一种基于半监督与Transformers的医学图像分割方法及系统技术方案

本发明专利技术提供了医学图像处理技术领域的一种基于半监督与Transformers的医学图像分割方法及系统，方法包括如下步骤：步骤S10、获取大量的医学图像，对各所述医学图像进行预处理得到图像集；步骤S20、基于FC

【技术实现步骤摘要】
一种基于半监督与Transformers的医学图像分割方法及系统


[0001]本专利技术涉及医学图像处理
，特别指一种基于半监督与Transformers的医学图像分割方法及系统。

技术介绍

[0002]图像的语义分割是计算机视觉中非常重要的任务，它的目标是为图像中的每个像素分类，如果能够快速准确地做图像分割，很多问题将会迎刃而解。
[0003]医学图像的语义分割是相关医疗信息的最基本分析任务之一，尽管到目前为止已经提出了多种解决方案，包括基于深度学习的技术，如U
‑
Net、FC
‑
DenseNet等。但由于医学图像中不可避免的失真和扭曲，以及存在某些病变组织的特征与正常组织非常相似，使得医学图像语义分割的准确性还是不尽如人意。
[0004]随着人们对于医学图像分割准确性的要求越来越高，传统的方法已无法满足当下的需求，因此引入了Transformers。然而，引入Transformers的同时，也引入了大量的参数，这在标注数据充足的自然场景分割领域不是问题，可是将其使用在标注数据缺失的医学图像中，往往会由于标注数据的数量不足而导致医学图像分割的效果不尽如人意。
[0005]因此，如何提供一种基于半监督与Transformers的医学图像分割方法及系统，实现提升缺少标注数据的医学图像的分割准确性，成为一个亟待解决的技术问题。

