本技術涉及醫學圖像處理，尤其涉及一種端側模型的醫學圖像分析方法、裝置、設備及存儲介質。

背景技術：

1、數字技術的快速發展極大地推動了數字醫療的進步，并為其奠定了堅實的信息化基礎?；谌斯ぶ悄芗夹g的數字醫療已在醫療干預中逐漸發揮作用，目前醫學圖像分析的人工智能方法主要有：基于卷積神經網絡(cnn)的方法和基于自注意力機制的方法。這些方法促進了醫學圖像分析的智能化發展，為醫生在臨床醫療過程中提供了重要的輔助作用。

2、但是現有的醫學圖像分析模型計算復雜度比較高，導致處理速度比較慢，難以滿足醫療的實時性要求。

技術實現思路

1、本技術實施例提供了一種端側模型的醫學圖像分析方法、裝置、設備及存儲介質，旨在解決現有的醫學圖像分析模型因計算復雜度比較高，導致處理速度比較慢，難以滿足醫療的實時性要求的問題。

2、第一方面，本技術實施例提供了一種端側模型的醫學圖像分析方法，已訓練的端側模型包括下采樣模塊、上采樣模塊和特征提取模塊，特征提取模塊包括深度卷積層、低維狀態空間模型和轉置卷積層，方法包括：

3、將初始圖像輸入下采樣模塊；

4、利用下采樣模塊對輸入的初始圖像進行下采樣，得到下采樣模塊輸出的下采樣結果；

5、將下采樣結果輸入深度卷積層，得到深度卷積層輸出的特征圖像；

6、利用低維狀態空間模型將特征圖像進行全局信息模擬計算，得到全局上下文語義信息；

7、將全局上下文語義信息輸入轉置卷積層，得到轉置卷積層輸出的轉置卷積圖像；

8、將下采樣結果和轉置卷積圖像輸入上采樣模塊進行上采樣，得到上采樣模塊輸出的上采樣結果；

9、基于上采樣結果，得到已訓練的端側模型輸出的目標圖像。

10、在一些實施方式中，利用低維狀態空間模型將特征圖像進行全局信息模擬計算，得到全局上下文語義信息之前，方法還包括：

11、對特征圖像按正向方向排序，得到正向方向特征序列；

12、對特征圖像按反向方向排序，得到反向方向特征序列；

13、對特征圖像按深度方向排序，得到深度方向特征序列；

14、利用低維狀態空間模型將特征圖像進行全局信息模擬計算，得到全局上下文語義信息，包括：

15、將正向方向特征序列、反向方向特征序列和深度方向特征序列輸入低維狀態空間模型；

16、利用低維狀態空間模型分別對正向方向特征序列、反向方向特征序列和深度方向特征序列進行全局信息建模，得到低維狀態空間模型輸出的全局上下文語義信息，全局上下文語義信息包括正向全局信息、反向全局信息和深度全局信息。

