【技术实现步骤摘要】
本专利技术涉及医学影像处理，尤其涉及一种基于压缩-激励网络的半监督左心房分割方法。
技术介绍
1、医学图像分割是将医学图像中具有某些特殊含义的部分分割出来，并提取相关特征，为临床诊疗和病理学研究提供可靠的依据，辅助医生做出更为准确的诊断。这是进一步进行图像识别、分析和理解的基础。
2、cnn在计算机视觉和医学图像分析领域被广泛使用，但是基本上都是处理二维图像，而临床诊断中很多医学数据都是三维的。由于诊断和介入影像通常由3d图像组成，因此能够通过同时考虑整个体积含量来执行立体分割，具有特殊的意义。
3、随着卷积神经网络的出现，越来越多的深度学习分割网络被开发出来，因为其分割精度高，处理速度快等优点，基于深度学习的图像分割方法逐渐成为发展的大趋势。目前，最先进的图像分割算法例如nnu-net等在全监督医学图像分割任务上取得了很好的成绩，然而，这种方法需要访问大型标记数据集。在医学成像中，获得用于分割的这样大的标记数据集是耗时且昂贵的，因为注释需要由临床专家完成。考虑到收集未标记数据要容易得多，开发半监督分割方法以有效利用丰富的未标记数据是非常可取的。
4、主流的半监督学习方法主要是从一个用有限标注标记集训练的网络中，对未标记图像估计一组初始预测。随后，以迭代的方式训练网络，使用标记图像注释和未标记图像预测(伪标签)作为代理ground truth。伪标签估计值每隔几个训练阶段就会更新一次，通过训练提高其质量。但是已经发现，如果最初的伪标签估计是错误的，那么直接在分割损失函数中使用它们可能会导致性能
5、此外，算法模型在受到微小扰动(噪声)后,预测结果会受相当程度的影响。不同医院和扫描仪采集的数据中存在域移位，使得临床现实环境中应用dl方法会导致较差的泛化和性能。目前，mc-net在国际心房分割挑战赛的la数据集上以20％的真实标签取得了90.34％的最先进性能，与全监督学习的效果愈发接近，标志着依靠少量标签并结合伪标签的半监督训练方法已成为未来发展的大趋势。但目前分割精度还有待进一步提高，以便以后应用于临床中。并且大多数现有方法低估了训练期间具有挑战性的区域的重要性。这些未标记的区域可能包含更关键的信息，以最大限度地减少模型的不确定性预测，并应在训练过程中加以强调。其次，特征图在提取图像特征的过程当中，不可避免的会出现有些特征图层作用大，而有些特征图层作用小。
6、为了解决上述问题，本专利技术提出一种基于压缩-激励网络的半监督左心房分割方法。
技术实现思路
1、本专利技术的目的在于提出一种基于压缩-激励网络的半监督左心房分割方法以解决
技术介绍
中所提出的问题：
2、大多数现有方法低估了训练期间未标记区域的重要性；
3、未在训练过程中未对未标记的区域加以强调；
4、特征图在提取图像特征的过程当中，特征图层作用不均。
5、为了实现上述目的，本专利技术采用了如下技术方案：
6、一种基于压缩-激励网络的半监督左心房分割方法，包括如下步骤：
7、s1：对左心房磁共振图像数据进行预处理操作，将处理后的图像保存在h5文件中，作为半监督分割神经网络的输入；
8、s2：将s1中所得的预处理后的左心房磁共振图像数据输入至预设位置，运行setc-net，准备进行分割预测任务；
9、s3：setc-net读取左心房磁共振图像数据，并对左心房磁共振图像数据进行数据增强操作，再将左心房磁共振图像数据传递到setc-net中进行分割预测和调整；
10、s4：降低左心房磁共振图像数据的像素级标签的数量，不断重复s1-s3，观察和评估setc-net的性能。
11、优选地，s1中所述左心房磁共振图像数据包括有标注的左心房磁共振图像数据和无标注的左心房磁共振图像数据。
12、优选地，s1中所述预处理操作包括，将原始磁共振图像周围的信息区域去除，保留中间的影像部分，还对原始磁共振图像进行裁剪操作，去除影响中的边缘信息区域。
13、优选地，所述压缩-激励网络由一个编码器和三个解码器组成，所述三个解码器从编码器处接收相同的深度特征，分别进行预测生成三个分割预测结果fa、fb、fc，从而获得相应的左心房磁共振图像数据的分割概率输出pa、pb、pc，三个解码器分割预测过程中的损失函数基于加权方式获得；其中，三个解码器基于循环伪标签方案进行相互学习和训练，对左心房磁共振图像数据进行低熵一致性的分割预测；所述损失函数将lseg分割损失和lc一致性损失进行加权获得；
14、所述lseg分割损失具体如下：
15、lseg＝lsega+lsegb+lsegc
16、其中，lsega、lsegb、lsegc分别为三个编码器的分割损失；
17、所述lc一致性损失具体如下：
18、lc＝lc(a-b)+lc(a-c)+lc(b-a)+lc(b-c)+lc(c-a)+lc(c-b)
19、其中，lc(a-b)为第一个编码器相对于第二个编码器的一致性损失；lc(a-c)为第一个编码器相对于第三个编码器的一致性损失；lc(b-a)为第二个编码器相对于第一个编码器的一致性损失；lc(b-c)为第二个编码器相对于第三个编码器的一致性损失；lc(c-a)为第三个编码器相对于第一个编码器的一致性损失；lc(c-b)为第三个编码器相对于第二个编码器的一致性损失；
20、最后根据输入的不同的左心房磁共振图像数据与对应预测的结果对setc-net进行调整。
21、优选地，所述编码器中，将se模块与v-net中的卷积块堆叠，形成一个新的seconv模块，使用seconv模块替换v-net中第一层和第二层的卷积块；所述se模块通过自适应平均池化操作获取特征图的每个通道的重要程度，再通过所述每个通道的重要程度为每个特征图赋予权重值；再通过线性处理对通道数进行压缩，通过relu函数激活，再进行一次线性处理，将通道数激励放大；基于sigmoid函数进行激活，最后将权重值与原本的特征图相乘得到新的特征图。
22、优选地，所述三个解码器中，第一个解码器采用v-net的原始转置卷积进行上采样；第二个解码器经过三线性插值扩展特征图，再通过3d卷积处理后进行传递；第三个编码器经过最临近插值处理后再进行卷积；所述第二个解码器和所述第三个编码器为辅助分类器。
23、优选地，所述s4中，基于dice距离、jaccard距离、95％hausdorff距离和平均表面距离的定量结果衡量setc-net的算法性能。
24、与现有技术相比，本专利技术提供了一种基于压缩-激励网络的半监督左心房分割方法，具备以下有益效果：
25、本专利技术引入了一个本文档来自技高网...
