融合器；其中，各个所述特征融合器采用语义特征融合算法、风格融合算法、语义增强融合算法中的一种或多种融合算法对与其相连的特征提取器输出的特征进行特征融合。
7、作为上述方案的改进，所述多流特征提取模块包括四个不同的特征提取器；所述特征融合增强模块包括与所述特征提取器一一对应连接的四个不同的特征融合器；
8、其中，第一个所述特征融合器采用语义特征融合算法对与其相连的第一个所述特征提取器输出的特征进行语义特征融合，获得语义融合后输出的一阶融合特征；
9、第二个所述特征融合器采用语义特征融合算法和风格融合算法对与其相连的第二个所述特征提取器输出的特征依次进行语义特征融合和风格融合，获得风格融合后输出的二阶融合特征；
10、第三个所述特征融合器采用语义特征融合算法、风格融合算法和语义增强融合算法对与其相连的第三个所述特征提取器输出的特征依次进行语义特征融合、风格融合和语义增强融合，获得语义增强融合后输出的三阶融合特征；
11、第四个所述特征融合器采用语义特征融合算法、风格融合算法和语义增强融合算法对与其相连的第三个所述特征提取器输出的特征依次进行语义特征融合、风格融合和语义增强融合，获得组合了语义特征融合后的输出、风格融合后的输出和语义增强融合后的输出的四阶融合特征。
12、作为上述方案的改进，采用语义特征融合算法进行语义特征融合的过程包括以下步骤：
13、对输入所述特征融合器的特征，通过空洞空间金字塔池化进行多尺度特征提取，并对提取出的多尺度特征按照通道维度进行融合，输出语义融合后的一阶融合特征。
14、作为上述方案的改进，采用风格融合算法进行风格融合的过程包括以下步骤：
15、分别计算所述特征融合器输出的一阶融合特征和输入所述特征融合器的特征在不同维度上的均值和标准差；
16、根据所述一阶融合特征和输入所述特征融合器的特征在不同维度上的均值和标准差，计算风格向量；
17、采用所述风格向量对输入所述特征融合器的特征进行风格融合，输出风格融合后的二阶融合特征。
18、作为上述方案的改进，采用语义增强融合算法进行语义增强融合的过程包括以下步骤：
19、根据所述特征融合器输出的二阶融合特征，构建每个肿瘤类别的特征协方差矩阵；
20、根据各个肿瘤类别的特征协方差矩阵和输入所述特征融合器的特征，构建相应肿瘤类别的高斯分布，并对各个所述高斯分布进行随机采样，构建相应肿瘤类别的特征变换矩阵；
21、采用所述特征变换矩阵对输入所述特征融合器的特征进行语义增强融合，输出语义增强融合后的三阶融合特征。
22、作为上述方案的改进，所述通过所述多流特征提取模块对所述脑肿瘤mri图像进行不同层次的特征提取，包括：
23、第一个所述特征提取器通过一层特征提取层对输入的所述脑肿瘤mri图像进行特征提取，输出一阶原始特征；
24、第一个所述特征提取器采用空间注意力机制对所述一阶原始特征中的肿瘤区域进行像素点增强，得到第一空间去噪特征；
25、第一个所述特征提取器采用通道注意力机制对所述一阶原始特征中的肿瘤区域进行通道增强，得到第一通道去噪特征；
26、对所述第一空间去噪特征和所述第一通道去噪特征进行融合，得到一阶去噪特征；其中，所述一阶去噪特征为第一个所述特征提取器输出的特征。
27、作为上述方案的改进，所述通过所述多流特征提取模块对所述脑肿瘤mri图像进行不同层次的特征提取，包括：
28、第二个所述特征提取器通过两层特征提取层对输入的所述脑肿瘤mri图像进行特征提取，输出二阶原始特征；
29、第二个所述特征提取器采用空间注意力机制对所述二阶原始特征中的肿瘤区域进行像素点增强，得到第二空间去噪特征；
30、第二个所述特征提取器采用通道注意力机制对所述二阶原始特征中的肿瘤区域进行通道增强，得到第二通道去噪特征；
31、对所述第二空间去噪特征和所述第二通道去噪特征进行融合，得到二阶去噪特征；其中，所述二阶去噪特征为第二个所述特征提取器输出的特征。
32、作为上述方案的改进，所述通过所述多流特征提取模块对所述脑肿瘤mri图像进行不同层次的特征提取，包括：
33、第三个所述特征提取器通过三层特征提取层对输入的所述脑肿瘤mri图像进行特征提取，输出三阶原始特征；
