【技术实现步骤摘要】
本专利技术涉及医疗影像处理，特别是涉及一种肺炎ct图像的病灶分割方法、系统、设备及介质。
技术介绍
1、新型冠状病毒肺炎(covid-19)的典型症状之一就是在患者的肺部造成大面积肺部感染，在ct影像中的早期特征表现为磨玻璃状阴影(ggo)，中晚期为实性亮斑或铺路石状阴影，多集中于左右肺部的中下段，可呈浸润性蔓延向全肺发展。
2、对病人每间隔一段时期拍摄肺部ct影像，并对ct影像中肺炎感染区域所占肺部的体积比例进行采集，不仅能够及时跟进病情的发展情况，同时也能通过病灶区体积的变化，对病情不同时期所采用的治疗手段进行疗效跟进评估。而当下评估ct影像中肺炎感染区体积较为常用的方法就是采用神经网络分割模型自动对病灶区域进行语义分割并计算体素值的多少，进而得出较为精确的病灶区体积，该方法相较于医师逐切片地检查与估计病灶区域的人工计算法更为高效且准确。
3、然而采用神经网络分割模型描绘covid-19肺部感染情况也依然存在两大问题：
4、1、神经网络分割模型需要大量相关任务的数据集进行模型训练，数据集由ct原始数据与人工标注的标签组成，因而数据集绝对数量的多少，往往是制约模型效果的一个重要因素，但是针对特定任务的大规模医学图像数据集通常非常少见，因为医学ct图像是需要关联空间维度的3d格式数据，在制作其标签的过程中需要专业医师手动逐切片地标注出感染区域，是一项非常耗时耗力的工作，同时，因为covid-19分割任务的特殊性，肺炎病灶区域的界定容易陷入主观因素影响，为了防止有错标、漏标，标签在标注后通常还需
5、2、数据集的稀缺，导致神经网络分割模型可拟合的数据就少，进而模型的训练就容易出现过拟合、难收敛或局部最优、泛化性差等现象。此外，covid-19肺部感染的磨玻璃状阴影边界都较为模糊且呈现不规则性，如图1所示，而感染中晚期的实性亮斑或铺路石状阴影区域的ct密度值常与ct影像中人体的其他部分密度值相近，如图2所示，在数据量不足的情况下会进一步增大模型分割的难度，尤其是对于ct图像背景的约束能力较弱，体现在边界指标95hd与asd的虚高上。
6、综上所述，3d covid一19肺部感染区域语义分割任务目前存在的问题是高质量数据标注稀缺，与常见分割模型在数据不足的情况下所表现的分割性能有限。
7、半监督医学图像分割领域主要聚焦于两个重点，对应任务合适的分割网络与高效的半监督框架。
8、在图像分割网络领域，卷积网络模型cnn使用卷积的方法去提取出一幅图像的特征细节信息使得模型学习图像特征并对图像进行语义分割成为可能；fcn采用vgg16的卷积结构，将全连接层更换为卷积层，并在最后通过softmax进行逐像素分类，实现了更加精细的像素级语义分割效果；u-net模型采用上-下采样结构，逐层分解图像的细节特征后再使用跳层连接维度拼接的特征融合方式，实现对图像的细分特征提取，解决了传统卷积网络采样后丢失原分辨率信息的问题，使得网络不仅能够保障细节特征效果，也能顾及到全局的位置信息。v-net延续了u-net的理念，在u-net的跳级连接层上加入了残差块，使模型能够更少地损失全局与细节之间的联系信息，成为3d医学图像分割领域的主流模型之一，但在面对covid-19新型冠状病毒肺炎病灶这样分布不均、边界无规则、数据标注短缺的任务上，仅使用v-net所表现出来的效果不佳，对背景假阳性的控制力较弱。
9、在全监督模型因数据稀缺而不能达到最佳效果的情况下，半监督框架常被用来提取无标注数据的信息，增强分割网络的泛化性。在半监督框架的研究上，也有诸多团队进行了探索，主流的半监督框架是训练双网络的输出一致性。tcsm-v1半监督分割框架在一次模型迭代中前向传播两次加入了扰动的无标签数据，并对两次的输出结果采用一致性损失来利用起无标注数据的信息。antti tarvainen团队提出的mean-teacher框架采用了主辅(教师模型与学生模型)网络的理念，采用对两路同种分割网络施加不同且多样的扰动来进行模型正则化，并同样采用一致性损失项来约束主网络与辅网络的输出趋于一致。而dr.lequan的团队对mean-teacher模型增加了不确定图引导，固定了mean-teacher中的教师模型参数更新来对学生模型的输出进行不确定度热力图预测，并将学生模型输出中高于热力图不确定度值的预测结果剔除，同时采用学生模型的指数滑动平均(ema)来更新教师模型的参数，由此可以在模型的训练过程中提高无标注数据预测的可靠性，一定程度上提高了mean-teacher框架的分割精准度。