【技术实现步骤摘要】
一种医学图像中无监督的关键点定位和目标检测方法
[0001]本专利技术属于图像分析
技术介绍
[0002]在三维医学图像分析中,关键点的定位和目标检测对于计算机辅助诊断、治疗方案优化有着十分重要的作用。关键点的定位是从图像中准确地找到某个解剖关键点的位置,三维目标检测是从图像中找到该物体的一个边界框,通常可以通过该物体上的多个的关键点进行定位实现。近年来,深度学习通过对大量含标注的医学图像进行学习,可以有效提取包含在医学图像大数据中的知识,得到较高精度的关键点定位和目标检测的结果,为基于医学图像的计算机辅助诊断系统提供了新的方法。
[0003]目前的深度学习方法的成功主要依赖于从大量有标注的三维医学图像中进行训练。然而,对三维医学图像的标注十分困难,由于医学图像中对比度低、个体差异较大,普通人难以完成精确的标注,从而需要专业的医生来完成标注。由于专业医生的稀缺,对成千上万幅大规模医学图像的标注具有高昂的时间和人力成本,因此极大地限制了深度学习医学图像处理算法的开发和应用。
[0004]为了减少对标注数据的依赖,诸如半监督、弱监督、自监督与无监督的方法愈发吸引人们的关注。半监督方法允许只对一部分图像(如50%的图像)进行标注,可以大大减少标注量,然而对于大规模三维医学图像来说,该方法需要的标注的绝对数量仍然十分庞大。弱监督方法允许标注者对一幅图像只提供图像级别的标签,如一幅图像中是否包含某个物体(如肝脏),而不用提供该物体的具体位置信息,可大大减少标注成本。然而,不同病人的腹部医学图像中往往都 ...
【技术保护点】
【技术特征摘要】
1.一种医学图像中无监督的关键点定位方法,该方法包括:步骤1:训练数据和参考图像的收集收集一批包含该目标的三维医学图像,从这些图像中选择一个或多个作为参考图像;步骤2:位移网络的搭建设在训练集中的一幅三维图像中,x
q
与x
s
表示大小为D
×
H
×
W的两块子区域,其中x
q
称为查询图像块,x
s
称为参考图像块,D,H和W分别表示该三维图像块在z,y和x方向上的大小;设x
q
与x
s
的中心点分别为c
q
和c
s
,使用一个位移网络来预测从x
q
的中心点c
q
到x
s
的中心c
s
在三维空间中的物理位移;c
q
到x
s
的真实位移通过图像的层间距e、c
q
与c
s
在图像中的坐标计算得到:其中‖
·
‖2表示向量的L2范数,
°
表示向量对应元素相乘;设位移网络的参数为θ,其预测结果表示为d
qs
=f(θ;x
q
,x
s
),该位移网络预测结果的损失函数L
p
为:步骤3:位移网络的训练对位移网络针对大尺度和小尺度分别训练一个模型,分别用于粗略定位和精细定位,这两个模型分别记为位移网络
‑
L和位移网络
‑
S;训练位移网络
‑
L的过程如下:将公式3中的参数r设置成一个大于设定阈值的数r=r0,从同一幅训练图像中的整个图像范围内随机抽取两个大小为D
×
H
×
W的图像块组成一对图像块,设每次迭代过程的一个批次包含随机提取P对图像块,其中第i对的两个图像块分别表示为x
qi
和x
si
,该批次的损失函数为:其中L
p
的定义如公式2所示,利用公式4中的损失函数迭代训练,直到损失函数收敛;针对位移网络
‑
S的训练过程与位移网络
‑
L的训练过程类似,不同的是采用局部范围内的图像块进训练:将公式3中的参数r设置成一个小于设定阈值的数r=r1,从同一幅训练图像中的局部范围内随机抽取两个大小为D
×
H
×
W的图像块组成一对图像块,具体操作为:先从整个图像范围内随机选择一个D
×
H
×
W的图像块作为x
qi
,再随机选择一个与x
qi
的距离小于r1的同样大小的图像块作为x
si
;在每次迭代过程中的一个批次包含P对这样的图像块,然后利用公式4中的损失函数进行迭代更新,直到损失函数收敛,从而得到训练好的位移网络
‑
S模型;训练后的位移网络
‑
L和位移网络
‑
S的模型参数分别记为θ0和θ1;步骤4:基于位移网络位
‑
L和位移网络
‑
S的关键点定位对于一幅参考图像中给定的关键点,以该点为中心,取大小为D
×
H
×
W的图像块作为参考图像块x
′
s
;对于一幅新图像,通过位移网络
‑
L和位移网络
‑
S由粗到细逐渐找到该图像中对应的关键点的位置c
q
,具体过程如下:a)从当前的待处理图像中选取一个初始位置c0,以c0为中心取一个大小为D
×
H...
【专利技术属性】
技术研发人员:王国泰,雷文辉,许伟,顾然,张少霆,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。