17、在一些實施方式中，將全局上下文語義信息輸入轉置卷積層之前，方法還包括：

18、將正向全局信息、反向全局信息和深度全局信息進行融合，得到融合矩陣；

19、將融合矩陣進行線性變換得到查詢向量q、鍵向量k和值向量v；

20、將鍵向量k的轉置、查詢向量q、值向量v和預設的縮放因子輸入自注意力層，得到自注意力層輸出的注意力增強特征；

21、將全局上下文語義信息輸入轉置卷積層，得到轉置卷積層輸出的轉置卷積圖像，包括：

22、將注意力增強特征輸入轉置卷積層，得到轉置卷積層輸出的轉置卷積結果。

23、在一些實施方式中，下采樣模塊包括i層下采樣網絡層；

24、利用下采樣模塊對輸入的初始圖像進行下采樣，得到下采樣模塊輸出的下采樣結果，包括：

25、將初始圖像輸入第1層下采樣網絡層中，得到第1層下采樣網絡層輸出的第1層下采樣結果；

26、將第1層下采樣結果作為下一層下采樣網絡層的輸入進行重復操作，直到得到各個下采樣網絡層輸出的下采樣結果。

27、在一些實施方式中，上采樣模塊包括i層上采樣網絡層，得到各個下采樣網絡層對應的下采樣增強結果之后，方法還包括：

28、將各個下采樣網絡層輸出的下采樣結果分別進行增強處理，得到各個下采樣網絡層對應的下采樣增強結果；

29、將各個下采樣網絡層對應的下采樣增強結果分別輸入特征提取模塊，得到特征提取模塊輸出的各個下采樣增強結果對應的轉置卷積圖像；

30、將下采樣結果和轉置卷積圖像輸入上采樣模塊進行上采樣，得到上采樣模塊輸出的上采樣結果，包括：

31、將第i層下采樣網絡層輸出的下采樣結果與第i層下采樣網絡層對應的轉置卷積圖像融合輸入第1層上采樣網絡層，得到第1層上采樣網絡層輸出的上采樣結果；

32、將第1層上采樣網絡層輸出的上采樣結果與第i-1層下采樣網絡層對應的轉置卷積圖像作為下一層上采樣網絡層的輸入進行重復操作，直到得到第i層上采樣網絡層輸出的上采樣結果。

33、在一些實施方式中，方法還包括：

34、當i∈[1,2]，則將深度卷積層和轉置卷積層的步長均配置為4，將深度卷積層和轉置卷積層的內核大小均配置為3；

35、當i∈[3,4]，則將深度卷積層的步長配置為2，將深度卷積層的內核大小配置為1；

36、將轉置卷積層的步長配置為2，內核大小配置為4以及填充大小配置為1。

37、在一些實施方式中，將下采樣網絡層輸出的下采樣結果進行增強處理，得到下采樣網絡層對應的下采樣增強結果，包括：

38、將下采樣網絡層輸出的下采樣結果進行第一次深度卷積，得到第一深度卷積結果；

39、將下采樣網絡層輸出的下采樣結果進行第一次逐點卷積，得到第一逐點卷積結果；

40、將第一深度卷積結果進行第二次深度卷積，得到第二深度卷積結果；

41、將第一逐點卷積結果與第二深度卷積結果進行融合，得到卷積結果；

42、將卷積結果進行第二次逐點卷積，得到第二逐點卷積結果；

43、將下采樣網絡層輸出的下采樣結果與第二逐點卷積結果融合輸入全連接層進行線性變換，得到全連接層輸出的下采樣增強結果。

44、第二方面，本技術實施例還提供了一種端側模型的醫學圖像分析裝置，其包括用于執行上述方法的單元。

45、第三方面，本技術實施例還提供了一種計算機設備，其包括存儲器及處理器，存儲器上存儲有計算機程序，處理器執行計算機程序時實現上述方法。

46、第四方面，本技術實施例還提供了一種計算機可讀存儲介質，存儲介質存儲有計算機程序，計算機程序當被處理器執行時可實現上述方法。

47、本技術實施例提供了一種端側模型的醫學圖像分析方法、裝置、設備及存儲介質。其中，方法包括：將初始圖像輸入下采樣模塊；利用下采樣模塊對輸入的初始圖像進行下采樣，得到下采樣模塊輸出的下采樣結果；將下采樣結果輸入深度卷積層，得到深度卷積層輸出的特征圖像；利用低維狀態空間模型將特征圖像進行全局信息模擬計算，得到全局上下文語義信息；將全局上下文語義信息輸入轉置卷積層，得到轉置卷積層輸出的轉置卷積圖像；將下采樣結果和轉置卷積圖像輸入上采樣模塊進行上采樣，得到上采樣模塊輸出的上采樣結果；基于上采樣結果，得到已訓練的端側模型輸出的目標圖像。

48、本技術實施例由于將下采樣結果輸入深度卷積層，得到特征圖像，利用深度卷積層將特征圖像映射至低維空間，而低維空間中的特征圖具有較少的通道數和較小的空間尺寸，能夠直接減少卷積操作的計算量，并且利用低維狀態空間模型將特征圖像進行降維操作，可以去除不重要的特征，保留最關鍵的信息，減少不必要的計算，因此，利用低維狀態空間模型可以在低維空間中更加高效地進行全局信息模擬計算，捕獲全局上下文信息，而無需在高維空間中進行復雜的計算，進而可以提高處理效率。