【技术实现步骤摘要】
基于边界点标注的医学图像分割方法、装置、设备及介质
[0001]本申请涉及图像分割
,尤其涉及一种基于边界点标注的医学图像分割方法
、
装置
、
设备及介质
。
技术介绍
[0002]医学图像分割在计算机辅助诊断中具有重要意义
。
深度学习模型在该领域被广泛应用
。
基于数据驱动的深度学习模型需要大量的体素级标注,这些标注需要专业医生花费大量的时间和精力,限制了深度学习模型在临床上的应用
。
弱监督学习是其中一种缓解医生的标注压力的有效方法,它通过利用较少的监督信息来训练模型
。
基于弱标注医学图像分割主要有以下的形式:图像级标注
、
涂鸦标注
、
边界框标注和边界点标注
。
[0003]图像级标注指图像类别信息,使用图像级标注训练分类网络,获取
CAM
或
Grad
‑
CAM,
再生成体素级分割伪标注监督分割模型训练,这种监督形式的缺点是对分割目标的定位不够精确,后续缺乏有效方式优化伪标注
。
涂鸦标注指使用极少的体素级标注训练分割网络,缺点是涂鸦标注数量在复杂多变的背景中占比极小,若多帧使用涂鸦标注,仍然费时费力
。
相对地,边界框标注可以提供分割目标的粗定位信息,但是边界框内部的无标注体素中正负样本混合,若将其全部看作正样本用于训练网络,网络难以准确分割目标边界
。< ...
【技术保护点】
【技术特征摘要】
1.
一种基于边界点标注的医学图像分割方法,其特征在于,包括:获取医学图像,获取目标边界点标注,提取所述医学图像的灰度梯度图,并根据所述灰度梯度图搜寻边界点之间的积分最短路径,生成初始涂鸦;基于所述初始涂鸦生成种子点,并采用随机游走算法在所述灰度梯度图进行随机游走以生成前景概率图,根据所述概率图和所述种子点生成初始伪标注,其中,所述初始伪标注包括前景体素
、
背景体素以及无标注体素;基于交叉熵损失函数
、
对比损失函数和所述初始伪标注对分割模型进行预训练处理,得到预训练分割模型;基于所述预训练分割模型提取前景特征作为参考样本,并根据所述参考样本与所述无标注体素对应样本的特征相似度生成新的正样本;根据所述新的正样本和所述初始伪标注对所述预训练分割模型进行微调处理,得到每一训练数据边界框内的目标伪标注;根据所述目标伪标注对所述分割模型进行重新训练,得到目标分割模型
。2.
根据权利要求1所述的基于边界点标注的医学图像分割方法,其特征在于,所述获取医学图像,获取目标边界点标注,提取所述医学图像的灰度梯度图,并根据所述灰度梯度图搜寻边界点之间的积分最短路径,生成初始涂鸦,包括:获取所述医学图像,并采用
Sobel
算子提取所述医学图像中的所述灰度梯度图;获取所述目标边界点标注,并使用
Dijkstra
算法搜寻所述灰度梯度图中的左边界点和右边界点
、
前边界点和后边界点
、
上边界点和下边界点之间的积分最短路径;基于所述积分最短路径生成所述初始涂鸦
。3.
根据权利要求1所述的基于边界点标注的医学图像分割方法,其特征在于,所述基于所述初始涂鸦生成种子点,并采用随机游走算法在所述灰度梯度图进行随机游走以生成前景概率图,根据所述概率图和所述种子点生成初始伪标注,包括:对所述初始涂鸦进行膨胀处理,得到膨胀后的初始涂鸦,并将所述膨胀后的初始涂鸦作为前景种子点;根据所述灰度梯度图中的边界点构建边界框,并将边界框外扩预设数量的体素以外的体素作为背景种子点;采用所述随机游走算法在所述灰度梯度图进行随机游走以生成所述前景概率图;将所述前景概率图中大于第一预设值的体素作为新加入的前景种子点,将所述前景概率图中小于第二预设值的体素作为新加入的背景种子点;在所述灰度梯度图中循环执行随机游走算法,得到目标概率图,将所述目标概率图中的大于所述第一预设值的体素作为前景体素,将所述目标概率图中所述边界框内除所述前景体素外的体素作为无标注体素,以及将所述目标概率图中所述边界框外的体素作为背景体素;基于所述前景体素
、
无标注体素以及背景体素生成所述初始伪标注
。4.
根据权利要求1所述的基于边界点标注的医学图像分割方法,其特征在于,所述基于交叉熵损失函数
、
对比损失函数和所述初始伪标注对分割模型进行预训练处理,得到预训练分割模型,包括:对所述初始伪标注对应的医学图像进行预处理,得到训练数据;
将所述训练数据输入至所述分割模型中,并随机采样
N
个所述前景体素和
N
个所述背景体素的特征向量,将所述前景体素的特征向量作为正样本,以及将所述背景体素的特征向量作为负样本,其中,
N
为正整数;基于所述交叉熵损失函数和所述对比损失函数监督所述分割模型的网络...
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。