图像分割方法、装置、设备以及存储介质与流程

1.本发明涉及图像技术领域，尤其涉及一种图像分割方法、装置、设备以及存储介质。


背景技术：

2.随着图像采集技术的进步，图像数据信息在各个领域被大规模收集。图像分割技术展现出了越来越重要的应用价值，已经被广泛应用到各个领域中。例如，通过图像分割技术实现对交通领域中的车牌号识别会交通标志的识别，或者，通过图像分割技术实现对军事领域中的飞行物识别或地形勘察，又或者，通过图像分割技术实现对安全领域中的指纹识别或人脸识别等。
3.然而，在一些应用领域中，由于各种原因会存在成像技术限制。例如，在医学领域中，由于成像对象一般是人体部位，这就对于医疗成像技术(如，x光、磁共振以及超声波等)的安全性提出了较高的要求。相关成像技术，在保证成像对象安全的情况下采集到的图像，往往存在着边界模糊以及对比度低等特点。因此，采用图像分割技术对图像进行分割时，往往存在图像分割准确率低的问题。


技术实现要素：

4.本发明提供了一种图像分割方法、装置、设备以及存储介质，以解决由于医学图像的边界模糊以及对比度低等特点，导致的人工智能图像分割模型的分割准确率低的技术问题。
5.根据本发明的一方面，提供了一种图像分割方法，该方法包括：
6.获取待识别图像，基于简单线性迭代聚类算法对待识别图像进行超分辨率分割，得到与待识别图像对应的待识别超分辨率分割图像，其中，待识别超分辨率分割图像中包括多个待识别图像分割区域；
7.将待识别图像和待识别超分辨率分割图像输入至预先训练的目标分割模型中，得到第一目标分割结果和第二目标分割结果，其中，第一目标分割结果用于指示待识别图像中每个像素点属于感兴趣区域的概率，第二目标分割结果用于指示待识别超分辨率分割图像中每个待识别图像分割区域为感兴趣区域的概率；
8.基于第一分割结果和第二分割结果，确定待识别图像中的感兴趣区域。
9.根据本发明的另一方面，提供了一种图像分割装置，该装置包括：
10.待识别图像获取模块，用于获取待识别图像，基于简单线性迭代聚类算法对待识别图像进行超分辨率分割，得到与待识别图像对应的待识别超分辨率分割图像，其中，待识别超分辨率分割图像中包括多个待识别图像分割区域；
11.待识别图像分割模块，用于将待识别图像和待识别超分辨率分割图像输入至预先训练的目标分割模型中，得到第一目标分割结果和第二目标分割结果，其中，第一目标分割结果用于指示待识别图像中每个像素点属于感兴趣区域的概率，第二目标分割结果用于指
示待识别超分辨率分割图像中每个待识别图像分割区域为感兴趣区域的概率；
12.感兴趣区域确定模块，用于基于第一分割结果和第二分割结果，确定待识别图像中的感兴趣区域。根据本发明的另一方面，提供了一种电子设备，电子设备包括：
13.至少一个处理器；以及
14.与至少一个处理器通信连接的存储器；其中，
15.存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的图像分割方法。
16.根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的图像分割方法。
17.本发明实施例的技术方案，首先通过获取待识别图像，基于简单线性迭代聚类算法对待识别图像进行超分辨率分割，得到与待识别图像对应的待识别超分辨率分割图像，其中，待识别超分辨率分割图像中包括多个待识别图像分割区域。超分辨率图像分割区域为分割模型增加了输入模态。然后将待识别图像和待识别超分辨率分割图像输入至预先训练的目标分割模型中，得到第一目标分割结果和第二目标分割结果，其中，第一目标分割结果用于指示待识别图像中每个像素点属于感兴趣区域的概率，第二目标分割结果用于指示待识别超分辨率分割图像中每个待识别图像分割区域为感兴趣区域的概率。最后基于第一分割结果和第二分割结果，确定待识别图像中的感兴趣区域。解决了由于医学图像的边界模糊以及对比度低等特点，导致的人工智能图像分割模型的分割准确率低的技术问题。取得了利用双模态输入降低模型学习难度，并且使得模型产生双路融合决策预测结果从而增加模型的识别率和可信度的有益效果。
