(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211188150.0 (22)申请日 2022.09.28 (71)申请人 北京医准智能科技有限公司 地址 100083 北京市海淀区知春路7号 致真 大厦A座12层1202-120 3号 (72)发明人 于昕晔　陈登博　马璐　丁佳　 吕晨翀　 (74)专利代理 机构 北京乐知新创知识产权代理 事务所(普通 合伙) 11734 专利代理师 刘欢欢 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/28(2022.01) G06V 10/40(2022.01) G06V 10/764(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种医学图像分割方法、 装置、 设备及存储 介质 (57)摘要 本公开提供了一种医学图像分割方法、 装 置、 设备及存储介质， 所述方法包括： 将待分割医 学图像输入 预先训练的目标图像分割模型， 第一 残差特征提取层提取第一残差特征， 第二残差特 征提取层对第一残差特征提取第二残差特征， 语 义特征提取层对第一残差特征提取语义特征， 特 征融合层对第二残差特征和语义特征进行融合 得到融合特征， 结果输出层基于融合特征提取待 分割医学图像中目标器官的器官区域图像， 以及 确定目标器官的器官类别， 并输出器官区域图像 和器官类别。 采用该方法， 使得医学检测仪器可 以利用器官区域图像在更精确的区域检测的同 时， 也可以在器官对应的检测模式下进行检测， 提高了检测结果准确率， 从而达到了更好的辅助 检查效果。 权利要求书3页 说明书14页 附图6页 CN 115409990 A 2022.11.29 CN 115409990 A 1.一种医学图像分割方法， 其特 征在于， 所述方法包括： 将待分割医学图像输入预先训练的目标图像分割模型， 其中， 所述目标图像分割模型 包括第一残差特征提取层、 第二残差特征提取层、 语义特征提取层、 特征融合层和结果输出 层； 所述第一残差特征提取层， 对输入的所述待分割医学图像进行第一残差特征提取， 并 将所述第一残差特 征输入所述第二残差特 征提取层和所述语义特 征提取层； 所述第二残差特征提取层， 对所述第一残差特征进行第二残差特征提取， 并将所述第 二残差特 征输入所述特 征融合层； 所述语义特征提取层， 对所述第一残差特征进行语义特征提取， 并将所述语义特征输 入所述特 征融合层； 所述特征融合层， 对所述第二残差特征和所述语义特征进行融合得到融合特征， 并将 所述融合特 征输入所述结果输出层； 所述结果输出层， 基于所述融合特征提取所述待分割医学图像中目标器官的器官区域 图像， 以及确定所述目标器官的器官类别， 并输出 所述器官区域图像和所述器官类别。 2.根据权利要求1所述的方法， 其特征在于， 在所述输出所述器官区域图像和所述器官 类别之后， 所述方法还 包括： 提取所述器官区域图像的轮廓区域； 确定所述轮廓区域对应的外 接矩形区域； 当所述外接矩形区域与前一帧矩形区域的对应坐标之间的坐标差值大于目标差值阈 值时， 调整所述轮廓区域对应的外接矩形区域； 其中， 所述前一帧矩形区域为： 基于所述待 分割医学图像的前一帧医学图像所分割的器官区域图像的轮廓区域对应的外接矩形区域； 所述目标差值阈值 为基于所述器官区域图像的尺寸确定的。 3.