基于空间位置和原型网络的CT图像的少样本分割方法和系统技术方案

本发明专利技术提供了一种基于空间位置和原型网络的CT图像的少样本分割方法和系统，包括：步骤1：获取CT图像的训练集和测试集；步骤2：对训练集和测试集进行预处理；步骤3：对训练集分为支撑集和待分割集；步骤4：对选取的CT图像进行特征提取；步骤5：根据支撑集包含的分割标注，对每一块局部特征区域中的标注出的器官区域和背景区域进行局部平均池化，获取表征器官在该区域的原型向量以及背景的原型向量；步骤6：将待分割集与支持集进行相似度计算，得到2D分割结果；步骤7：将2D分割结果扩展到3D的CT上，获得3D分割结果。本发明专利技术根据相同种类器官在CT图像中的空间位置相似性先验，减少了传统全监督分割模型的大量标注的需求。督分割模型的大量标注的需求。督分割模型的大量标注的需求。

【技术实现步骤摘要】
基于空间位置和原型网络的CT图像的少样本分割方法和系统


[0001]本专利技术涉及医学影像
，具体地，涉及一种基于空间位置和原型网络的CT图像的少样本分割方法和系统。

技术介绍

[0002]深度神经网络的出现给医学图像分割领域带来了革命性的发展。然而，尽管现有的全监督分割方法取得了巨大的成功，但它们的使用受到了标注数据集的限制。一般来说医学图像的标注过程极为繁琐，对于不同的标注内容往往需要开发特殊的标注工具并交由有经验的医生进行，这导致高标注质量的医学图像数据集非常稀缺。因此探索新的医学图像分割技术来对缺少标注的数据集进行分割是势在必行的。
[0003]在医学图像领域，大多数现存的工作聚焦于如何用更少的样本进行模型的训练，比如对少量的标记样本进行数据增强来合成更多的伪标记样本。但是这些方法在用于训练与测试集器官类别不同的数据集时，需要花费大量的时间对模型重新训练。因此我们采纳最近较新提出的原型网络(prototype network)技术，该技术可以到达如下目标：无论该种类的器官是否在训练集中见过，都可以利用非常少数量的支持集(s本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于空间位置和原型网络的CT图像的少样本分割方法，其特征在于，包括：步骤1：获取CT图像的训练集和测试集；步骤2：对训练集和测试集进行预处理；步骤3：对训练集进行分类，随机选取一个类别的多张CT图像并分为支撑集和待分割集；步骤4：对选取的CT图像进行特征提取；步骤5：根据支撑集包含的分割标注，对每一块局部特征区域中的标注出的器官区域和背景区域进行局部平均池化，获取表征器官在该区域的原型向量以及背景的原型向量；步骤6：将待分割集中特征子区域中每个位置的特征向量与支持集在该区域的器官原型向量和背景原型向量进行相似度计算，按照计算得到的相似度大小获取位置的分割标签，得到2D分割结果；步骤7：在测试时，采用均匀间隔配对策略，将2D分割结果扩展到3D的CT上，获得3D分割结果；对训练集和测试集的CT图像进行最大最小归一化处理，将其灰度值归一化到[0,1]区间，并采用随机对比度变换、随机亮度变换、随机Gamma变换来对训练集进行数据增强；所述训练集和测试集互斥，测试时样本数据的未在训练时出现。2.根据权利要求1所述的基于空间位置和原型网络的CT图像的少样本分割方法，其特征在于，所述步骤4包括如下步骤：步骤4.1：采用的特征提取网络主干来自ResNet50的前3个block，并且由ImageNet上的预训练参数进行初始化，将输入图像输入该特征提取网络，并将第二个block输出的大小为512x128x128的特征图与第三个block输出的大小为1024x128x128的特征图进行拼接，拼接后得到的特征图大小为1536x512x512；步骤4.2：将拼接后的特征图通过一个空洞率为2的空洞卷积层进行特征融合，得到最后的输出特征图大小为256x64x64。3.根据权利要求2所述的基于空间位置和原型网络的CT图像的少样本分割方法，其特征在于，所述步骤5包括如下步骤：步骤5.1：将支持集的分割标注图缩小到步骤4.2中获得的特征图大小，将特征图的行维度和列维度都划分为8个部分的同时相互重叠；步骤5.2：对支持集特征图的每一个局部特征区域g，通过其对应分割标注进行局部平均池化计算代表该区域器官c的原型向量部平均池化计算代表该区域器官c的原型向量步骤5.3：同理得到代表该区域背景的特征向量步骤5.3：同理得到代表该区域背景的特征向量k表示支持集的CT数量；(x，y)为图像的离散坐标。4.根据权利要求1所述的基于空间位置和原型网络的CT图像的少样本分割方法，其特
征在于，所述步骤6包括如下步骤：步骤6.1：计算待分割特征图每个位置的特征向量F
q
(x,y)与对应支持集的局部区域的原型向量的余弦相似度得到相似度矩阵；步骤6.2：使用softmax函数对得到的相似度矩阵进行激活，得到预测标签的概率图步骤6.2：使用softmax函数对得到的相似度矩阵进行激活，得到预测标签的概率图步骤6.3：对预测标签的概率图P
q
和待分割集的真值标注M
q
计算交叉熵损失L
ce
(P
q
,M
q
)，并采用反向传播算法进行端对端训练，训练过程中，使用SGD优化算法来不断改进学习特征提取网络的每一层参数，并采用学习率衰减策略，来动态调整学习率；步骤6.4：通过预测的概率图得到预测的待分割集的分割标注步骤6.4：通过预测的概率图得到预测的待分割集的分割标注5.根据权利要求1所述的基于空间位置和原型网络的CT图像的少样本分割方法，其特征在于，所述步骤7包括如下步骤：步骤7.1：给定待分割的器官类别，确定支持集和待分割集中该类器官的起止范围；步骤7.2：将支持集范围内的器官和待分割集范围内的器官各自均匀分组；步骤7.3：从支持集中的每个小组中均匀选取预设数量的2D CT切片构成新的支持集，并运用步骤4
‑
6所示的算法将其应用于待分割集的对应等份中的所有CT切片；步骤7.4：将分割完后的所有2D CT切片拼接起来，得到待分割的整个3D分割结果。6.一种基于空间位置和原型网...

【专利技术属性】
技术研发人员：俞勤吉，党康，丁晓伟，
申请(专利权)人：上海体素信息科技有限公司，
类型：发明
国别省市：