本技术涉及医学影像处理，特别是涉及一种影像异常情况的识别方法、装置、计算机设备、可读存储介质和程序产品。
背景技术：
1、机体中组织器官异常的识别是一个重要而复杂的问题。利用计算机断层摄影术（computed tomography，ct）进行对异常情况进行识别是常见的方法。
2、在相关技术中，常采用深度学习的方法对医学影像进行分析和处理，以对影像中的异常情况进行诊断。然而，目前的深度学习对医学影像进行处理的方法仅关注影像的空间特征提取。但是，影像中的异常情况的位置和结构可能较复杂，仅基于单一空间域的特征提取难以对关键特征进行完整的捕捉且难以在全局的多视角对异常情况进行整合。因此，采用现有技术中对医学影像进行分析，识别影像的异常情况的精准度较低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提高识别影像的异常情况的精准度的影像异常情况的识别方法、装置、计算机设备、可读存储介质和程序产品。
2、第一方面，本技术提供了一种影像异常情况的识别方法，包括：
3、对不同时期的待识别影像进行初步特征提取，得到所述待识别影像的特征；基于预设的通道分组策略对所述特征进行分组，得到至少一个子特征组；
4、针对每个子特征组，通过第一注意力模型对所述子特征组中的特征进行通道特征提取，得到通道注意力特征；通过第二注意力模型对所述通道注意力特征进行空间特征提取，得到空间注意力特征；通过第三注意力模型对所述空间注意力特征进行频域处理，得到频域注意力特征；
5、通过预设概率鉴别模型对多个所述频域注意力特征进行特征处理，得到所述待识别影像中的异常概率值；基于所述异常概率值与预设概率阈值的关系，确定异常识别结果。
6、在其中一个实施例中，所述通过第一注意力模型对所述子特征组中的特征进行通道特征提取，得到通道注意力特征，包括：
7、通过第一注意力模型，对所述子特征组中的特征进行空间最大池化得到第一通道特征，对所述子特征组中的特征进行空间平均化池化得到第二通道特征；
8、通过第一激活模型对所述第一通道特征和所述第二通道特征的和值进行激活，得到通道注意力向量；
9、计算所述通道注意力向量和所述子特征组中特征的第一积值，确定所述第一积值为通道注意力特征。
10、在其中一个实施例中，所述通过第二注意力模型对所述通道注意力特征进行空间特征提取，得到空间注意力特征，包括：
11、通过第二注意力模型，对所述通道注意力特征进行通道最大池化，得到第一空间特征，对所述通道注意力特征进行通道平均池化，得到第二空间特征；
12、将所述第一空间特征和所述第二空间特征在通道维度上进行拼接，得到拼接后的空间特征；
13、将所述拼接后的空间特征进行卷积处理，得到卷积后的空间特征；采用第一激活模型对所述卷积后的空间特征进行激活，得到空间注意力向量；
14、计算所述空间注意力向量与所述通道注意力特征的第二积值，确定所述第二积值为空间注意力特征。
15、在其中一个实施例中，所述通过第三注意力模型对所述空间注意力特征进行频域处理，得到频域注意力特征，包括：
16、通过第三注意力模型，对所述空间注意力特征进行傅里叶变换，得到第一频域特征；基于预设的频域注意力向量对所述第一频域特征进行加权处理，得到第二频域特征；对所述第二频域特征进行傅里叶逆变换，得到转换后的空间特征；
17、将所述空间注意力特征与所述转换后的空间特征进行融合处理，得到频域注意力特征。
18、在其中一个实施例中，所述预设概率鉴别模型包括预设特征提取模型和预设分类器；所述通过预设概率鉴别模型对多个所述频域注意力特征进行特征处理，得到所述待识别影像中目标异常的异常概率值，包括：
19、对多个所述频域注意力特征和预设可学习特征进行拼接，得到拼接特征；
20、通过所述预设特征提取模型，将所述拼接特征进行特征提取，得到目标异常特征；
21、根据所述预设分类器将所述目标异常特征进行处理，得到待识别影像的异常概率值。
22、在其中一个实施例中，所述方法还包括：
23、基于第二激活模型对每个子特征组中的所述空间注意力向量进行激活处理，得到多个激活后的空间注意力向量；将所述多个激活后的空间注意力向量进行最大池化处理，得到注意力空间分布矩阵；
24、基于所述注意力空间分布矩阵中特征的和值，确定各子特征组之间的空间损失函数，所述空间损失函数用于对所述第二注意力模型进行参数优化。
25、第二方面，本技术还提供了一种影像异常情况的识别装置，包括：
26、第一特征提取模块，用于对不同时期的待识别影像进行初步特征提取，得到所述待识别影像的特征；基于预设的通道分组策略对所述特征进行分组，得到至少一个子特征组；
