一种基于知识蒸馏的医学图像分割方法技术

本申请涉及智能医疗领域，具体涉及一种基于知识蒸馏的医学图像分割方法

【技术实现步骤摘要】
一种基于知识蒸馏的医学图像分割方法、系统、设备


[0001]本领域涉及智能医疗领域，具体涉及一种基于知识蒸馏的医学图像分割方法
、
系统
、
设备
、
计算机可存储介质
。

技术介绍

[0002]随着现代医学的不断发展，各种医疗影像设备应用于临床诊疗，
CT
图像
、X
光图像
、
超声图像
、PET
图像和
MRI
图像等均为医师诊断治疗发挥着重要的作用
。
医学图像分割的主要目的是从各类医学图像中自动分割出病灶区域，辅助医师更快
、
更准确地做出诊断，极大地提高了医师的诊断效率
。
因此，医学图像分割模型的分割效果就显得格外重要
。
与此同时，医学图像相对于自然图像而言，背景环境更为复杂，具体表现在结构边缘更为模糊
、
形状更为多变
、
纹理结构细节更为丰富，使得医学图像分割任务更加具有挑战性
。
...

【技术保护点】

【技术特征摘要】
1.
一种基于知识蒸馏的医学图像分割方法，其特征在于，所述方法具体包括：获取医学图像；将所述医学图像输至训练好的分割模型进行目标分割中得到目标图像；所述训练好的分割模型的训练步骤包括：
S1:
获取医学图像数据集及标签；
S2:
将所述医学图像数据集及标签分别输至教师模型和学生模型中进行训练得到教师模型参数和学生模型参数，学生模型通过学习教师模型的参数更新自身参数得到更新后的学生模型参数，其中，学生模型由编码模块
、
边界增强模块
、
解码模块组成，所述编码模块进行特征提取得到特征图，所述边界增强模块依据所述特征图依次进行特征处理得到边界损失参数和增强特征图，所述解码模块对特征图进行解码后与增强特征图融合作为学生模型的输出；
S3
：判断更新后的学生模型参数是否达到预期值，若是则导出新学生模型作为分割模型，若否则回到
S2。2.
根据权利要求1所述的基于知识蒸馏的医学图像分割方法，其特征在于，从所述特征图得到所述边界损失参数的特征处理包括：提取所述编码模块的前
N
层特征图，
N
为大于等于1的自然数，将所述前
N
层特征图进行特征融合后做自注意力计算得到增强特征图，所述增强特征图结合真实边界共同计算出边界损失参数
。3.
根据权利要求1所述的基于知识蒸馏的医学图像分割方法，其特征在于，所述教师模型与所述学生模型通过计算语义相似度分别对每个图像生成一个像素到像素的像像关系矩阵
、
一个像素到区域的像区关系矩阵；并且通过计算不同图像之间的相似度生成跨图像关系矩阵
。4.
根据权利要求3所述的基于知识蒸馏的医学图像分割方法，其特征在于，所述跨图像关系矩阵是通过计算每一对图像关系矩阵的
JS
散度后转换为相似度值得到的，具体的公式为：为：其中，和分别表示老师网络或学生网络的距离值和相似度值，和分别表示第
i
个图像和第
j
个图像的像像关系矩阵或像区关系矩阵，
JS
表示
JS
散度函数，
λ
是一个超参数
。5.
根据权利要求4所述的基于知识蒸馏的医学图像分割方法，其特征在于，对所述跨图像关系矩阵进行知识蒸馏，知识蒸馏产生的损失参数为：像关系矩阵进行知识蒸馏，知识蒸馏产生的损失参数为：
其中，
L
batchp2p
是批内像素到像素的关...

【专利技术属性】
技术研发人员：李华，
申请(专利权)人：首都医科大学附属北京朝阳医院，
类型：发明
国别省市：