一种具有对比机制的相似度感知框架的医学图像分割方法技术

本申请公开了一种具有对比机制的相似度感知框架的医学图像分割方法，包括以下步骤：获取数据；对所述数据进行增强，得到数据集；基于所述数据集，选择分割模型；对所述分割模型进行对比学习，提高所述分割模型分割性能；对所述进行对比学习的分割模型再进行监督学习，共同训练模型；对所述共同训练的模型进行损失优化，优化后的模型用于医学图像分割。通过监督学习提供监督信息指导，并通过对比学习充分挖掘数据中潜在的相似性分析和学习特征，以保持监督学习分割的准确性，并学习数据的潜在有效特征。效特征。效特征。

【技术实现步骤摘要】
一种具有对比机制的相似度感知框架的医学图像分割方法


[0001]本申请属于带有限制性标注数据的医学图像分割领域，具体涉及一种具有对比机制的相似度感知框架的医学图像分割方法。

技术介绍

[0002]医学图像分割在医学图像处理中扮演着重要的角色，是分析医学图像的首要步骤。目的是使图像中解剖或病理结构的变化更加清晰，进而辅助解剖结构和感兴趣区域。
[0003]传统的医学图像分割大多基于阚值、区域、边缘检测和聚类分析。由于传统方法大多需要人工设计特征，不能够自动化地实现分割。并且不同的医学数据集需要不同的图像处理，传统的方法不足以应对日益增长的各式各样复杂的数据集。
[0004]由于神经网络拥有强大的表征能力，不再需要手工制作特征就可以实现端对端的分割，这也引起了研究人员的关注，并广泛地应用在生物医学领域。然而，深度学习的模型训练需要大量的标注数据才可以训练出一个具有强的表征能力模型。这需要花费大量的时间和成本，特别是获取大量带有高质量的标注的医学数据。
[0005]对比学习是一种自监督学习(self
‑
supervised learning,SSL)方法，可以从大规模数据中学习图像级特征，而不需要任何手动标注。对比学习的主要思想是比较样本对在表示空间中的相似性，将相似对(正对)的表示集合在一起，分离不同对(负对)的表示。虽然对比学习是一种很有前途的方法，但目前对比学习不仅需要大量的正反例样本，而且对比学习是学习图像级特征，还没有能力操作用于像素级的任务，像对感兴趣的部分进行分割。因此，大多数先进的分割模型仍然基于监督学习，能稳定地产生准确的分割。