根据权利要求1所述的方法， 其特 征在于， 所述目标图像分割模型的训练方式包括： 将样本医学图像输入待训练深度学习 模型， 所述待训练深度学习 模型包括第 一残差特 征提取层、 第二残差特 征提取层、 语义特 征提取层、 特 征融合层和结果输出层； 所述第一残差特征提取层， 对输入的所述样本医学图像进行第一样本残差特征提取， 并将所述第一样本残差特 征输入所述第二残差特 征提取层和所述语义特 征提取层； 所述第二残差特征提取层， 对所述第一样本残差特征进行第二样本残差特征提取， 并 将所述第二样本残差特 征输入所述特 征融合层； 所述语义特征提取层， 对所述第一样本残差特征进行样本语义特征提取， 并将所述样 本语义特 征输入所述特 征融合层； 所述特征融合层， 对所述第 二样本残差特征和所述样本语义特征进行融合得到样本融 合特征， 并将所述样本融合特 征输入所述结果输出层； 所述结果输出层， 基于所述样本 融合特征提取所述样本医学图像中的预测器官区域图 像， 以及确定所述样本医学图像中的器官 的预测器官类别， 并输出所述预测器官区域图像 和所述预测器官类别； 基于所述预测器官区域图像和预先提取的所述样本 医学图像对应的器官区域图像， 以 及所述预测器官类别和预先标注的所述样本医学图像对应的器官类别标签， 计算所述待训 练模型的损失函数；权　利　要　求　书 1/3 页 2 CN 115409990 A 2确定所述损失函数 是否收敛； 如果是， 将当前的待训练深度学习模型确定为目标图像分割模型； 如果否， 调整当前的待训练深度学习模型的各个层的参数， 并选取下一个样本医学图 像， 返回所述将 样本医学图像输入待训练深度学习模型的步骤。 4.根据权利要求3所述的方法， 其特征在于， 在所述基于所述预测器官区域图像和预先 提取的所述样本医学图像对应的器官区域图像， 以及所述预测器官类别和预先标注的所述 样本医学图像对应的器官类别标签， 计算所述待训练模型 的损失函数之前， 所述方法还包 括： 对所述样本医学图像进行二 值化处理， 得到二 值化图像； 对所述二值化图像进行腐蚀处 理， 得到腐蚀图像； 提取所述腐蚀图像中的所有连通区域图像； 将面积最大的连通区域图像确定为所述样本医学图像对应的器官区域图像； 为所述样本医学图像对应的器官区域图像中每个像素点赋予预先标注的器官类别标 签， 得到携带 标签的器官区域图像； 所述基于所述预测器官区域图像和预先提取的所述样本医学图像对应的器官区域图 像， 以及所述预测器官类别和预先标注的所述样本医学图像对应的器官类别标签， 计算所 述待训练模型的损失函数， 包括： 根据所述预测器官区域图像、 所述预测器官类别和所述携带标签的器官区域图像， 计 算所述待训练模型的损失函数。 5.根据权利要求1所述的方法， 其特征在于， 所述第 二残差特征提取层由第 一常规残差 模块、 第二常规残差模块和瓶颈残差模块构成； 所述语义特征提取层由Transformer编码器 构成。 6.根据权利要求5所述的方法， 其特征在于， 所述第 二残差特征包括所述第 一常规残差 模块输出的第一残差子特征、 所述第二常规残差模块输出的第二残差子特征和所述瓶颈残 差模块输出的第三残差 子特征； 所述语义特征包括： 所述Transformer编码器的第一网络层输出的第一语义子特征、 所 述Transformer编码器的第二网络层输出的第二语义子特征和所述Transformer编码器第 三网络层输出的第三语义子特 征； 所述对所述第 二残差特征和所述语义特征进行融合得到融合特征， 并将所述融合特征 输入所述结果输出层， 包括： 将所述第一残差子特征与 所述第一语义子特征进行融合得到第 一融合子特征， 并将所 述第一融合子特征输入所述第二常规残差模块和所述第二网络层， 得到所述第二常规残差 模块输出的所述第二残差 子特征和所述第二网络层输出的所述第二语义子特 征； 将所述第二残差子特征与 所述第二语义子特征进行融合得到第 二融合子特征， 并将所 述第二融合子特征输入所述瓶颈残差模块和所述第三网络层， 得到所述瓶颈残差模块输出 的所述第三残差 子特征和所述第三网络层输出的所述第三语义子特 征； 将所述第三残差子特征与 所述第三语义子特征进行融合得到 融合特征， 并将所述融合 特征输入所述结果输出层。 7.一种医学图像分割装置， 其特 征在于， 所述装置包括：权　利　要　求　书 2/3 页 3 CN 115409990 A 3