【技术保护点】
1.一种基于压缩-激励网络的半监督左心房分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于压缩-激励网络的半监督左心房分割方法，其特征在于，S1中所述左心房磁共振图像数据包括有标注的左心房磁共振图像数据和无标注的左心房磁共振图像数据。
3.根据权利要求1所述的一种基于压缩-激励网络的半监督左心房分割方法，其特征在于，S1中所述预处理操作包括，将原始磁共振图像周围的信息区域去除，保留中间的影像部分，还对原始磁共振图像进行裁剪操作，去除影响中的边缘信息区域。
4.根据权利要求1所述的一种基于压缩-激励网络的半监督左心房分割方法，其特征在于，S3中所述SETC-Net由一个编码器和三个解码器组成，所述三个解码器从编码器处接收相同的深度特征，分别进行训练预测生成三个分割预测结果FA、FB、FC，再将预测结果与标签图对照，从而计算出相应的左心房磁共振图像数据的分割概率输出PA、PB、PC，三个解码器分割预测过程中的损失函数基于加权方式获得；其中，三个解码器基于循环伪标签方案进行相互学习和训练，对左心房磁共振图像数据进行低熵一致性的分割
5.根据权利要求4所述的一种基于压缩-激励网络的半监督左心房分割方法，其特征在于，所述编码器中，将SE模块与V-Net中的卷积块堆叠，形成一个新的SEConv模块，使用SEConv模块替换V-Net中第一层和第二层的卷积块；所述SE模块通过自适应平均池化操作获取特征图的每个通道的重要程度，再通过所述每个通道的重要程度为每个特征图赋予权重值；再通过线性处理对通道数进行压缩，通过ReLU函数激活，再进行一次线性处理，将通道数激励放大；基于Sigmoid函数进行激活，最后将权重值与原本的特征图相乘得到新的特征图。
6.根据权利要求4所述的一种基于压缩-激励网络的半监督左心房分割方法，其特征在于，所述三个解码器中，第一个解码器采用V-Net的原始转置卷积进行上采样；第二个解码器经过三线性插值扩展特征图，再通过3D卷积处理后进行传递；第三个编码器经过最临近插值处理后再进行正常的3D卷积；所述第二个解码器和所述第三个编码器为辅助分类器。
7.根据权利要求1所述的一种基于压缩-激励网络的半监督左心房分割方法，其特征在于，所述S4中，基于Dice距离、Jaccard距离、95％Hausdorff距离和平均表面距离的定量结果衡量SETC-Net的算法性能。
...【技术特征摘要】
1.一种基于压缩-激励网络的半监督左心房分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于压缩-激励网络的半监督左心房分割方法，其特征在于，s1中所述左心房磁共振图像数据包括有标注的左心房磁共振图像数据和无标注的左心房磁共振图像数据。
3.根据权利要求1所述的一种基于压缩-激励网络的半监督左心房分割方法，其特征在于，s1中所述预处理操作包括，将原始磁共振图像周围的信息区域去除，保留中间的影像部分，还对原始磁共振图像进行裁剪操作，去除影响中的边缘信息区域。
4.根据权利要求1所述的一种基于压缩-激励网络的半监督左心房分割方法，其特征在于，s3中所述setc-net由一个编码器和三个解码器组成，所述三个解码器从编码器处接收相同的深度特征，分别进行训练预测生成三个分割预测结果fa、fb、fc，再将预测结果与标签图对照，从而计算出相应的左心房磁共振图像数据的分割概率输出pa、pb、pc，三个解码器分割预测过程中的损失函数基于加权方式获得；其中，三个解码器基于循环伪标签方案进行相互学习和训练，对左心房磁共振图像数据进行低熵一致性的分割预测；所述损失函数将lseg分割损失和lc一致性损失进行加权获得；
5...
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。