18.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
19.为了更清楚地说明本发明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单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1是根据本发明实施例一提供的一种图像分割方法的流程图；
21.图2是根据本发明实施例一提供的一种医学图像分割方法的逻辑框图；
22.图3是根据本发明实施例二提供的一种图像分割方法的流程图；
23.图4是根据本发明实施例三提供的一种图像分割装置的结构示意图；
24.图5是可以用来实施本发明的实施例的电子设备10的结构示意图。
具体实施方式
25.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人
员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
26.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”以及“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
27.实施例一
28.图1为本发明实施例一提供了一种图像分割方法的流程图，本实施例可适用于分割图像的情况，尤其适用于对纹理信息非常丰富的医学图像进行分割的情况，该方法可以由图像分割装置来执行，该图像分割装置可以采用硬件和/或软件的形式实现，该图像分割装置可配置于电子设备中。如图1所示，该方法包括：
29.s110、获取待识别图像，基于简单线性迭代聚类算法对待识别图像进行超分辨率分割，得到与待识别图像对应的待识别超分辨率分割图像，其中，待识别超分辨率分割图像中包括多个待识别图像分割区域。
30.本实施例中，待识别图像可以是待分割出感兴趣区域的的图像，例如，待识别图像可以是各个应用领域的图像，例如可以是人物图像、医学图像、风景图像或工业图像等。超分辨率分割可以是把图像分割成具有相似纹理、颜色以及亮度等特征的，相邻像素构成的有一定视觉意义的不规则像素块。超分辨率分割可以利用像素之间特征的相似性将像素分组,用少量的超像素代替大量的像素来表达图片特征,很大程度上降低了图像后处理的复杂度。基于简单线性迭代聚类算法(slic，simple linear iterativeclustering)对待识别图像进行超分辨率分割，可以是将彩色图像转化为cielab颜色空间(cielab color space)和xy坐标下的5维特征向量，然后对5维特征向量构造距离度量标准，对图像像素进行局部聚类的分割过程。待识别超分辨率分割图像可以是利用简单线性迭代聚类算法对待识别图像进行超分辨率分割后得到的图像。待识别图像分割区域可以是对待识别图像进行超分辨率分割后得到的像素块。
31.具体的，可以基于简单线性迭代聚类算法，利用像素之间特征的相似性对包括医学影像等待识别图像进行超分辨率分割。可以得到包括多个待识别图像分割区域(相邻像素构成的像素块)的，与待识别图像对应的待识别超分辨率分割图像。
32.s120、将待识别图像和待识别超分辨率图像输入至预先训练的目标分割模型中，得到第一目标分割结果和第二目标分割结果，其中，第一目标分割结果用于指示待识别图像中每个像素点属于感兴趣区域的概率，第二目标分割结果用于指示待识别超分辨率图像中每个待识别图像分割区域为感兴趣区域的概率。
33.本实施例中，预先训练的目标分割模型可以是预先训练的，用于分割出图像中的目标单元的神经网络分割模型，例如，经过改修后可以同时处理一般图像分割任务与超分辨率图像分割任务的unet语义分割模型。第一目标分割结果和第二目标分割结果可以是将图像输入分割模型后，输出的目标单元分割结果。感兴趣区域可以是图像中被分割出的目
标单元。第一目标分割结果可以用于指示待识别图像中每个像素点属于感兴趣区域的概率，因此可以根据第一目标分割结果确定属于感兴趣区域的像素点。同样的，第二目标分割结果可以用于指示待识别超分辨率图像中，每个待识别图像分割区域为感兴趣区域的概率，因此可以根据第二目标分割结果确定属于感兴趣区域的待识别图像分割区域。