34、第三个所述特征提取器采用空间注意力机制对所述三阶原始特征中的肿瘤区域进行像素点增强，得到第三空间去噪特征；
35、第三个所述特征提取器采用通道注意力机制对所述三阶原始特征中的肿瘤区域进行通道增强，得到第三通道去噪特征；
36、对所述第三空间去噪特征和所述第三通道去噪特征进行融合，得到三阶去噪特征；其中，所述三阶去噪特征为第三个所述特征提取器输出的特征。
37、作为上述方案的改进，所述通过所述多流特征提取模块对所述脑肿瘤mri图像进行不同层次的特征提取，包括：
38、第四个所述特征提取器通过四层特征提取层对输入的所述脑肿瘤mri图像进行特征提取，输出四阶原始特征；
39、第四个所述特征提取器采用空间注意力机制对所述四阶原始特征中的肿瘤区域进行像素点增强，得到第四空间去噪特征；
40、第四个所述特征提取器采用通道注意力机制对所述四阶原始特征中的肿瘤区域进行通道增强，得到第四通道去噪特征；
41、对所述第四空间去噪特征和所述第四通道去噪特征进行融合，得到四阶去噪特征；其中，所述四阶去噪特征为第四个所述特征提取器输出的特征。
42、作为上述方案的改进，在通过所述多流图像还原模块对融合后的特征进行特征还原，得到还原图像之前，所述方法还包括：
43、通过基于监督学习算法训练得到的第一分割网络分别对各个所述特征融合器输出的特征进行粗分割。
44、作为上述方案的改进，所述多流图像还原模块包括四个不同的图像还原器；
45、所述通过所述多流图像还原模块对融合后的特征进行特征还原，得到还原图像，包括：
46、通过第一个所述特征还原器对第四个所述特征融合器输出的四阶融合特征进行特征还原，得到一阶还原特征；
47、对所述一阶还原特征与第三个所述特征融合器输出的三阶融合特征进行特征融合，并将通过第二个所述特征还原器对融合后的特征进行特征还原，得到二阶还原特征；
48、对所述二阶还原特征与第二个所述特征融合器输出的二阶融合特征进行特征融合，并将通过第三个所述特征还原器对融合后的特征进行特征还原，得到三阶还原特征；
49、对所述三阶还原特征与第一个所述特征融合器输出的一阶融合特征进行特征融合，并将通过第四个所述特征还原器对融合后的特征进行特征还原，得到四阶还原特征；
50、对所述一阶还原特征、所述二阶还原特征、所述三阶还原特征以及所述四阶还原特征进行特征融合，得到所述还原图像。
51、作为上述方案的改进，所述图像分割模型的训练过程包括以下步骤：
52、根据预先采集的脑肿瘤mri训练样本，构建训练数据集；其中，每个所述脑肿瘤mri训练样本包括原始脑肿瘤mir图像和与其对应的携带肿瘤类别标签的标签图像；
53、对每个所述脑肿瘤mri训练样本中的原始脑肿瘤mri图像进行裁剪和弱数据增强，以扩充后所述训练数据集；
54、采用扩充后的训练数据集对预先训练的图像分割模型进行模型训练，获得训练后的图像分割模型。
55、第二方面，本发明实施例提供了一种脑肿瘤mri图像分割装置，包括：
56、图像获取模块，用于获取待分割的脑肿瘤mri图像；
57、图像分割模块，用于将所述脑肿瘤mri图像输入到预先训练好的图像分割模型进行分割，获得图像分割结果；
58、其中，所述图像分割模型包括多流特征提取模块、特征融合增强模块、多流图像还原模块以及语义分割模块；通过所述多流特征提取模块对所述脑肿瘤mri图像进行不同层次的特征提取；通过所述特征融合增强模块对不同层次的特征采用不同的融合算法进行特征融合；通过所述多流图像还原模块对融合后的特征进行特征还原，得到还原图像；通过所述语义分割模块对所述还原图像进行图像分割预测，获得所述图像分割结果。
59、第三方面，本发明实施例提供了一种脑肿瘤mri图像分割设备，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的脑肿瘤mri图像分割方法。
60、第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面中任意一项所述的脑肿瘤mri图像分割方法。