技术实现思路

[0006]本申请提出了一种具有对比机制的相似度感知框架的医学图像分割方法，准确的生物医学图像分割是临床诊断的基础。基于卷积神经网和Transformer的分割方法在各种医学成像模式中取得了优异的性能。这些方法大多是基于大规模精确注释的监督学习。然而，用于生物医学的专业注释数据很难获得。此外，大多数研究集中在复杂的网络结构上，而不是充分挖掘未标记图像的潜在特征。这些有监督的学习方法可以在注释良好的数据集中获得有竞争力的性能，但在还存在一定的空间可以继续提升分割性能。在本研究中，为了进一步提升带有限制性标注的医学图像分割的效果，我们提出了一种具有对比机制的相似度感知框架的医学图像分割方法，以保持监督学习的分割精度，并学习更多数据的潜在有效特征。与传统的对比学习不同，我们的方法将监督学习和对比学习同时结合起来，监督模块提供监督信息指导，并通过对比模块对未标注数据进行相似性分析，充分挖掘潜在特征。该框架可以在现有的模型上，进一步的完善模型，提高模型的分割精度。
[0007]为实现上述目的，本申请提供了如下方案：
[0008]一种具有对比机制的相似度感知框架的医学图像分割方法，包括以下步骤：
[0009]获取图像数据；
[0010]对所述图像数据进行增强，得到图像数据集；
[0011]基于所述图像数据集，选择分割模型；
[0012]对所述分割模型进行对比学习，提高所述分割模型分割性能；
[0013]对所述进行对比学习的分割模型再进行监督学习，共同训练模型；
[0014]对所述共同训练的模型进行损失优化，优化后的模型用于医学图像分割。
[0015]优选的，对所述图像数据进行增强的方法包括：组合数据增强和非线性变换增强。
[0016]优选的，所述组合数据增强的方法包括：几何变换与色彩空间变换的组合或几何变换与色彩空间变换自身的组合。
[0017]优选的，所述非线性变换增强的方法包括：随机擦除和Cutmix。
[0018]优选的，对所述分割模型进行对比学习的方法包括：将所述数据增强的数据集输入分割模型，分割模型对其进行输出，对输出的数据进行矩不变量映射。
[0019]优选的，所述进行监督学习的方法包括：选择不同分割损失函数。
[0020]优选的，对所述共同训练的模型进行损失的方法包括：对比损失函数和监督损失函数。
[0021]优选的，所述对比损失函数的方法包括：
[0022]余弦相似度对比损失函数的公式如下：
[0023]余弦相似度公式如下：
[0024][0025]其中，z
i
，z
j
表示两个矩不变量映射,sim(
·
)函数表示相似度计算，z
iT
z
j
表示两个对应向量相乘，||z
i
||||z
j
||表示两个对应两个向量的模；
[0026][0027]式中，z
i
，z
j
表示两个矩不变量映射，sim(
·
)函数表示相似度计算，exp(
·
)表示是指数函数；
[0028]误差对比损失函数的公式如下：
[0029][0030]||||2表示对符号里面取绝对值，即二范数；表示相对于z
i
的相对误差。
[0031]优选的，所述监督损失函数的方法包括：监督损失函数的公式如下：
[0032][0033]优选的，所述优化后的模型用于医学图像分割的方法包括：基于所述对比损失函数和所述监督损失函数确定最终总损失函数，然后最小化总损失函数，更新训练模型达到迭代次数为止。
[0034]本申请的有益效果为：
[0035]针对生物医学图像分割数据集稀缺的问题，本申请提出了一种基于对比度机制的相似感知的医学图像分割框架(SimBIS)，可灵活应用于不同的分割模型。目前大多数研究都集中在复杂的网络结构上，而不是像本专利从数据层面上去充分地探索潜在的特征。该框架包括一个数据增强模块(1)、一个对比模块(2)、一个监督模块(3)、一个分割模型(4)和损失函数(5)。此外，网络模块可以灵活应用于任何不同的分割模型。能够做到即插即用，并且可以在原有的模型上再继续优化得到更精准的分割效果。
[0036]SimBIS设计了多种数据增强功能。数据增强模块采用线性变换增强和非线性变换增强相结合的方法来提高增强图像的可分辨性，不仅提高图像的丰富性和多样性，数据增强模块还能与对比模块形成一种对抗机制。具体是，数据增强模块尽可能使图片的区分度更大，而对比模块通过自监督使图像的特征映射的相似度的误差更小(或者相似度更大)，进而优化网络和得到更具泛化和稳定的分割模型。本申请采用数据增强模块，既能实现适当的数据增强，在一定程度上可以缓解小规模医学图像分割数据稀缺的问题；又能有效地避免因过度有标注的数据增强使训练数据趋向于同个分布，进而导致的过拟合现象。
[0037]本申请设计一种监督学习和对比学习的联合学习策略。与现有模型相比，更充分地挖掘图像的潜在特征，获得更准确的分割。与传统的对比学习不同，SimBIS将监督学习和对比学习同时结合起来，通过监督模块提供监督信息指导，并通过对比模块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种具有对比机制的相似度感知框架的医学图像分割方法，其特征在于，包括以下步骤：获取图像数据；对所述图像数据进行增强，得到图像数据集；基于所述图像数据集，选择分割模型；对所述分割模型进行对比学习，提高所述分割模型分割性能；对所述进行对比学习的分割模型再进行监督学习，共同训练模型；对所述共同训练的模型进行损失优化，优化后的模型用于医学图像分割。2.根据权利要求1所述的具有对比机制的相似度感知框架的医学图像分割方法，其特征在于，对所述图像数据进行增强的方法包括：组合数据增强和非线性变换增强。3.根据权利要求2所述的具有对比机制的相似度感知框架的医学图像分割方法，其特征在于，所述组合数据增强的方法包括：几何变换与色彩空间变换的组合或几何变换与色彩空间变换自身的组合。4.根据权利要求2所述的具有对比机制的相似度感知框架的医学图像分割方法，其特征在于，所述非线性变换增强的方法包括：随机擦除和Cutmix。5.根据权利要求1所述的具有对比机制的相似度感知框架的医学图像分割方法，其特征在于，对所述分割模型进行对比学习的方法包括：将所述数据增强的数据集输入分割模型，分割模型对其进行输出，对输出的数据进行矩不变量映射。6.根据权利要求1所述的具有对比机制的相似度感知框架的医学图像分割方法，其特征在于，所述进行监督学习的方法包括：选择不同分割损失函数。7.根据权利要求1所述的具有对比机制的相似度感知框架的医学图像分割方法，其特征在于，对所述共同训练的模型进行损失的方法包括：对比...

【专利技术属性】
技术研发人员：罗雪琪，林森林，易颖娆，何伟骅，辜方清，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：