34.s130、基于第一分割结果和第二分割结果，确定待识别图像中的感兴趣区域。
35.本实施例中，基于第一分割结果和第二分割结果确定待识别图像中的感兴趣区域，可以是先基于第一分割结果和第二分割结果确定出待识别图像中每个像素点属于感兴趣区域的概率，然后基于待识别图像中每个像素点属于感兴趣区域的概率确定待识别图像中的感兴趣区域。
36.示例性的，可以基于第一分割结果中待识别图像中每个像素点属于感兴趣区域的概率，以及第二分割结果中每个待识别图像分割区域为感兴趣区域的概率，共同确定待识别图像中的每个像素点属于感兴趣区域的概率，进而确定待识别图像中的感兴趣区域。
37.可选的，基于第一分割结果和第二分割结果，确定待识别图像中的感兴趣区域，包括：基于第二分割结果分别确定待识别超分辨率图像中每个像素点对应的第二概率；针对待识别图像中的每个像素点，获取像素点在第一分割结果中的第一概率及其在第二分割结果中的第二概率，基于第一概率和第二概率确定像素点对应的目标概率；基于待识别图像中的每个像素点对应的目标概率，确定待识别图像中的感兴趣区域。
38.本实施例中，第一概率可以是待识别图像中的每个像素点属于感兴趣区域的概率。第二概率可以是待识别超分辨率图像中每个像素点属于感兴趣区域的概率。可以理解的，由于待识别超分辨率图像包括多个待识别图像分割区域，而每个待识别图像分割区域是利用像素之间特征的相似性将像素分组得到的区域，因此每个待识别图像分割区域中的第二概率值可以相同。目标概率可以是针对待识别图像中的每个像素点，根据每个像素点对应的第一概率与第二概率的取平均等运算后获取的该像素点属于感兴趣区域的概率。
39.具体的，可以基于第二分割结果中每个待识别图像分割区域属于感兴趣区域的概率值，分别确定待识别超分辨率图像中每个像素点对应的第二概率。然后可以针对待识别图像中的每个像素点，获取像素点在第一分割结果中的，该像素点属于感兴趣区域的第一概率，并基于该像素点的第一概率和第二概率共同确定该像素点对应的目标概率。最后可以基于待识别图像中的每个像素点对应的目标概率，确定待识别图像中的感兴趣区域。
40.可选的，基于第二分割结果分别确定待识别超分辨率图像中每个像素点对应的第二概率，包括：针对待识别超分辨率图像中每个像素点，将像素点所属的待识别图像分割区域的概率作为像素点对应的第二概率。
41.本实施例中，针对待识别超分辨率图像中每个像素点，由于每个待识别图像分割区域中的第二概率值可以相同，因此可以将像素点所属的待识别图像分割区域的概率作为像素点对应的第二概率。
42.可选的，基于第一概率和第二概率确定像素点对应的目标概率，包括：将第一概率和第二概率进行求和运算或加权求和运算后取平均值，得到像素点对应的目标概率。
43.本实施例中，通过将第一概率和第二概率进行求和运算或加权求和运算后取平均值，可以得到待识别图像中每个像素点对应的属于感兴趣区域的平均概率。
44.可选的，基于待识别图像中的每个像素点对应的目标概率，确定待识别图像中的
感兴趣区域，包括：基于待识别图像中的每个像素点对应的目标概率以及预设概率阈值，将待识别图像进行二值化处理，得到待识别图像中的感兴趣区域。
45.本实施例中，预设概率阈值可以是根据实际情况预先设置的，用于判定每个像素点属于感兴趣区域的概率界限值。二值化处理可以是基于预设概率阈值对待识别图像进行将像素点的灰度设置为0或255的灰度变换。具体的，可以将待识别图像的数据分割成为大于预设概率阈值的像素群，以及小于预设概率阈值的像素群两部分。
46.图2为本发明实施例一提供的一种医学图像分割方法优选的逻辑框图。
47.如图1所示，该处理逻辑包括：
48.1.输入医学图像。
49.2.采用slic算法对输入医学图像进行超分辨率分割。
50.3.将医学图像以及超分辨率分割后的医学图像输入至多模态神经网络中。
51.4.基于模型预测概率以及模型对超分辨率标签分类，对图像进行分割。
52.5.将模型预测概率与超分辨率标签分类进行决策融合。
53.6.输出感兴趣区域。
