(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 202210193522.2 (22)申请日 2022.03.01 (71)申请人 京东科技信息技 术有限公司 地址 100176 北京市大兴区经济技 术开发 区科创十一 街18号院2号楼6层6 01 (72)发明人 曹琼　杨玺　马本腾　陶大程　 (74)专利代理 机构 北京品源专利代理有限公司 11332 专利代理师 倪焱 (51)Int.Cl. G06T 7/11(2017.01) G06V 10/80(2022.01) (54)发明名称 一种图像分割方法、 装置、 设备和存 储介质 (57)摘要 本发明实施例公开了一种图像 分割方法、 装 置、 设备和存储介质， 可 以应用于数字医疗领域 中。 该方法包括： 获取待分割的目标图像； 确定目 标图像中的局部图像块 以及与局部图像块尺度 相匹配的全局图像块； 将局部图像块和全局图像 块输入至预设分割网络模型中进行图像分割处 理， 预设分割网络模型用于： 对输入的局部图像 块和全局图像块进行特征融合， 并基于融合后的 目标特征信息进行分割处理； 根据预设分割网络 模型的输出， 确定目标图像对应的分割结果。 通 过本发明实施例的技术方案， 可以保证图像分割 的准确性。 权利要求书3页 说明书13页 附图5页 CN 114581462 A 2022.06.03 CN 114581462 A 1.一种图像分割方法， 其特 征在于， 包括： 获取待分割的目标图像； 确定所述目标图像中的局部图像块以及与所述局部图像块尺度相匹配的全局图像块； 将所述局部图像块和所述全局图像块输入至预设分割网络模型中进行图像分割处理， 所述预设分割网络模型用于： 对输入的所述局部图像块和所述全局图像块进行特征融合， 并基于融合后的目标 特征信息进行分割处 理； 根据所述预设 分割网络模型的输出， 确定所述目标图像对应的分割结果。 2.根据权利要求1所述的方法， 其特征在于， 所述确定所述目标图像中的局部图像块以 及与所述局部图像块尺度相匹配的全局图像块， 包括： 对所述目标图像进行裁 剪， 确定参 考图像块； 对所述参考图像块进行 再次裁剪， 确定局部图像块； 对所述参考图像块进行 下采样， 确定与所述局部图像块尺度相匹配的全局图像块。 3.根据权利要求1所述的方法， 其特征在于， 所述预设分割 网络模型包括： 局部特征编 码子模型、 全局特 征编码子模型、 特 征融合子模型和特 征解码子模型； 所述将所述局部图像块和所述全局图像块输入至预设分割网络模型中进行图像分割 处理， 包括： 将所述局部图像块输入至所述局部特征编码子模型中， 提取所述局部图像块对应的局 部特征信息； 将所述全局图像块输入至所述全局特征编码子模型中， 提取所述全局图像块对应的全 局特征信息； 将所述局部特征信 息和所述全局特征信 息输入至所述特征融合子模型中， 基于自注意 力机制， 对所述局部特征信息和所述全局特征信息进行特征融合， 确定融合后的目标特征 信息； 将所述目标特征信 息输入至所述特征解码子模型中进行特征解码， 确定所述局部图像 块对应的分割结果。 4.根据权利要求3所述的方法， 其特征在于， 所述局部特征编码子模型包括： 预设数量 的局部特 征编码层； 所述将所述局部图像块输入至所述局部特征编码子模型中， 提取所述局部图像块对应 的局部特 征信息， 包括： 将所述局部图像块输入至所述局部特征编码子模型中的第一个局部特征编码层中进 行特征编 码操作， 并将所述第一个局部特征编 码层输出的局部特征信息输入至下一局部特 征编码层中； 将最后一个局部特征编码层输出的局部特征信息作为所述局部图像块对应的局部特 征信息。 5.根据权利要求3所述的方法， 其特征在于， 所述特征融合子模型包括： 特征拼接模块 和自注意力模块； 所述将所述局部特征信 息和所述全局特征信 息输入至所述特征融合子模型中， 基于自 注意力机制， 对所述局部特征信息和所述全局特征信息进行特征融合， 确定融合后的目标 特征信息， 包括：权　利　要　求　书 1/3 页 2 CN 114581462 A 2将所述局部特征信 息和所述全局特征信 息输入至所述特征拼接模块中， 将所述局部特 征信息和所述全局特 征信息进行维度展开和拼接处 理， 确定拼接特 征信息； 将所述拼接特征信息输入至所述自注意力模块中进行注意力处理， 确定目标特征信 息。 6.根据权利要求5所述的方法， 其特征在于， 所述自注意力模块包括： 自注意力层和前 馈层； 所述将所述拼接特征信 息输入至所述自注意力模块中进行注意力处理， 确定目标特征 信息， 包括： 将所述拼接特征信息输入至所述自注意力层中， 对输入的所述拼接特征信息进行映 射， 确定查询特征向量和键值对特征向量， 并基于所述查询特征向量和所述键值对特征向 量进行注意力处 理， 获得注意力处 理后的特 征信息； 将所述注意力处理后的特征信 息输入至所述前馈层中引入非线性信 息， 确定目标特征 信息。 7.根据权利要求3所述的方法， 其特征在于， 所述特征解码子模型包括： 所述预设数量 的特征解码层， 其中， 所述局部特征编 码层与所述特征解码层一一对应， 所述局部特征编码 层的编码顺序与所述特征解码层的解码顺序相反， 所述局部特征编 码层与相应的所述特征 解码层进行跳跃 连接； 所述将所述目标特征信 息输入至所述特征解码子模型中进行特征解码， 确定所述局部 图像块对应的分割结果， 包括： 将所述目标特征信息以及与所述特征解码子模型中的第一个特征解码层进行跳跃连 接的局部特征编码层所获得 的局部特征信息输入至所述第一个特征解码层中进行特征解 码操作， 并将所述第一个特征解码层输出的解码特征信息以及与下一特征解码层进行跳跃 连接的局部特 征编码层所获得的局部特 征信息输入至下一特 征解码层中； 基于最后一个特征编码层输出的解码特征信息， 确定所述局部图像块对应的分割结 果。 8.根据权利要求3所述的方法， 其特 征在于， 所述预设 分割网络模型的训练过程， 包括： 基于待训练的预设 分割网络模型， 确定样本图像对应的输出分割结果； 基于预设损 失函数、 所述输出分割结果以及所述样本 图像对应的标签分割结果， 确定 训练误差； 将所述训练误差反向传播至所述待训练的预设分割网络模型中的局部特征编码子模 型、 特征融合子模型和特征解码子模型中， 迭代更新所述局部特征编 码子模型、 所述特征融 合子模型和所述特 征解码子模型中的权 重； 基于所述局部特征编码子模型中迭代更新后的权重， 对所述待训练的预设分割网络模 型中的全局特 征编码子模型中的权 重进行迭代更新； 当达到预设收敛条件时， 所述待训练的预设分割 网络模型训练结束， 获得所述预设分 割网络模型。 9.根据权利要求8所述的方法， 其特征在于， 所述基于所述局部特征编码子模型中迭代 更新后的权重， 对所述待训练的预设分割网络模型中的全局特征编 码子模型中的权重进 行 迭代更新， 包括：权　利　要　求　书 2/3 页 3 CN 114581462 A 3