基于提示学习的零样本脑病灶分割方法、系统、设备和介质技术方案

本发明专利技术公开了一种基于提示学习的零样本脑病灶分割方法、系统、设备和介质，包括：利用可获取的无病灶的健康核磁共振图像FLAIR模态，然后根据医生对肿瘤与异常组织相比较而言的高低信号完成两种不同的提示方案，分别获取到验证集与训练集。根据设置不同的超参数，获得不同超参下的训练模型。将得到的模型进行超参数集成从而获取最终用测试的模型，完成测试，得到最后的分割结果。本发明专利技术的优点是：在脑病灶分割任务上具有更高的准确率和召回率，提高了病灶分割的效率，减少了对人力财力的需求强度。强度。强度。

【技术实现步骤摘要】
method for deep learning
‑
based biomedical image segmentation[J].Nature methods,2021,18(2):203
‑
211；
[0012][2]Cui W,Liu Y,Li Y,et al.Semi
‑
supervised brain lesion segmentation with an adapted mean teacher model[C]//International Conference on Information Processing in Medical Imaging.Springer,Cham,2019:554
‑
565；
[0013][3]Zhang X,Xie W,Huang C,et al.Self
‑
supervised tumor segmentation through layer decomposition[J].arXiv preprint arXiv:2109.03230,2021；
[0014][4]Baur C,Wiestler B,Albarqouni S,et al.Deep autoencoding models for unsupervised anomaly segmentation in brain MR images[C]//International MICCAI brainlesion workshop.Springer,Cham,2018:161
‑
169；
[0015][5]Schlegl T,P,Waldstein S M,et al.f
‑
AnoGAN:Fast unsupervised anomaly detection with generative adversarial networks[J].Medical image analysis,2019,54:30
‑
44。

