基于动态概率权重的医学图像分割方法技术

本发明专利技术涉及一种基于动态概率权重的医学图像分割方法

【技术实现步骤摘要】
基于动态概率权重的医学图像分割方法、设备、存储介质


[0001]本专利技术涉及图像分割
，尤其是涉及一种基于动态概率权重的医学图像分割方法
、
设备
、
存储介质
。

技术介绍

[0002]由于医学图像成像方式的特殊性和专业性，使得医学图像本身多为单通道的灰度图像，在一些相邻的器官之间可能存在相似的纹理结构，这也就使得相近器官的边界会变得模糊
。
因此，要实现精确的医学图像分割仍然存在很大的挑战
。
在语义分割任务中，正负样本分布不均和难易样本不均衡是普遍存在的问题
。
损失函数的计算通常会将置信度高的像素点和置信度低的像素点分配相同的权重，这样会浪费很多计算资源，不利于优化网络模型的学习方向
。
[0003]部分现有技术基于与正确类别间的差距构造损失函数，并利用损失函数进行训练，这虽然一定程度上提高了边缘的敏感度，但是在实际应用中通常训练用的样本数量并不充裕，上述申请根据类别正确来调整模型权重，在样本少的情况下容易发生过拟合
。
[0004]综上，当前缺少一种能够缓和低样本量导致过拟合的医学图像分割方法
。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于动态概率权重的医学图像分割方法
、
设备
、
存储介质，通过在训练过程中对像素点的权重进行动态的调整，提高分隔的准确性
。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]本专利技术的一个方面，提供了一种基于动态概率权重的医学图像分割方法，利用预训练好的基于
Swin
‑
Unet
的图像分割模型对获取到的医学图像进行分隔，其中，所述图像分割模型的训练过程包括如下步骤：
[0008]获取标注后的医学图像数据集；
[0009]基于所述医学图像数据集，利用损失函数对基于
Swin
‑
Unet
的图像分割模型进行训练，得到预训练好的图像分割模型，其中，所述损失函数包括动态概率权重函数
。
[0010]作为优选的技术方案，动态概率权重函数值的计算包括：
[0011]计算图像分割模型输出的预测结果中各个像素点的置信概率，得到置信概率矩阵；
[0012]针对所述置信概率矩阵，利用高斯函数转换为动态权重矩阵；
[0013]基于所述动态权重矩阵和交叉熵函数，计算得到当前训练轮次的动态概率权重函数值
。
[0014]作为优选的技术方案，所述的动态概率权重函数为：
[0015][0016][0017][0018]其中，
L
DPW
为动态概率权重函数，
c
为多分类任务中的类别总数，
dp
i,j
表示表示下标为
i
和
j
的像素点的置信概率，表示神经网络最后输出的下标为
i
和
j
的像素点的预测结果，
dp
表示置信概率矩阵，
dpw
表示动态概率权重矩阵，
σ
用于平衡难分样本和易分样本的权重差距，
C
表示多分类任务中的类别总数，
y
表示真实的标签结果，表示网络输出的预测结果
。
[0019]作为优选的技术方案，所述的损失函数为：
[0020]L
＝
α
*L
dice
+(1
‑
α
)*L
DPW
[0021]其中，
L
为损失函数，
α
表示超参数，
L
dice
为
Dice
函数，
L
DPW
为所述动态概率权重函数
。
[0022]作为优选的技术方案，所述的
Dice
函数为：
[0023][0024]其中，
L
dice
为
Dice
函数，
y
表示真实的标签结果，表示网络输出的预测结果
。
[0025]作为优选的技术方案，所述的基于
Swin
‑
Unet
的图像分割模型包括：
[0026]编码器，包括至少一个编码块，每个所述编码块包括至少一个
Swin Transformer Block
；
[0027]中间层；
[0028]解码器，包括至少一个编码块
。
[0029]作为优选的技术方案，所述的中间层包括卷积层和
ReLU
激活函数
。
[0030]作为优选的技术方案，在获取医学图像数据集后，还包括：
[0031]按照预设比例将所述医学图像数据集分割为训练集和测试集
。
[0032]本专利技术的另一个方面，提供了一种电子设备，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行上述基于动态概率权重的医学图像分割方法的指令
。
[0033]本专利技术的另一个方面，提供了一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行上述基于动态概率权重的医学图像分割方法的指令
。
[0034]与现有技术相比，本专利技术具有以下优点：
[0035](1)
提高图像分割模型的学习能力和训练性能：不同于现有技术大多为不同置信度的像素点分配相同权重，本申请在模型的训练过程中基于包括动态概率权重函数的损失函数对模型进行训练，根据像素点的分类的置信程度来动态调整训练权重，可以指导提升网络的学习能力，提高网络训练的性能
。
[0036](2)
克服样本不均匀的问题：在训练过程中，将神经网络每轮训练过程中的输出概
率图转化成置信概率矩阵，再通过高斯函数将置信概率矩阵转化为动态权重矩阵，最后和交叉熵损失函数相乘，用于限制难易分样本的权重，以克服样本不均衡的问题，实现更准确的分割
。
[0037](3)
不易过拟合：不同于部分方案采用基于与正确类别间的差距构造损失函数，本专利技术通过动态计算训练过程中的类别置信度的确定程度，判断是否接近于确定的值，而这个确定的值不一定是正确的类别，也可能是相反的类别
。
由于根据每个像素点的置信度来调整权重，对于边缘和模糊边界更加敏感，在样本少的情况下不容易过拟合
。
附图说明
[0038]图1为实施例中基于动态概率权重的医学图像分割的示意图；
[0039]图2为实施例中图像分割模型中
Swin...

【技术保护点】

【技术特征摘要】
Block
；中间层；解码器，包括至少一个编码块
。7.
根据权利要求6所述的一种基于动态概率权重的医学图像分割方法，其特征在于，所述的中间层包括卷积层和
ReLU
激活函数
。8.
根据权利要求1所述的一种基于动态概率权重的医学图像分割方法，其特征在于，在获取医学图像数据集后，还包括：按照预设比例将所述医学图像数据集分割为训练集和测试集
。9.

【专利技术属性】
技术研发人员：何良华，文程艺，
申请(专利权)人：同济大学，
类型：发明
国别省市：