一种递进式边界区域优化的医学图像小样本分割方法技术

本发明专利技术公开了一种递进式边界区域优化的医学图像小样本分割方法，利用基于原型学习的双分支特征提取网络与原型解码模块获得粗糙分割掩码，引入边界优化模块增强高层特征的边界信息表示，使用密集比较模块对增强后的特征进行解码得到边缘分割掩码，最后将边缘分割掩码作为粗糙分割掩码的补充，校正中边界预测不一致的区域。本发明专利技术通过反复利用边界优化模块与密集比较模块，将粗糙的预测掩码细化为准确而完整的分割预测掩码，有效解决由分割目标形态复杂、存在类别原型偏置、局部区域关注不够造成的边界区域分割不清晰问题，极大地提升了小样本医学图像的分割精度。小样本医学图像的分割精度。小样本医学图像的分割精度。

【技术实现步骤摘要】
一种递进式边界区域优化的医学图像小样本分割方法


[0001]本专利技术涉及医学图像处理与计算机视觉
，具体涉及递进式边界区域优化的医学图像小样本分割方法。

技术介绍

[0002]医学图像小样本分割技术是小样本学习的一个重要分支，它使用少量有标注的医学样本来提取类别表征，利用这些表征来对新的医学类别样本进行预测，而不需要重新训练模型。该技术可以将单一类别数据训练得到的分割模型直接应用到其他类别的医学分割目标，分割出的结果为临床医生提供疾病诊断所需的解剖结构信息，在辅助临床诊断与治疗中有着重要的应用价值。然而，由于医学图像数据的目标对象间对比度差异小、受器官运动影响大，加之标注样本规模小，因此在小样本下建立高性能的医学分割模型仍是目前的难点问题。
[0003]截止目前，已经有大量的医学图像小样本分割方法被提出。按照支持特征利用粒度标准进行划分，这些方法分为两类：第一类方法采用注意力机制提取信息用于分割查询，采用挤压和激发模块将支持图像的信息融合到查询图像，以指导分割分支。它的优点是使用有参数的注意力机制，能够更有效地获得支持特征的各个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种递进式边界区域优化的医学图像小样本分割方法，其特征在于，先对医学图像进行预处理：使用超像素算法生成得到伪标签图像，然后与无标签数据进行配对，得到的数据作为网络模型的输入；再通过双分支的特征提取网络获得粗糙的分割掩码；然后使用边界优化模块与无参数的度量网络模块得到边缘分割掩码；最后将边缘分割掩码作为粗糙分割掩码的补充，从而校正中边界预测不一致的区域。2.根据权利要求1所述的一种递进式边界区域优化的医学图像小样本分割方法，其特征在于，具体包括以下步骤：对医学图像进行预处理包括：Step1.1：对无标签图像x
i
通过超像素算法生成得到伪标签图像y
i
；对无标签图像x
i
使用超像素算法，将图像划分为多个有相关性的局部区域，然后随机选择一个区域作为伪标签图像y
i
；Step1.2：将无标签图像x
i
与伪标签图像y
i
进行配对得到支持集图像对s
i
；随机选出的伪标签图像y
i
是无标签图像x
i
的标签，二者进行配对组成支持集图像对s
i
＝<x
s
,y
s
>；Step1.3：对支持集图像对s
i
进行变换得到查询集图像对q
i
；对支持集图像对s
i
里的支持集图像x
s
与支持集伪标签图像y
s
进行相同的随机几何变化和强度转换，生成新的形状和强度的查询集图像x
q
与查询集伪标签图像y
q
，二者进行配对组成查询集图像对q
i
＝<x
q
,y
q
>；Step1.4：将支持集图像对s
i
与查询集图像对q
i
进行配对，获得训练阶段的输入数据[s
i
,q
i
]；将支持集图像对s
i
与查询集图像对q
i
配对后的[s
i
,q
i
]作为小样本分割模型训练阶段的训练样本。3.根据权利要求1所述的一种递进式边界区域优化的医学图像小样本分割方法，其特征在于，通过双分支的特征提取网络获得粗糙的分割掩码包括：Step2.1：将支持集图像x
s
和查询集图像x
q
输入特征提取网络中，得到后三层高层特征f
i
；将一张支持集图像和一张查询集图像输入双分支的特征提取网络ResNet中，经过五层卷积特征提取之后，输出后三层高层特征{f
i
,i＝3,4,5}；Step2.2：将高层特征f
i
与支持集标签M进行掩码平均池化，输出原型特征向量p
i
；将后三层高层特征f
i
分别与支持集的标签M进行掩码平均池化，输出这三层的原型特征向量{p
i
,i＝3,4,5}，通过掩码平均池化获得某一类别原型向量的计算公式如下：其中，F
c
是支持集图像所提取的特征图，c表示的是某一类别，c类别的原型可以通过掩码的平均池化得到，(x,y)为特征图上像素的位置坐标，1(
·
)是一个指示函数，参数为真时输出1，否则输出0；Step2.3：将原型...

【专利技术属性】
技术研发人员：贾熹滨，郭雄，杨正汉，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：