本發(fā)明涉及人工智能領(lǐng)域和智慧醫(yī)療領(lǐng)域，尤其涉及三維醫(yī)學(xué)圖像分割方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、文本主題為信息傳遞與理解提供了明確的方向和框架，確保了內(nèi)容的聚焦性和深度。一個(gè)鮮明的文本主題能夠迅速吸引讀者的注意力，引導(dǎo)他們聚焦于核心議題，避免信息的冗余和分散。在學(xué)術(shù)研究和寫(xiě)作中，明確的文本主題有利于確保研究的針對(duì)性和創(chuàng)新性，推動(dòng)學(xué)科領(lǐng)域的發(fā)展和進(jìn)步。

2、然而，現(xiàn)有待處理文本的文本主題的獲取過(guò)程繁瑣，不利于提高文本主題的獲取效率。其原因在于，現(xiàn)有技術(shù)主要采用人工獲取的方式，獲取待處理文本的文本主題，而人工獲取的方式會(huì)耗費(fèi)大量的人力資源和時(shí)間資源，增加了待處理文本的文本主題的獲取時(shí)間，且容易受到人工干預(yù)的影響，因此，不利于提高文本主題的獲取效率。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種三維醫(yī)學(xué)圖像分割方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)，以解決現(xiàn)有待處理文本的文本主題的獲取過(guò)程繁瑣，不利于提高文本主題的獲取效率的技術(shù)問(wèn)題。

2、第一方面，提供了一種三維醫(yī)學(xué)圖像分割方法，包括：

3、獲取預(yù)設(shè)二維醫(yī)學(xué)圖像，將預(yù)設(shè)二維醫(yī)學(xué)圖像和所述預(yù)設(shè)二維醫(yī)學(xué)圖像對(duì)應(yīng)的預(yù)設(shè)分割圖組成一個(gè)樣本，將不同的所述樣本組成訓(xùn)練集；

4、基于所述訓(xùn)練集訓(xùn)練預(yù)設(shè)的圖像分割模型，通過(guò)所述圖像分割模型的第一編碼器，提取所述預(yù)設(shè)二維醫(yī)學(xué)圖像的預(yù)設(shè)圖像特征；

5、通過(guò)所述圖像分割模型的雙向gru層，獲取所述預(yù)設(shè)圖像特征對(duì)應(yīng)的第一隱藏狀態(tài)序列向量和第二隱藏狀態(tài)序列向量；

6、根據(jù)所述第一隱藏狀態(tài)序列向量、所述第二隱藏狀態(tài)序列向量以及預(yù)定義的獲取方式，獲取預(yù)測(cè)分割圖；

7、通過(guò)交叉熵?fù)p失函數(shù)、dice損失函數(shù)以及預(yù)定義的生成方式，生成所述預(yù)設(shè)分割圖和所述預(yù)測(cè)分割圖之間的總損失值；

8、當(dāng)總損失值小于預(yù)設(shè)損失值時(shí)，根據(jù)三維醫(yī)學(xué)圖像，確定多張當(dāng)前二維醫(yī)學(xué)圖像，獲取所述圖像分割模型輸出的所述當(dāng)前二維醫(yī)學(xué)圖像對(duì)應(yīng)的當(dāng)前分割圖，將各個(gè)所述當(dāng)前二維醫(yī)學(xué)圖像對(duì)應(yīng)的當(dāng)前分割圖進(jìn)行組合，生成所述三維醫(yī)學(xué)圖像的分割結(jié)果。

9、進(jìn)一步地，所述基于所述訓(xùn)練集訓(xùn)練預(yù)設(shè)的圖像分割模型，通過(guò)所述圖像分割模型的第一編碼器，提取所述預(yù)設(shè)二維醫(yī)學(xué)圖像的預(yù)設(shè)圖像特征，包括：

10、基于所述訓(xùn)練集訓(xùn)練所述圖像分割模型；

11、在所述圖像分割模型的訓(xùn)練過(guò)程中，通過(guò)所述圖像分割模型的第一編碼器，提取所述預(yù)設(shè)二維醫(yī)學(xué)圖像的預(yù)設(shè)圖像特征。

12、進(jìn)一步地，所述通過(guò)所述圖像分割模型的雙向gru層，獲取所述預(yù)設(shè)圖像特征對(duì)應(yīng)的第一隱藏狀態(tài)序列向量和第二隱藏狀態(tài)序列向量，包括：

13、將所述預(yù)設(shè)圖像特征輸入到所述圖像分割模型的雙向gru層；

14、通過(guò)所述雙向gru層的正向gru層，對(duì)所述預(yù)設(shè)圖像特征進(jìn)行編碼，生成所述預(yù)設(shè)圖像特征對(duì)應(yīng)的第一隱藏狀態(tài)序列向量，通過(guò)所述雙向gru層的反向gru層，對(duì)所述預(yù)設(shè)圖像特征進(jìn)行編碼，生成所述預(yù)設(shè)圖像特征對(duì)應(yīng)的第二隱藏狀態(tài)序列向量。