54.其中，医学图像可以相当于前述各实施例中的待识别图像，超分辨率分割后的医学图像可以相当于前述各实施例中的待识别超分辨率分割图像。多模态神经网络可以相当于前述各实施例中的目标分割模型。模型预测概率以及模型对超分辨率标签分类可以相当于前述各实施例中的第一目标分割结果和第二目标分割结果。将模型预测概率与超分辨率标签分类进行决策融合，输出感兴趣区域，可以相当于前述各实施例中的基于第一分割结果和第二分割结果，确定待识别图像中的感兴趣区域。
55.本实施例的技术方案，通过获取待识别图像，并利用医学影像纹理信息丰富的特点对待识别图像进行超分辨率分割，得到与待识别图像对应的待识别超分辨率分割图像，为分割模型增加了具有参照价值的输入模态。然后将待识别图像和超分辨率分割图像输入至预先训练的目标分割模型中，得到第一目标分割结果和第二目标分割结果，其中，第一目标分割结果用于指示待识别图像中每个像素点属于感兴趣区域的概率，第二目标分割结果用于指示超分辨率分割图像中每个待识别图像分割区域为感兴趣区域的概率。最后基于第一分割结果和第二分割结果，确定待识别图像中的感兴趣区域。解决了由于医学图像的边界模糊以及对比度低等特点，导致的人工智能图像分割模型的分割准确率低的技术问题。取得了利用双模态输入降低模型学习难度，并使得模型产生双路融合决策预测结果从而增加模型的识别率和可信度的有益效果。
56.实施例二
57.图3为本发明实施例二提供的一种图像分割方法的流程图，本实施例是在上述各实施例的基础上，具体说明目标分割模型的训练方法。具体实施方式可以参见本实施例的说明。其中，与前述实施例相同或相似的技术特征在此不再赘述。如图3所示，该方法包括：
58.s210、获取样本图像，基于简单线性迭代聚类算法对样本图像进行超分辨率分割，得到与样本图像对应的样本超分辨率分割图像，其中，样本超分辨率分割图像中包括多个样本图像分割区域。
59.本实施例中，样本图像可以是用于作为目标分割模型的训练集以及验证集样本的图像。样本超分辨率分割图像可以是与样本图像对应的，基于简单线性迭代聚类算法对样
本图像进行超分辨率分割后得到的由像素块组成的图像。样本图像分割区域可以是样本超分辨率分割图像中的像素块。
60.s220、将样本图像和样本超分辨率分割图像输入至预先构建的多模态神经网络中，得到第一样本分割结果和第二样本分割结果，其中，第一样本分割结果用于指示样本图像中每个像素点属于感兴趣区域的概率，第二样本分割结果用于指示样本超分辨率分割图像中每个图像分割区域为感兴趣区域的概率。
61.本实施例中，第一样本分割结果和第二样本分割结果可以是将样本图像以及样本超分辨率分割图像，输入至预先构建的多模态神经网络模型中后，输出的图像分割结果。第一样本分割结果可以用于指示样本图像中每个像素点属于感兴趣区域的概率，因此可以根据第一样本分割结果确定属于样本图像感兴趣区域的像素点。同样的，第二样本分割结果可以用于指示样本超分辨率图像中，每个样本图像分割区域为感兴趣区域的概率，因此可以根据第二样本分割结果确定属于样本超分辨率图像的感兴趣区域的样本图像分割区域。
62.s230、基于dice损失函数和交叉熵损失函数确定与第一样本分割结果对应的第一损失，基于交叉熵损失函数确定与第二样本分割结果对应的第二损失，基于第一损失和第二损失确定模型输出损失。
63.本实施例中，第一损失基于可以是基于交叉熵-dice混合损失函数计算的输出损失。由于dice损失函数对边界识别有较好的表现，
64.具体的，可以是基于dice损失函数(dice loss)计算与第一样本分割结果对应的第一维度损失，用于指示第一样本分割结果和真实结果的重叠度。基于交叉熵损失函数(crossentropy loss)计算与第一样本分割结果对应的第二维度损失，用于表征第一样本分割结果的概率分布与真实概率分布之间的差异。然后，通过将第一维度损失和第二维度损失求和的方式，或求和后再求平均等方式计算得到第一损失。第二损失可以是基于交叉熵损失函数计算。基于第一损失和第二损失确定模型输出损失可以是将第一损失和第二损失通过求和的方式，或求和后再求平均等方式得到模型输出损失值。
