[发明专利]膝关节分割方法、装置、电子设备及计算机可读存储介质

权利要求书

1.一种膝关节分割方法，其特征在于，包括：

获取待分割的膝关节图像；

将所述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；

其中，所述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，所述改进后的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，在所述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。

2.根据权利要求1所述的膝关节分割方法，其特征在于，在将所述膝关节图像输入预设的膝关节分割模型之前，所述方法还包括：

获取膝关节图像数据集；

标注所述膝关节图像数据集中膝关节图像的膝关节区域，并将所述膝关节区域确定为分割mask；其中，每个所述分割mask与所述膝关节图像一一对应；

将每个所述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。

3.根据权利要求2所述的膝关节分割方法，其特征在于，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，所述方法还包括：

利用所述训练集对所述改进后的FADNet网络进行模型训练，并利用所述验证集和所述测试集进行验证和测试，得到所述膝关节分割模型。

4.根据权利要求3所述的膝关节分割方法，其特征在于，所述利用所述训练集对所述改进后的FADNet网络进行模型训练，并利用所述验证集和所述测试集进行验证和测试，得到所述膝关节分割模型，包括：

在模型训练过程中，设置训练的batch_size为64；

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；

设置优化器为Adam优化器；

设置损失函数为DICEloss；

设置每迭代1000次，对所述训练集和所述验证集做一次验证，通过早停法来判断网络训练停止时间，并得到所述膝关节分割模型。

5.根据权利要求1所述的膝关节分割方法，其特征在于，所述FADNet网络的卷积层使用残差卷积，以减少特征损失；

其中，所述残差卷积为由1x1，3x3和1x1卷积核组成的残差单元。

6.根据权利要求1所述的膝关节分割方法，其特征在于，所述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；

其中，所述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；

所述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。

7.根据权利要求1所述的膝关节分割方法，其特征在于，所述深度聚合金字塔网络包括四个网络分支，每个所述网络分支分别采用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所述网络分支得到四个输出结果，然后通过1x1的卷积核将四个所述输出结果融合输出。

8.一种膝关节分割装置，其特征在于，包括：

图像获取模块，用于获取待分割的膝关节图像；

膝关节分割结果获取模块，用于将所述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；

其中，所述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，所述改进后的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，在所述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。