27、第二特征提取模块，用于针对每个子特征组，通过第一注意力模型对所述子特征组中的特征进行通道特征提取，得到通道注意力特征；通过第二注意力模型对所述通道注意力特征进行空间特征提取，得到空间注意力特征；通过第三注意力模型对所述空间注意力特征进行频域处理，得到频域注意力特征；
28、处理模块，用于通过预设概率鉴别模型对多个所述频域注意力特征进行特征处理，得到所述待识别影像中的异常概率值；基于所述异常概率值与预设概率阈值的关系，确定异常识别结果。
29、第三方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
30、对不同时期的待识别影像进行初步特征提取，得到所述待识别影像的特征；基于预设的通道分组策略对所述特征进行分组，得到至少一个子特征组；
31、针对每个子特征组，通过第一注意力模型对所述子特征组中的特征进行通道特征提取，得到通道注意力特征；通过第二注意力模型对所述通道注意力特征进行空间特征提取，得到空间注意力特征；通过第三注意力模型对所述空间注意力特征进行频域处理，得到频域注意力特征；
32、通过预设概率鉴别模型对多个所述频域注意力特征进行特征处理，得到所述待识别影像中的异常概率值；基于所述异常概率值与预设概率阈值的关系，确定异常识别结果。
33、第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
34、对不同时期的待识别影像进行初步特征提取，得到所述待识别影像的特征；基于预设的通道分组策略对所述特征进行分组，得到至少一个子特征组；
35、针对每个子特征组，通过第一注意力模型对所述子特征组中的特征进行通道特征提取，得到通道注意力特征；通过第二注意力模型对所述通道注意力特征进行空间特征提取，得到空间注意力特征；通过第三注意力模型对所述空间注意力特征进行频域处理，得到频域注意力特征；
36、通过预设概率鉴别模型对多个所述频域注意力特征进行特征处理，得到所述待识别影像中的异常概率值；基于所述异常概率值与预设概率阈值的关系，确定异常识别结果。
37、第五方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
38、对不同时期的待识别影像进行初步特征提取，得到所述待识别影像的特征；基于预设的通道分组策略对所述输出特征进行分组，得到至少一个子特征组；
39、针对每个子特征组，通过第一注意力模型对所述子特征组中的特征进行通道特征提取，得到通道注意力特征；通过第二注意力模型对所述通道注意力特征进行空间特征提取，得到空间注意力特征；通过第三注意力模型对所述空间注意力特征进行频域处理，得到频域注意力特征；
40、通过预设概率鉴别模型对多个所述频域注意力特征进行特征处理，得到所述待识别影像中的异常概率值；基于所述异常概率值与预设概率阈值的关系，确定异常识别结果。
41、上述影像异常情况的识别方法、装置、计算机设备、可读存储介质和程序产品，通过多不同时期的待识别影像进行初步特征提取，将提取的特征进行分组，得到多个子特征组，针对每个子特征组分别依次进行通道特征提取、空间特征提取和频域处理，得到每个子特征组对应的频域注意力特征，通过预设概率鉴别模型对频域注意力特征进行处理得到异常概率值，并基于该异常概率值与预设概率阈值的关系确定异常识别结果，从多个维度提取目标异常的关键特征，通过预设概率鉴别模型对多个子特征组中的关键特征进行整合，实现在整体上评估影像中目标异常的异常情况，提高了异常情况识别的精准度。
1.一种影像异常情况的识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过第一注意力模型对所述子特征组中的特征进行通道特征提取，得到通道注意力特征，包括：
3.根据权利要求1所述的方法，其特征在于，所述通过第二注意力模型对所述通道注意力特征进行空间特征提取，得到空间注意力特征，包括：
4.根据权利要求1所述的方法，其特征在于，所述通过第三注意力模型对所述空间注意力特征进行频域处理，得到频域注意力特征，包括：
5.根据权利要求1所述的方法，其特征在于，所述预设概率鉴别模型包括预设特征提取模型和预设分类器；所述通过预设概率鉴别模型对多个所述频域注意力特征进行特征处理，得到所述待识别影像中目标异常的异常概率值，包括：
6.根据权利要求3所述的方法，其特征在于，所述方法还包括：
7.一种影像异常情况的识别装置，其特征在于，所述装置包括：
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