15、進(jìn)一步地，所述根據(jù)所述第一隱藏狀態(tài)序列向量、所述第二隱藏狀態(tài)序列向量以及預(yù)定義的獲取方式，獲取預(yù)測(cè)分割圖，包括：

16、將所述第一隱藏狀態(tài)序列向量和所述第二隱藏狀態(tài)序列向量拼接，生成第三隱藏狀態(tài)序列；

17、將所述第三隱藏狀態(tài)序列輸入至所述圖像分割模型的分類(lèi)器中，獲取所述分類(lèi)器基于所述第三隱藏狀態(tài)序列輸出的預(yù)測(cè)分割圖。

18、進(jìn)一步地，所述通過(guò)交叉熵?fù)p失函數(shù)、dice損失函數(shù)以及預(yù)定義的生成方式，生成所述預(yù)設(shè)分割圖和所述預(yù)測(cè)分割圖之間的總損失值，包括：

19、通過(guò)所述交叉熵?fù)p失函數(shù)，獲取所述預(yù)設(shè)分割圖和所述預(yù)測(cè)分割圖之間的交叉熵?fù)p失值，通過(guò)所述dice損失函數(shù)，獲取所述預(yù)設(shè)分割圖和所述預(yù)測(cè)分割圖之間的dice損失值；

20、將所述交叉熵?fù)p失值和所述dice損失值進(jìn)行相加，生成所述預(yù)設(shè)分割圖和所述預(yù)測(cè)分割圖之間的總損失值。

21、進(jìn)一步地，所述當(dāng)總損失值小于預(yù)設(shè)損失值時(shí)，根據(jù)三維醫(yī)學(xué)圖像，確定多張當(dāng)前二維醫(yī)學(xué)圖像，獲取所述圖像分割模型輸出的所述當(dāng)前二維醫(yī)學(xué)圖像對(duì)應(yīng)的當(dāng)前分割圖，將各個(gè)所述當(dāng)前二維醫(yī)學(xué)圖像對(duì)應(yīng)的當(dāng)前分割圖進(jìn)行組合，生成所述三維醫(yī)學(xué)圖像的分割結(jié)果，包括：

22、當(dāng)總損失值小于預(yù)設(shè)損失值時(shí)，停止訓(xùn)練所述圖像分割模型，保存訓(xùn)練后的所述圖像分割模型，獲取三維醫(yī)學(xué)圖像，沿著預(yù)設(shè)的軸向，對(duì)所述三維醫(yī)學(xué)圖像進(jìn)行切片，生成多張當(dāng)前二維醫(yī)學(xué)圖像，所述軸向包括x軸、y軸或z軸中的其中一個(gè)；

23、通過(guò)所述圖像分割模型的第二編碼器，提取所述當(dāng)前二維醫(yī)學(xué)圖像對(duì)應(yīng)的當(dāng)前圖像特征，將所述當(dāng)前二維醫(yī)學(xué)圖像對(duì)應(yīng)的當(dāng)前圖像特征輸入訓(xùn)練后的所述圖像分割模型中，獲取訓(xùn)練后的所述圖像分割模型輸出的所述當(dāng)前二維醫(yī)學(xué)圖像對(duì)應(yīng)的當(dāng)前分割圖，將各個(gè)所述當(dāng)前二維醫(yī)學(xué)圖像對(duì)應(yīng)的當(dāng)前分割圖進(jìn)行組合，生成所述三維醫(yī)學(xué)圖像的分割結(jié)果。

24、進(jìn)一步地，在所述當(dāng)總損失值小于預(yù)設(shè)損失值時(shí)，根據(jù)三維醫(yī)學(xué)圖像，確定多張當(dāng)前二維醫(yī)學(xué)圖像，獲取所述圖像分割模型輸出的所述當(dāng)前二維醫(yī)學(xué)圖像對(duì)應(yīng)的當(dāng)前分割圖，將各個(gè)所述當(dāng)前二維醫(yī)學(xué)圖像對(duì)應(yīng)的當(dāng)前分割圖進(jìn)行組合，生成所述三維醫(yī)學(xué)圖像的分割結(jié)果之后，所述三維醫(yī)學(xué)圖像分割方法，包括：

25、獲取預(yù)設(shè)的存儲(chǔ)區(qū)域，在所述存儲(chǔ)區(qū)域中存儲(chǔ)所述當(dāng)前三維醫(yī)學(xué)圖像以及所述分割結(jié)果。

26、第二方面，提供了一種三維醫(yī)學(xué)圖像分割裝置，包括：

27、第一獲取模塊，用于獲取預(yù)設(shè)二維醫(yī)學(xué)圖像，將預(yù)設(shè)二維醫(yī)學(xué)圖像和所述預(yù)設(shè)二維醫(yī)學(xué)圖像對(duì)應(yīng)的預(yù)設(shè)分割圖組成一個(gè)樣本，將不同的所述樣本組成訓(xùn)練集；