65.可选的，基于交叉熵损失函数确定与第二样本分割结果对应的第二损失，包括：对样本图像进行标注得到标注图像，其中，标注图像中标注有样本图像中的感兴趣区域；基于标注图像中标注的感兴趣区域与样本超分辨率分割图像中的样本图像分割区域的交并比，确定与样本图像分割区域对应的期望输出分割结果；基于叉熵损失函数计算第二样本分割结果与期望输出分割结果之间的损失，将计算出的损失作为与第二样本分割结果对应的第二损失。
66.本实施例中，对样本图像进行标注可以通过收集医学中心影像并进行清洗，然后基于人工判断等方式，在样本图像中标注出感兴趣区域。标注图像中标注的感兴趣区域与样本超分辨率分割图像中的样本图像分割区域的交并比(intersection over union,iou)，可以是标注图像中标注的感兴趣区域，与样本超分辨率分割图像中的样本图像分割区域的交集与并集的比值。当两区域完全重叠时交并比最大，为1；当两区域完全不重叠时交并比最小，为0。期望输出分割结果可以是计算标注图像中标注的感兴趣区域与样本超分辨率分割图像中的样本图像分割区域的交并比后，将实际iou数值大于预设阈值的样本图像分割区域作为感兴趣区域。例如，期望输出分割结果可以是实际iou数值大于0.8的样本图像分割区域作为感兴趣区域，实际iou数值小于等于0.8的样本图像分割区域作为非感兴
趣区域。进而，将感兴趣区域和非感兴趣区域通过预设数值标记出来，例如可以是，将被确定为感兴趣区域的样本图像分割区域标注为1，将被确定为非感兴趣区域的样本图像分割区域标注为0。进而，基于叉熵损失函数计算第二样本分割结果与期望输出分割结果之间的损失。
67.s240、基于模型损失对多模态神经网络的网络参数进行调整，以得到目标分割模型。
68.本实施例中，模型损失可以是基于第一损失和第二损失之和确定模型输出损失。具体的，可以基于第一损失和第二损失之和作为模型损失对多模态神经网络的网络参数进行调整，以得到目标分割模型。
69.s250、获取待识别图像，基于简单线性迭代聚类算法对待识别图像进行超分辨率分割，得到与待识别图像对应的待识别超分辨率分割图像。
70.s260、将待识别图像和待识别超分辨率分割图像输入至预先训练的目标分割模型中，得到第一目标分割结果和第二目标分割结果。
71.s270、基于第一分割结果和第二分割结果，确定待识别图像中的感兴趣区域。
72.本实施例的技术方案，通过获取样本图像，基于简单线性迭代聚类算法对样本图像进行超分辨率分割，得到与样本图像对应的样本超分辨率分割图像，为模型训练提供了训练样本。然后通过将样本图像和样本超分辨率分割图像输入至预先构建的多模态神经网络中，得到了第一样本分割结果和第二样本分割结果。进而基于交叉熵-dice损失函数确定与第一样本分割结果对应的第一损失，基于交叉熵损失函数确定与第二样本分割结果对应的第二损失，并基于第一损失和第二损失确定了模型的输出损失，基于模型损失对多模态神经网络的网络参数进行调整，得到了目标分割模型。然后通过获取待识别图像以及与待识别图像对应的待识别超分辨率分割图像，为分割模型增加了具有参照价值的输入模态。最后将待识别图像和超分辨率分割图像输入至预先训练的目标分割模型中，得到第一目标分割结果和第二目标分割结果。最后基于第一分割结果和第二分割结果，确定了待识别图像中的感兴趣区域。通过训练并利用多模态神经网络对医学图像进行分割，解决了由于医学图像的边界模糊以及对比度低等特点，导致的人工智能图像分割模型的分割准确率低的技术问题。取得了利用双模态输入降低模型学习难度，并使得模型产生双路融合决策预测结果从而增加模型的识别率和可信度的有益效果。
73.实施例三
74.图4为本发明实施例三提供的一种图像分割装置的结构示意图。如图4所示，该装置包括：待识别图像获取模块310、待识别图像分割模块320和感兴趣区域确定模块330。
75.其中，待识别图像获取模块310，用于获取待识别图像，基于简单线性迭代聚类算法对待识别图像进行超分辨率分割，得到与待识别图像对应的待识别超分辨率分割图像，其中，待识别超分辨率分割图像中包括多个待识别图像分割区域；待识别图像分割模块320，用于将待识别图像和待识别超分辨率分割图像输入至预先训练的目标分割模型中，得到第一目标分割结果和第二目标分割结果，其中，第一目标分割结果用于指示待识别图像中每个像素点属于感兴趣区域的概率，第二目标分割结果用于指示待识别超分辨率分割图像中每个待识别图像分割区域为感兴趣区域的概率；感兴趣区域确定模块330，用于基于第一分割结果和第二分割结果，确定待识别图像中的感兴趣区域。