61、第五方面，本发明实施例提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如第一方面中任意一项所述的脑肿瘤mri图像分割方法。
62、相对于现有技术，本发明实施例的一种脑肿瘤mri图像分割方法、装置、设备、介质及程序产品，通过获取待分割的脑肿瘤mri图像；然后将所述脑肿瘤mri图像输入到预先训练好的图像分割模型进行分割，获得图像分割结果；其中，所述图像分割模型包括多流特征提取模块、特征融合增强模块、多流图像还原模块以及语义分割模块；通过所述多流特征提取模块对所述脑肿瘤mri图像进行不同层次的特征提取；通过所述特征融合增强模块对不同层次的特征采用不同的融合算法进行特征融合；通过所述多流图像还原模块对融合后的特征进行特征还原，得到还原图像；通过所述语义分割模块对所述还原图像进行图像分割预测，获得所述图像分割结果；本发明实施例通过多流特征提取模块采用多流的方式提取不同阶段的特征，通过特征融合增强模块采用多流的方式会将不同层次的特征融合后再还原，避免了梯度消失的问题，且融合的特征具有不同层次的分割信息，能有效提高脑肿瘤mri图像的分割精度。
1.一种脑肿瘤mri图像分割方法，其特征在于，包括：
2.如权利要求1所述的脑肿瘤mri图像分割方法，其特征在于，所述多流特征提取模块包括多个不同的特征提取器；所述特征融合增强模块包括与所述特征提取器一一对应连接的多个不同的特征融合器；其中，各个所述特征融合器采用语义特征融合算法、风格融合算法、语义增强融合算法中的一种或多种融合算法对与其相连的特征提取器输出的特征进行特征融合。
3.如权利要求1所述的脑肿瘤mri图像分割方法，其特征在于，所述多流特征提取模块包括四个不同的特征提取器；所述特征融合增强模块包括与所述特征提取器一一对应连接的四个不同的特征融合器；
4.如权利要求2或3所述的脑肿瘤mri图像分割方法，其特征在于，采用语义特征融合算法进行语义特征融合的过程包括以下步骤：
5.如权利要求4所述的脑肿瘤mri图像分割方法，其特征在于，采用风格融合算法进行风格融合的过程包括以下步骤：
6.如权利要求5所述的脑肿瘤mri图像分割方法，其特征在于，采用语义增强融合算法进行语义增强融合的过程包括以下步骤：
7.如权利要求3所述的脑肿瘤mri图像分割方法，其特征在于，所述通过所述多流特征提取模块对所述脑肿瘤mri图像进行不同层次的特征提取，包括：
8.如权利要求3所述的脑肿瘤mri图像分割方法，其特征在于，所述通过所述多流特征提取模块对所述脑肿瘤mri图像进行不同层次的特征提取，包括：
9.如权利要求3所述的脑肿瘤mri图像分割方法，其特征在于，所述通过所述多流特征提取模块对所述脑肿瘤mri图像进行不同层次的特征提取，包括：
10.如权利要求3所述的脑肿瘤mri图像分割方法，其特征在于，所述通过所述多流特征提取模块对所述脑肿瘤mri图像进行不同层次的特征提取，包括：
11.如权利要求2或3所述的脑肿瘤mri图像分割方法，其特征在于，在通过所述多流图像还原模块对融合后的特征进行特征还原，得到还原图像之前，所述方法还包括：
12.如权利要求3所述的脑肿瘤mri图像分割方法，其特征在于，所述多流图像还原模块包括四个不同的图像还原器；
13.如权利要求1所述的脑肿瘤mri图像分割方法，其特征在于，所述图像分割模型的训练过程包括以下步骤：
14.一种脑肿瘤mri图像分割装置，其特征在于，包括：
15.一种脑肿瘤mri图像分割设备，其特征在于，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至13中任意一项所述的脑肿瘤mri图像分割方法。
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存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至13中任意一项所述的脑肿瘤mri图像分割方法。
17.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至13中任意一项所述的脑肿瘤mri图像分割方法。
