【技术实现步骤摘要】
本专利技术属于基于深度学习的医疗影像分割算法，特别涉及基于持续学习的结直肠癌mr影像分期分割方法及系统。
技术介绍
1、医学图像在临床应用中扮演着越来越重要的角色，成像技术的迅速发展和普及使得它成为疾病诊断、手术计划、预后评估和随访等方面不可或缺的辅助手段。医学图像的分割是实现可视化的关键步骤，能够从特定组织图像中提取关键信息。分割后的图像可用于医生进行组织体积的定量分析、诊断、病理改变的定位、解剖结构的描绘和治疗计划等任务。
2、由于医学图像的信息量庞大，传统的手工勾画方法耗时费力，给临床医生增加了负担。因此，实现准确且高效的医学图像分割一直是一个挑战。近年来，我国开始重视深度学习在医疗领域的应用，并且深度学习分割模型逐渐成为可靠的诊断和辅助决策工具。这些深度学习模型稳定、精确度高，并且能够进行可持续学习，为医学图像分割提供了有力支持。。
3、结直肠癌是最常见的原发性恶性肿瘤之一，在组织学上通常具有异质性的亚区域，包括肿瘤组织、坏死区域和邻近正常组织。针对这些不同组织病变的准确自动分割对于结直肠癌的诊断和治疗具有重要意义。多模态核磁共振(mr)成像在结直肠癌的分割中具有各自的优势，可以提供丰富的信息。
4、近年来，深度学习在医学影像分析中得到广泛应用，基于全卷积神经网络(fcn)的u-net网络已被设计用于结直肠癌的分割任务，并在许多研究和工作中展示出令人信服的结果。这种网络结构能够有效地利用多模态图像数据，实现准确的分割。通过训练这样的网络模型，可以自动地将结直肠癌图像分割为不同的组织区域
5、深度学习模型要想取得优秀的表现，就需要大量医生手动标注的数据。然而，由于医生工作繁忙，每天能够提供的手动分割模型是有限的。如果在结直肠癌的mr图像中，标注的组织数量不足或者某些组织没有被完全标注，这都可能对模型训练产生影响。在实际场景中，深度学习工程师每批次得到的数据及其手工标注不一定是包含全部分期的结直肠癌影像及其标注的。比如，在一个持续的学习任务中，我们可能首先学习分割t1阶段的结直肠癌肿瘤，然后是t2阶段，接着是t3阶段，最后是t4阶段。每次完成一个阶段的模型训练后，新的数据和标签就会随之而来。然而，模型的重新训练过程非常繁琐，同时需要消耗大量的时间。
技术实现思路
1、本专利技术针对mr医学影像分期分割的训练中不断出现新“分期”而造成模型“灾难性遗忘”的现象提出解决方案，使得模型对于持续到来增加需要分割组织类别的现象不遗忘之前学会分割的组织类别。本专利技术提供的的技术方案如下：
2、基于持续学习的结直肠癌mr影像分期分割方法，包括如下步骤：
3、步骤1、数据的预处理，结直肠癌患者的mr影像数据大小为1×240×240×155，其中1是影像的通道数，以结直肠癌患处为中心对原始影像进行裁切，图像裁切为1×128×128×128的图像，以此构建持续分割框架所需要数据集；
4、步骤2、对四个分期影像数据进行预处理得到拥有四个子集的数据集；
5、步骤3、先对分割网络使用随机初始化来初始化分割网络，并且用构建的额外采样数据集对分割网络像素分类头进行预训练；
6、步骤4、输入图像为1×128×128×128；
7、步骤5、持续的结直肠癌分割框架旨在t＝1…t阶段学习模型，每个阶段学习分割分期的肿瘤组织第一个仅学习分割t1中结直肠癌肿瘤，第二个阶段仅学习分割t2中结直肠癌肿瘤，以此类推，并且在测试阶段使用额外测试数据，需要模型可以对以上四个分期的肿瘤组织都可以有效分割；
8、步骤6、本方法构建基于数据重放的方法，将前阶段模型输出作为当前模型训练的伪标签参与当前分期阶段训练；
9、步骤7、对分割网络输出使用松散蒸馏操作；
10、步骤8、最终采用的作为本方法蒸馏损失；
11、步骤9、本方法最终损失函数lossall为：
12、
13、优选的是，所述步骤7中的松散蒸馏操作包括：
14、步骤1.1，x表示输出层，其形状为h×w×c；
15、步骤1.2，在w纬度的蒸馏：
16、步骤1.3，在h纬度的蒸馏
17、步骤1.4，在w纬度的蒸馏
18、步骤1.5，最终采用的
19、基于持续学习的结直肠癌mr影像分期分割系统，包括：
20、第一模块、数据的预处理，结直肠癌患者的mr影像数据大小为1×240×240×155，其中1是影像的通道数，因为原始影像有大量背景信息且考虑实际中设备显存大小，以结直肠癌患处为中心对原始影像进行裁切，图像裁切为1×128×128×128的图像，以此构建持续分割框架所需要数据集；
21、第二模块、对上述每一个分期的数据进行预处理得到拥有四个子集的数据集；
22、第三模块、先对分割网络使用随机初始化来初始化分割网络，并且用构建的额外采样数据集(数据种类均匀)对分割网络像素分类头进行预训练；
23、第四模块、输入图像为1×128×128×128(包含四个序列信息的新图像)；
24、第五模块、持续的结直肠癌分割框架旨在t＝1…t阶段学习模型，每个阶段学习分割分期的肿瘤组织如第一个仅学习分割t1中结直肠癌肿瘤，第二个阶段仅学习分割t2中结直肠癌肿瘤，以此类推(以上顺序仅作为参考而实际应用中可以选择其他学习顺序)，并且在测试阶段使用额外测试数据，需要模型可以对以上四个分期的肿瘤组织都可以有效分割(最终模型可以对四个分期的肿瘤组织都做到有效分割)；
25、第六模块、为了缓解灾难性遗忘，本方法构建基于数据重放的方法，将上一次阶段模型输出作为当前模型训练的伪标签参与当前阶段训练；
26、第七模块、对分割网络输出使用一个松散蒸馏操作；
27、第八模块、最终采用的作为本方法蒸馏损失；
28、第九模块、本方法最终损失函数lossall为：
29、
30、本专利技术的有益效果：本专利技术提出了基于持续学习的结直肠癌mr影像分期分割方法及系统，以适应新标注数据的引入并减轻灾难性遗忘。本专利技术可在医学影像领域中提高分割准确性、加速模型训练过程并提供辅助决策工具，有望在结直肠癌的诊断和治疗中发挥重要作用。
本文档来自技高网...【技术保护点】
1.基于持续学习的结直肠癌MR影像分期分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于持续学习的结直肠癌MR影像分期分割方法，其特征在于，所述步骤7中的松散蒸馏操作包括：
3.基于持续学习的结直肠癌MR影像分期分割系统，其特征在于，包括：
【技术特征摘要】
1.基于持续学习的结直肠癌mr影像分期分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于持续学习的结直肠癌mr影...
【专利技术属性】
技术研发人员：司呈帅，鲍军，高阳，杨柳，何克磊，吴志平，邵鹏，曹月鹏，陈开，
申请(专利权)人：江苏省肿瘤医院，
类型：发明
国别省市：
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。