技术实现思路

[0006]本专利技术要解决的技术问题，在于提供一种基于半监督与Transformers的医学图像分割方法及系统，实现提升缺少标注数据的医学图像的分割准确性。
[0007]第一方面，本专利技术提供了一种基于半监督与Transformers的医学图像分割方法，包括如下步骤：
[0008]步骤S10、获取大量的医学图像，对各所述医学图像进行预处理得到图像集；
[0009]步骤S20、基于FC
‑
DenseNet和RL
‑
Transformer创建一U型结构的医学图像分割模型；
[0010]步骤S30、利用所述图像集对医学图像分割模型进行训练；
[0011]步骤S40、将待分割医学图像输入训练后的医学图像分割模型进行图像分割。
[0012]进一步地，所述步骤S10具体为：
[0013]获取大量的医学图像，对各所述医学图像依次进行降噪、切割冗余背景、统一尺寸以及标注的预处理后，构建图像集。
[0014]进一步地，所述步骤S20中，所述医学图像分割模型包括一上采样模块、一下采样模块、一CLAB模块以及若干个DenseBlock模块；
[0015]所述上采样模块与下采样模块之间设有跳过链接；所述CLAB模块设于跳过链接处；各所述DenseBlock模块穿插在上采样模块和下采样模块内；
[0016]所述上采样模块用于医学图像的还原；所述下采样模块用于医学图像的缩小；所
述CLAB模块用于对跳过链接处的信息进行过滤，降低噪声干扰，以提升医学图像分割的准确性；所述DenseBlock模块用于学习医学图像中的语义信息；所述跳过链接用于补偿上下采样过程中丢失的语义信息；
[0017]所述医学图像分割模型采用Mumford
‑
Shah函数作为损失函数。
[0018]进一步地，所述CLAB模块使用支持向量机的方式对信息进行处理，使用dropout层来对无效信息进行过滤。
[0019]进一步地，所述步骤S20中，所述RL
‑
Transformer使用ResNet中的残差机制将浅层的信息传递到深层，使用Patch Embbeding将原有的信息映射成嵌入向量，再将嵌入向量进行还原成处理过的信息以便在上采样中被还原。
[0020]第二方面，本专利技术提供了一种基于半监督与Transformers的医学图像分割系统，包括如下模块：
[0021]医学图像预处理模块，用于获取大量的医学图像，对各所述医学图像进行预处理得到图像集；
[0022]医学图像分割模型创建模块，用于基于FC
‑
DenseNet和RL
‑
Transformer创建一U型结构的医学图像分割模型；
[0023]医学图像分割模型训练模块，用于利用所述图像集对医学图像分割模型进行训练；
[0024]图像分割模块，用于将待分割医学图像输入训练后的医学图像分割模型进行图像分割。
[0025]进一步地，所述医学图像预处理模块具体为：
[0026]获取大量的医学图像，对各所述医学图像依次进行降噪、切割冗余背景、统一尺寸以及标注的预处理后，构建图像集。
[0027]进一步地，所述医学图像分割模型创建模块中，所述医学图像分割模型包括一上采样模块、一下采样模块、一CLAB模块以及若干个DenseBlock模块；
[0028]所述上采样模块与下采样模块之间设有跳过链接；所述CLAB模块设于跳过链接处；各所述DenseBlock模块穿插在上采样模块和下采样模块内；
[0029]所述上采样模块用于医学图像的还原；所述下采样模块用于医学图像的缩小；所述CLAB模块用于对跳过链接处的信息进行过滤，降低噪声干扰，以提升医学图像分割的准确性；所述DenseBlock模块用于学习医学图像中的语义信息；所述跳过链接用于补偿上下采样过程中丢失的语义信息；
[0030]所述医学图像分割模型采用Mumford
‑
Shah函数作为损失函数。
[0031]进一步地，所述CLAB模块使用支持向量机的方式对信息进行处理，使用dropout层来对无效信息进行过滤。
[0032]进一步地，所述医学图像分割模型创建模块中，所述RL
‑
Transformer使用ResNet中的残差机制将浅层的信息传递到深层，使用Patch Embbeding将原有的信息映射成嵌入向量，再将嵌入向量进行还原成处理过的信息以便在上采样中被还原。
[0033]本专利技术的优点在于：
[0034]通过FC
‑
DenseNet和RL
‑
Transformer创建U型结构的医学图像分割模型，RL
‑
Transformer相对于传统的Transformers引入了残差连接机制，对语义特征的编码能力得
以提高；医学图像分割模型设有CLAB模块，使用支持向量机的方式对信息进行进一步的筛选和简化，并将其放在跳过链接处，使送至上采样模块的医学图像能够包含更多有效的信息；医学图像分割模型采用Mumford
‑
Shah函数作为损失函数，仅需利用少量的标注数据为半监督学习生成伪标签，最终极大的提升了缺少标注数据的医学图像的分割准确性。
附图说明
[0035]下面参照附图结合实施例对本专利技术作进一步的说明。
[0036]图1是本专利技术一种基于半监督与Trans本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半监督与Transformers的医学图像分割方法，其特征在于：包括如下步骤：步骤S10、获取大量的医学图像，对各所述医学图像进行预处理得到图像集；步骤S20、基于FC
‑
DenseNet和RL
‑
Transformer创建一U型结构的医学图像分割模型；步骤S30、利用所述图像集对医学图像分割模型进行训练；步骤S40、将待分割医学图像输入训练后的医学图像分割模型进行图像分割。2.如权利要求1所述的一种基于半监督与Transformers的医学图像分割方法，其特征在于：所述步骤S10具体为：获取大量的医学图像，对各所述医学图像依次进行降噪、切割冗余背景、统一尺寸以及标注的预处理后，构建图像集。3.如权利要求1所述的一种基于半监督与Transformers的医学图像分割方法，其特征在于：所述步骤S20中，所述医学图像分割模型包括一上采样模块、一下采样模块、一CLAB模块以及若干个DenseBlock模块；所述上采样模块与下采样模块之间设有跳过链接；所述CLAB模块设于跳过链接处；各所述DenseBlock模块穿插在上采样模块和下采样模块内；所述上采样模块用于医学图像的还原；所述下采样模块用于医学图像的缩小；所述CLAB模块用于对跳过链接处的信息进行过滤，降低噪声干扰，以提升医学图像分割的准确性；所述DenseBlock模块用于学习医学图像中的语义信息；所述跳过链接用于补偿上下采样过程中丢失的语义信息；所述医学图像分割模型采用Mumford
‑
Shah函数作为损失函数。4.如权利要求3所述的一种基于半监督与Transformers的医学图像分割方法，其特征在于：所述CLAB模块使用支持向量机的方式对信息进行处理，使用dropout层来对无效信息进行过滤。5.如权利要求1所述的一种基于半监督与Transformers的医学图像分割方法，其特征在于：所述步骤S20中，所述RL
‑
Transformer使用ResNet中的残差机制将浅层的信息传递到深层，使用Patch Embbeding将原有的信息映射成嵌入向量，再将嵌入向量进行还原成处理过的信息以便在上采样中被还原。6.一种基于半监督与Transformers的医学图像分割系...

【专利技术属性】
技术研发人员：洪清启，姚俊峰，李狄翰，李子晗，
申请(专利权)人：厦门大学，
类型：发明
国别省市：