CN115131290B 图像处理方法 （阿里巴巴（中国）有限公司）

机制层，根据初始特征图中每个特征的位置信的初始特征图中每个特征与全局其他特征之间2获取包含目标对象的待处理图像，将所述待处理图像输入图像将所述初始特征图输入所述编码器的自注意力机制层，根据所将所述目标特征图输入所述解码器进行处理，获得所述待处理图像所述根据所述初始特征图中每个特征的位置信息、以及所述每个特根据坐标系确定所述初始特征图的坐标网格，并根据所述坐标根据所述每个特征的位置信息，确定所述每个特征的关联区域以及根据所述每个特征的位置信息、以及所述每个特征与所述关联特征之间的位置关系，获取包含样本对象的样本图像，并确定所述样本图像中样将所述初始样本特征图输入所述编码器的自注意力机制层，根据所将所述目标样本特征图输入所述解码器进行处理，获得所述根据所述样本对象分割图以及样本对象标签、与所述预测对象分3.根据权利要求2所述的图像处理方法，所述根据所述初始样本特征图中每个初始样确定所述初始样本特征图的坐标网格，并根据所述坐标网格确根据所述每个初始样本特征的位置信息、以及所述每个初始样4.根据权利要求2所述的图像处理方法，所述根据所述初始样本特征图中每个初始样3确定所述初始样本特征图的坐标网格，并根据所述坐标网格确根据所述位置信息，确定所述每个初始样本特征的关联区域以及所根据所述每个初始样本特征的位置信息、以及所述每个初始样根据所述每个初始样本特征的位置信息，确定所述每个初始样本根据所述关联距离确定所述每个初始样本特征的关联区域，并将所根据所述每个初始样本特征的位置信息、以及所述每个初始样7.根据权利要求2所述的图像处理方法，所述根据所述初始样本特征图中每个初始样将所述待处理图像输入所述图像处理模型，获得所述待处理图像中目10.根据权利要求1或者9所述的图像处理方法，所述获得所述待处理图像中目标对象获得所述待处理图像中目标对象的对象分割图，以及所述对计算分割标签相同的分割块的体积，根据每种类型的分割标签对应的分割块的体积，4根据所述至少两张增强对比样本图像中样本对象的样本标注，确获取包含食管的CT图像，将所述CT图像输入图像处理模型的将所述初始特征图输入所述编码器的自注意力机制层，根据所将所述目标特征图输入所述解码器进行处理，获得所述CT图像中食管的分根据所述初始特征图中每个特征的位置信息、以及所述每个特根据坐标系确定所述初始特征图的坐标网格，并根据所述坐标根据所述每个特征的位置信息，确定所述每个特征的关联区域以及根据所述每个特征的位置信息、以及所述每个特征与所述关联特征之间的位置关系，接收用户针对食管CT图像的处理请求，其中，所述食管CT图像为将食管CT图像输入图像处理模型，在确定所述用户为第一类型用户在确定所述用户为第二类型用户的情况下，输出并向所述第二类5[0002]食管癌是致命率较高的癌症。早期发现可切除/可治愈的食管癌具有降低死亡率[0005]获取包含目标对象的待处理图像，将所述待处理图像输入图像处理模型的卷积得所述待处理图像中目标对象的对象分割图以67[0037]图1是本说明书一个实施例提供的一种图像处理方法应用于食管癌筛查的具体场[0047]在本说明书一个或多个实施例中使用的术语是仅仅出于述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分8γ射线、超声波等，与灵敏度极高的探测器一[0054]对其他临床适应症进行常规CT成像提供了疾病筛查的机会，不需要额外的费用、[0056]到目前为止，基于深度学习的食管癌图像分析的研究都通过改进局部图像特征提取/建模或融合多模态成像来提高分为0.990，敏感度为93.0特异性为97.5超过了4名医生平均75.0％的敏感度和83.8%9即可以根据该食管分割图像对用户的食管情况进行判断，从而确定该用户的食管是正常、种新颖的位置敏感自注意力，通过捕捉全局上下文特征，以通过此种非局部交互来增强度和97.5％的特异性检测食管肿瘤。相比之下，四位医生的平均敏感性和特异性分别为[0066]参见图2，图2示出了根据本说明书一个实施例提供的一种图像处理方法的流程[0079]将所述样本图像输入所述编码器的卷积层，获得所述样本图像的初始样本特征据样本图像，样本图像的样本对象分割图以及样本对象标签对图像处理模型进行具体训V均为可[0106]以初始样本特征图为为例，将该初始特征图中的每个初始样本特征通过公式1进行计算，获得的对应的目标样本特征形成的目标样本特征图则为预设距离到初始样本特征之间的区域作为关联区域；再根据每个初始样本特征的位置信M=Nmnxmxmo(o)在每个自注意力机制层中被提取出来，通过计算每个初始样本特互。[0154]本说明书实施例提供的该图像处理方法提出了一种新颖的位置敏感自注意力机个特征与全局其他特征之间的位置关系，通过此种非局部交互来增强模型的预测准确性，iixeRXUXO1是第i例患者的三维平扫食管CT图像，是具有和Xi相同Hi使用医生放疗时在该三维平扫食管CT图像上做的肿瘤体积(GTV)勾画实现。对于其他患者射学报告获取。[0159]图3中的a部分表示三维平扫食管CT图像，b部分表示从食管增强CT图像配准到平卷积(恢复，图3中的Conv1*1)等处理，输出(图获得该食管CT图像的预测食管分割图以及预测待预测的食管CT图像的食管分割图以及食管[0171]第二特征图获得模块404，被配置为将所述初始特征图输入所述编码器的自注意获得所述待处理图像中目标对象的对象分割图[0175]将所述样本图像输入所述编码器的卷积层，获得所述样本图像的初始样本特征个特征与全局其他特征之间的位置关系，通过此种非局部交互来增强模型的预测准确性，[0215]第四特征图获得模块604，被配置为将所述初始特征图输入所述编码器的自注意户。多个网络960通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网[0235]计算设备900可以是任何类型的静止或移动计算设备，包括移动计算机或移动计执行时实现上述图像处理方法或者食管CT图像处[0238]本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机可执行指储介质的技术方案与上述的图像处理方法或者食管CT图像处理方法的技术方案属于同一[0242]上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围[0243]所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