76.本发明实施例的技术方案，首先通过获取待识别图像，基于简单线性迭代聚类算法对待识别图像进行超分辨率分割，得到与待识别图像对应的待识别超分辨率分割图像，其中，待识别超分辨率分割图像中包括多个待识别图像分割区域。超分辨率图像分割区域为分割模型增加了输入模态。然后将待识别图像和待识别超分辨率分割图像输入至预先训练的目标分割模型中，得到第一目标分割结果和第二目标分割结果，其中，第一目标分割结果用于指示待识别图像中每个像素点属于感兴趣区域的概率，第二目标分割结果用于指示待识别超分辨率分割图像中每个待识别图像分割区域为感兴趣区域的概率。最后基于第一分割结果和第二分割结果，确定待识别图像中的感兴趣区域。解决了由于医学图像的边界模糊以及对比度低等特点，导致的人工智能图像分割模型的分割准确率低的技术问题。取得了利用双模态输入降低模型学习难度，并且使得模型产生双路融合决策预测结果从而增加模型的识别率和可信度的有益效果。
77.在上述技术方案的基础上，可选的，感兴趣区域确定模块330用于基于第二分割结果分别确定待识别超分辨率分割图像中每个像素点对应的第二概率；针对待识别图像中的每个像素点，获取像素点在第一分割结果中的第一概率及其在第二分割结果中的第二概率，基于第一概率和第二概率确定像素点对应的目标概率；基于待识别图像中的每个像素点对应的目标概率，确定待识别图像中的感兴趣区域。
78.在上述技术方案的基础上，进一步的，感兴趣区域确定模块330包括第二概率确定单元。
79.其中，第二概率确定单元，具体用于针对待识别超分辨率分割图像中每个像素点，将像素点所属的待识别图像分割区域的概率作为像素点对应的第二概率。
80.在上述技术方案的基础上，进一步的，感兴趣区域确定模块330包括目标概率确定单元。
81.其中，目标概率确定单元，具体用于将第一概率和第二概率进行求和运算或加权求和运算后取平均值，得到像素点对应的目标概率。
82.在上述技术方案的基础上，进一步的，感兴趣区域确定模块330具体用于基于待识别图像中的每个像素点对应的目标概率以及预设概率阈值，将待识别图像进行二值化处理，得到待识别图像中的感兴趣区域。
83.在上述技术方案的基础上，可选的，图像分割装置包括目标分割模型确定单元。
84.其中目标分割模型确定单元，用于在将待识别图像和待识别超分辨率分割图像输入至预先训练的目标分割模型中之前,执行以下步骤中的至少一项：获取样本图像，基于简单线性迭代聚类算法对样本图像进行超分辨率分割，得到与样本图像对应的样本超分辨率分割图像，其中，样本超分辨率分割图像中包括多个样本图像分割区域；将样本图像和样本超分辨率分割图像输入至预先构建的多模态神经网络中，得到第一样本分割结果和第二样本分割结果，其中，第一样本分割结果用于指示样本图像中每个像素点属于感兴趣区域的概率，第二样本分割结果用于指示样本超分辨率分割图像中每个图像分割区域为感兴趣区域的概率；基于dice损失函数和交叉熵损失函数确定与第一样本分割结果对应的第一损失，基于交叉熵损失函数确定与第二样本分割结果对应的第二损失，基于第一损失和第二损失确定模型输出损失；基于模型损失对多模态神经网络的网络参数进行调整，以得到目标分割模型。
85.在上述技术方案的基础上，可选的，目标分割模型确定单元包括第二损失确定子单元。
86.其中，第二损失确定子单元用于对样本图像进行标注得到标注图像，其中，标注图像中标注有样本图像中的感兴趣区域；基于标注图像中标注的感兴趣区域与样本超分辨率分割图像中的样本图像分割区域的交并比，确定与样本图像分割区域对应的期望输出分割结果；基于叉熵损失函数计算第二样本分割结果与期望输出分割结果之间的损失，将计算出的损失作为与第二样本分割结果对应的第二损失。
87.本发明实施例所提供的图像分割装置可执行本发明任意实施例所提供的图像分割方法，具备执行方法相应的功能模块和有益效果。
88.实施例四