zou yuliang团队提出的pseudo seg则是融合了半监督中伪标签的理念与弱监督中的cam方法去改善半监督模型所生成的伪标签质量差的现象，其通过将weakly-augmented data的decoder prediction与self-attention grad-cam相融合，得到改善的pseudo label，并与strongly-augmented data的decoder prediction计算交叉熵损失，来使半监督框架的分割精确度提升。xiaokang chen的团队提出的cps半监督框架，采用两路相同的分割网络分别产生伪标签，再用伪标签对彼此的预测结果进行交叉监督，以此产生交叉半监督损失项，来约束模型的一致性输出能力。这些半监督策略主要总结为几个特点：双路网络、一致性训练、伪标签策略与伪标签约束。但是大部分的半监督框架往往对于背景假阳性预测点的约束能力不佳。
技术实现思路
1、本专利技术的目的是提供一种肺炎ct图像的病灶分割方法、系统、设备及介质，以实现在数据标签有限的情况下提升网络的分割精度以及对背景假阳性的控制能力，提高预测结果的准确度。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种肺炎ct图像的病灶分割方法，包括：
4、获取目标肺炎ct图像；
5、对所述目标肺炎ct图像进行低阶先验特征提取，得到目标肺部掩码；
6、采用病灶分割网络对所述目标肺炎ct图像进行参数推理，得到初始分割结果；所述病灶分割网络为采用特征融合交叉伪标签半监督方法训练得到的双路分割模型中的主分割网络；
7、对所述目标肺部掩码和所述初始分割结果进行标签融合，得到标签融合结果；
8、采用最大连通域算法对所述标签融合结果进行处理，得到病灶分割结果。
9、可选地，对所述目标肺炎ct图像进行低阶先验特征提取，得到目标肺部掩码，具体包括：
10、采用分水岭算法对所述目标肺炎ct图像进行图像分割，并对分割结果进行二值反转，得到人体掩码；
11、采用阈值分割算法对所述目标肺炎ct图像进行图像分割，得到肺腔掩码；
12、采用所述人体掩码减去所述肺腔掩码，得到第一肺部掩本文档来自技高网...
【技术保护点】
1.一种肺炎CT图像的病灶分割方法，其特征在于，包括：
2.根据权利要求1所述的肺炎CT图像的病灶分割方法，其特征在于，对所述目标肺炎CT图像进行低阶先验特征提取，得到目标肺部掩码，具体包括：
3.根据权利要求1所述的肺炎CT图像的病灶分割方法，其特征在于，所述双路分割模型的训练过程具体包括：
4.根据权利要求3所述的肺炎CT图像的病灶分割方法，其特征在于，采用所述无标签数据集对所述双路分割模型的主分割网络和辅分割网络进行特征融合交叉伪标签半监督训练，得到半监督损失项，具体包括：
5.根据权利要求3所述的肺炎CT图像的病灶分割方法，其特征在于，所述半监督损失项的表达式为：
6.根据权利要求3所述的肺炎CT图像的病灶分割方法，其特征在于，所述总损失的表达式为：
7.根据权利要求3所述的肺炎CT图像的病灶分割方法，其特征在于，所述主分割网络的参数初始化方式为Normal初始化，所述辅分割网络的参数初始化方式为Kaiming初始化。
8.一种肺炎CT图像的病灶分割系统，其特征在于，包括：
9
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的肺炎CT图像的病灶分割方法。
...【技术特征摘要】
1.一种肺炎ct图像的病灶分割方法，其特征在于，包括：
2.根据权利要求1所述的肺炎ct图像的病灶分割方法，其特征在于，对所述目标肺炎ct图像进行低阶先验特征提取，得到目标肺部掩码，具体包括：
3.根据权利要求1所述的肺炎ct图像的病灶分割方法，其特征在于，所述双路分割模型的训练过程具体包括：
4.根据权利要求3所述的肺炎ct图像的病灶分割方法，其特征在于，采用所述无标签数据集对所述双路分割模型的主分割网络和辅分割网络进行特征融合交叉伪标签半监督训练，得到半监督损失项，具体包括：
5.根据权利要求3所述的肺炎ct图像的病灶分割方法，其特征在于，所述半监督损失项的表达式为：
6.根据权利要求3所述的肺炎ct图...
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。