28、提取模塊，用于基于所述訓(xùn)練集訓(xùn)練預(yù)設(shè)的圖像分割模型，通過(guò)所述圖像分割模型的第一編碼器，提取所述預(yù)設(shè)二維醫(yī)學(xué)圖像的預(yù)設(shè)圖像特征；

29、第二獲取模塊，用于通過(guò)所述圖像分割模型的雙向gru層，獲取所述預(yù)設(shè)圖像特征對(duì)應(yīng)的第一隱藏狀態(tài)序列向量和第二隱藏狀態(tài)序列向量；

30、第三獲取模塊，用于根據(jù)所述第一隱藏狀態(tài)序列向量、所述第二隱藏狀態(tài)序列向量以及預(yù)定義的獲取方式，獲取預(yù)測(cè)分割圖；

31、第一生成模塊，用于通過(guò)交叉熵?fù)p失函數(shù)、dice損失函數(shù)以及預(yù)定義的生成方式，生成所述預(yù)設(shè)分割圖和所述預(yù)測(cè)分割圖之間的總損失值；

32、第二生成模塊，用于當(dāng)總損失值小于預(yù)設(shè)損失值時(shí)，根據(jù)三維醫(yī)學(xué)圖像，確定多張當(dāng)前二維醫(yī)學(xué)圖像，獲取所述圖像分割模型輸出的所述當(dāng)前二維醫(yī)學(xué)圖像對(duì)應(yīng)的當(dāng)前分割圖，將各個(gè)所述當(dāng)前二維醫(yī)學(xué)圖像對(duì)應(yīng)的當(dāng)前分割圖進(jìn)行組合，生成所述三維醫(yī)學(xué)圖像的分割結(jié)果。

33、第三方面，提供了一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器、處理器以及存儲(chǔ)在存儲(chǔ)器中并可在處理器上運(yùn)行的計(jì)算機(jī)程序，處理器執(zhí)行計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述三維醫(yī)學(xué)圖像分割方法的步驟。

34、第四方面，提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述三維醫(yī)學(xué)圖像分割方法的步驟。

35、本技術(shù)提供一種三維醫(yī)學(xué)圖像分割方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)，獲取預(yù)設(shè)二維醫(yī)學(xué)圖像，將預(yù)設(shè)二維醫(yī)學(xué)圖像和所述預(yù)設(shè)二維醫(yī)學(xué)圖像對(duì)應(yīng)的預(yù)設(shè)分割圖組成一個(gè)樣本，將不同的所述樣本組成訓(xùn)練集；基于所述訓(xùn)練集訓(xùn)練預(yù)設(shè)的圖像分割模型，通過(guò)所述圖像分割模型的第一編碼器，提取所述預(yù)設(shè)二維醫(yī)學(xué)圖像的預(yù)設(shè)圖像特征；通過(guò)所述圖像分割模型的雙向gru層，獲取所述預(yù)設(shè)圖像特征對(duì)應(yīng)的第一隱藏狀態(tài)序列向量和第二隱藏狀態(tài)序列向量；根據(jù)所述第一隱藏狀態(tài)序列向量、所述第二隱藏狀態(tài)序列向量以及預(yù)定義的獲取方式，獲取預(yù)測(cè)分割圖；通過(guò)交叉熵?fù)p失函數(shù)、dice損失函數(shù)以及預(yù)定義的生成方式，生成所述預(yù)設(shè)分割圖和所述預(yù)測(cè)分割圖之間的總損失值；當(dāng)總損失值小于預(yù)設(shè)損失值時(shí)，根據(jù)三維醫(yī)學(xué)圖像，確定多張當(dāng)前二維醫(yī)學(xué)圖像，獲取所述圖像分割模型輸出的所述當(dāng)前二維醫(yī)學(xué)圖像對(duì)應(yīng)的當(dāng)前分割圖，將各個(gè)所述當(dāng)前二維醫(yī)學(xué)圖像對(duì)應(yīng)的當(dāng)前分割圖進(jìn)行組合，生成所述三維醫(yī)學(xué)圖像的分割結(jié)果，有益效果在于兩方面，一方面，當(dāng)總損失值小于預(yù)設(shè)損失值時(shí)，根據(jù)三維醫(yī)學(xué)圖像，確定多張當(dāng)前二維醫(yī)學(xué)圖像，獲取所述圖像分割模型輸出的所述當(dāng)前二維醫(yī)學(xué)圖像對(duì)應(yīng)的當(dāng)前分割圖，將各個(gè)所述當(dāng)前二維醫(yī)學(xué)圖像對(duì)應(yīng)的當(dāng)前分割圖進(jìn)行組合，生成所述三維醫(yī)學(xué)圖像的分割結(jié)果，由于無(wú)需人工獲取，因此減少了待處理文本的文本主題的獲取時(shí)間，有利于提高待處理文本的文本主題的獲取效率；另一方面，由于主題生成模型，不會(huì)受到人工干預(yù)的影響，因此有利于提升獲取到的所述待處理文本的文本主題的可靠性。