89.图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
90.如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
91.电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
92.处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如图像分割方法。
93.在一些实施例中，图像分割方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的图像分割方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像分割方法。
94.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统
的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
95.用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
96.在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
97.为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
98.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
99.计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
100.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只
要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
101.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

技术特征：
1.一种图像分割方法，其特征在于，包括：获取待识别图像，基于简单线性迭代聚类算法对所述待识别图像进行超分辨率分割，得到与所述待识别图像对应的待识别超分辨率分割图像，其中，所述待识别超分辨率分割图像中包括多个待识别图像分割区域；将所述待识别图像和所述待识别超分辨率分割图像输入至预先训练的目标分割模型中，得到第一目标分割结果和第二目标分割结果，其中，所述第一目标分割结果用于指示所述待识别图像中每个像素点属于感兴趣区域的概率，所述第二目标分割结果用于指示所述待识别超分辨率分割图像中每个所述待识别图像分割区域为所述感兴趣区域的概率；基于所述第一分割结果和所述第二分割结果，确定所述待识别图像中的所述感兴趣区域。2.根据权利要求1所述的方法，其特征在于，所述基于所述第一分割结果和所述第二分割结果，确定所述待识别图像中的所述感兴趣区域，包括：基于所述第二分割结果分别确定所述待识别超分辨率分割图像中每个像素点对应的第二概率；针对所述待识别图像中的每个像素点，获取所述像素点在所述第一分割结果中的第一概率及其在所述第二分割结果中的所述第二概率，基于所述第一概率和所述第二概率确定所述像素点对应的目标概率；基于所述待识别图像中的每个所述像素点对应的目标概率，确定所述待识别图像中的所述感兴趣区域。3.根据权利要求2所述的方法，其特征在于，所述基于所述第二分割结果分别确定所述待识别超分辨率分割图像中每个像素点对应的第二概率，包括：针对所述待识别超分辨率分割图像中每个像素点，将所述像素点所属的所述待识别图像分割区域的概率作为所述像素点对应的第二概率。4.根据权利要求2所述的方法，其特征在于，所述基于所述第一概率和所述第二概率确定所述像素点对应的目标概率，包括：将所述第一概率和所述第二概率进行求和运算或加权求和运算后取平均值，得到所述像素点对应的目标概率。5.