技术实现思路

[0016]本专利技术针对现有技术的缺陷，提供了一种基于提示学习的零样本脑病灶分割方法、系统、设备和介质。能够仅在使用无人工标注的数据上训练就能够完成脑补病灶分割任务，并且能够直接泛化到不同的数据集上也不需要微调再训练等操作。
[0017]为了实现以上专利技术目的，本专利技术采取的技术方案如下：
[0018]一种基于提示学习的零样本脑病灶分割方法，包括以下步骤：
[0019]S1：提示阶段，利用可获取的无病灶的健康核磁共振图像FLAIR模态，然后根据医生对肿瘤与异常组织相比较而言的高低信号完成两种不同的提示方案，分别获取到验证集与训练集。
[0020]S2：学习阶段，根据设置不同的超参数，获得不同超参下的训练模型，具体地，零样本学习容易过拟合到训练数据的分布当中，而大的学习率(lr)在一定程度上可以有助于模型选择的过拟合问题，但是对于不同的数据集，超参数的选择与制定可能并不能很好的泛化，所以我们对不同超参数下训练得到模型进行集成。即设置不同学习率与训练代数组合模型。例如lr∈{0.1,0.01,0.001},训练代数epoch∈{10,20,50,100},其中验证集用于每个超参数组合下的模型选择。
[0021]S3：测试阶段，将得到的模型进行超参数集成从而获取最终用测试的模型，完成测试，得到最后的分割结果。
[0022]进一步地，S1具体如下：
[0023]给定没有肿瘤病灶的FLAIR模态核磁共振图像集合其中X
i
表示第i张图像，N为图像的总数。对于每一个图像X
i
而言，去生成一个具有高信号或者低信号区域的合成图像X以及对应的标签Y表示为如下：
[0024]X＝T(X
i
)
⊙
A+X
i
⊙
(1
‑
A)
[0025][0026]其中T(
·
)表示一种图像的灰度变换，A是一个范围在0到1内的加权图像。
⊙
代表像素级乘法。a是一个阈值，决定A与标签Y之间的关系。
[0027]去模拟灰度高低的信息，经过模糊去降低对纹理的描述。T(
·
)表述为下所示：
[0028]T(X
i
)＝λBlur(X
i
)
[0029]其中，λ用于控制高低信号的幅度分布范围。其0<λ<1时，信号置低，λ>1时信号置高。
[0030]进一步地，S1中对于肿瘤的形状即位置分布，首先生成一个频率为f的多面体，将一个二十面体的边缘细分f次，并将每个顶点投影到一个以原点为中心的单位半径的参数球上。而产生的肿瘤遮罩M需要全部分布在大脑当中。
[0031]进一步地，S2具体如下：
[0032]验证集修改了提示的细节，如式下：
[0033]T(X
i
)＝λX
i
[0034]A＝M
[0035]a＝0
[0036]进一步地，S3中在nnU
‑
Net框架基础上，增大十倍学习率获取不同超参设置下的模型。并且将这些模型做集成得到最终的模型，用于在不用的测试集上测试。
[0037]本专利技术还公开了一种基于提示学习的零样本脑病灶分割系统，该系统能够用于实施上述的一种基于提示学习的零样本脑病灶分割方法，具体的，包括：提示模块、学习模块和测试模块；
[0038]提示模块，利用获取的无病灶的健康核磁共振图像FLAIR模态，然后根据医生对肿瘤与异常组织相比较而言的高低信号完成两种不同的提示方案，分别获取到验证集与训练集。
[0039]学习模块，根据设置不同的超参数，获得不同超参下的训练模型，其中验证集用于模型选择。
[0040]测试模块，将得到的模型进行超参数集成从而获取最终用测试的模型，完成测试，得到最后的分割结果。
[0041]本专利技术还公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述一种基于提示学习的零样本脑病灶分割方法。
[0042]本专利技术还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述一种基于提示学习的零样本脑病灶分割方法。
[0043]与现有技术相比，本专利技术的优点在于：
[0044]1.分割精度提高：本方法相较于传统医学图像无监督分割方法，在脑病灶分割任务上具有更高的准确率和召回率，dice指标在较性能最优的对照组相比dice在brats2021数据集与BTFLAIR数据集上分别提升了45.3％和59.8％；
[0045]2.效率提高：本方法无需人工标注数据，可以在不需要脑病灶图像的情况下，仅仅利用健康人的图像进行模型训练，从本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于提示学习的零样本脑病灶分割方法，其特征在于，包括以下步骤：S1：提示阶段，利用可获取的无病灶的健康核磁共振图像FLAIR模态，然后根据医生对肿瘤与异常组织相比较而言的高低信号完成两种不同的提示方案，分别获取到验证集与训练集；S2：学习阶段，根据设置不同的超参数，获得不同超参下的训练模型，具体地，对不同超参数下训练得到模型进行集成；即设置不同学习率与训练代数组合模型；其中验证集用于每个超参数组合下的模型选择；S3：测试阶段，将得到的模型进行超参数集成从而获取最终用测试的模型，完成测试，得到最后的分割结果。2.根据权利要求1所述的一种基于提示学习的零样本脑病灶分割方法，其特征在于：S1具体如下：给定没有肿瘤病灶的FLAIR模态核磁共振图像集合其中X
i
表示第i张图像，N为图像的总数；对于每一个图像X
i
而言，去生成一个具有高信号或者低信号区域的合成图像X以及对应的标签Y表示为如下：X＝T(X
i
)
⊙
A+X
i
⊙
(1
‑
A)其中T(
·
)表示一种图像的灰度变换，A是一个范围在0到1内的加权图像；
⊙
代表像素级乘法；a是一个阈值，决定A与标签Y之间的关系；去模拟灰度高低的信息，经过模糊去降低对纹理的描述；T(
·
)表述为下所示：T(X
i
)＝λBlur(X
i
)其中，λ用于控制高低信号的幅度分布范围；其0<λ<1时，信号置低，λ>1时信号置高。3.根据权利要求1所述的一种基于提示学习的零样本脑病灶分割方...

【专利技术属性】
技术研发人员：叶初阳，张欣茹，文梓棋，刘成浩，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：