根据权利要求2所述的方法，其特征在于，所述基于所述待识别图像中的每个所述像素点对应的目标概率，确定所述待识别图像中的所述感兴趣区域，包括：基于所述待识别图像中的每个所述像素点对应的目标概率以及预设概率阈值，将所述待识别图像进行二值化处理，得到所述待识别图像中的所述感兴趣区域。6.根据权利要求1所述的方法，其特征在于，在所述将所述待识别图像和所述待识别超分辨率分割图像输入至预先训练的目标分割模型中之前,还包括：获取样本图像，基于简单线性迭代聚类算法对所述样本图像进行超分辨率分割，得到与所述样本图像对应的样本超分辨率分割图像，其中，所述样本超分辨率分割图像中包括多个样本图像分割区域；将所述样本图像和所述样本超分辨率分割图像输入至预先构建的多模态神经网络中，得到第一样本分割结果和第二样本分割结果，其中，所述第一样本分割结果用于指示所述样本图像中每个像素点属于感兴趣区域的概率，所述第二样本分割结果用于指示所述样本
超分辨率分割图像中每个所述图像分割区域为所述感兴趣区域的概率；基于dice损失函数和交叉熵损失函数确定与所述第一样本分割结果对应的第一损失，基于交叉熵损失函数确定与所述第二样本分割结果对应的第二损失，基于所述第一损失和所述第二损失确定模型输出损失；基于所述模型损失对所述多模态神经网络的网络参数进行调整，以得到所述目标分割模型。7.根据权利要求6所述的方法，其特征在于，所述基于交叉熵损失函数确定与所述第二样本分割结果对应的第二损失，包括：对所述样本图像进行标注得到标注图像，其中，所述标注图像中标注有所述样本图像中的感兴趣区域；基于所述标注图像中标注的所述感兴趣区域与所述样本超分辨率分割图像中的所述样本图像分割区域的交并比，确定与所述样本图像分割区域对应的期望输出分割结果；基于叉熵损失函数计算所述第二样本分割结果与所述期望输出分割结果之间的损失，将计算出的损失作为与所述第二样本分割结果对应的第二损失。8.一种图像分割装置，其特征在于，包括：待识别图像获取模块，用于获取待识别图像，基于简单线性迭代聚类算法对所述待识别图像进行超分辨率分割，得到与所述待识别图像对应的待识别超分辨率分割图像，其中，所述待识别超分辨率分割图像中包括多个待识别图像分割区域；待识别图像分割模块，用于将所述待识别图像和所述待识别超分辨率分割图像输入至预先训练的目标分割模型中，得到第一目标分割结果和第二目标分割结果，其中，所述第一目标分割结果用于指示所述待识别图像中每个像素点属于感兴趣区域的概率，所述第二目标分割结果用于指示所述待识别超分辨率分割图像中每个所述待识别图像分割区域为所述感兴趣区域的概率；感兴趣区域确定模块，用于基于所述第一分割结果和所述第二分割结果，确定所述待识别图像中的所述感兴趣区域。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计算机程序，所述计算机程序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权利要求1-7中任一项所述的图像分割方法。10.一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指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的图像分割方法。

技术总结
本发明公开了一种图像分割方法、装置、设备以及存储介质。其中，该方法包括：获取待识别图像，基于简单线性迭代聚类算法对待识别图像进行超分辨率分割，得到与待识别图像对应的待识别超分辨率分割图像；将待识别图像和待识别超分辨率分割图像输入至预先训练的目标分割模型中，得到第一目标分割结果和第二目标分割结果，其中，第一目标分割结果用于指示待识别图像中每个像素点属于感兴趣区域的概率，第二目标分割结果用于指示待识别超分辨率分割图像中每个待识别图像分割区域为感兴趣区域的概率；基于第一分割结果和第二分割结果确定待识别图像中的感兴趣区域。解决了医学图像边界模糊等特点导致的人工智能图像分割模型的分割准确率低的技术问题。割准确率低的技术问题。割准确率低的技术问题。


技术研发人员：刘长东 许文仪 邵涛 周子捷
受保护的技术使用者：联仁健康医疗大数据科技股份有限公司
技术研发日：2023.08.28
技术公布日：2023/10/19