【技术实现步骤摘要】
本专利技术涉及医学图像，特别涉及一种小样本食管光学相干层析图像自动分割方法、设备及介质。
技术介绍
1、通过光学相干层析(optical coherence tomography，oct)图像进行食管疾病诊断的关键在于图片的精确解析。然而，依赖医生解析图像将面临多种问题。首先，内窥oct图像通常是实时采样的，成像对象的健康状况、配合程度以及成像设备的成像位置等因素都会对图像质量产生影响，甚至形成图像中的干扰因素。常见的干扰因素包括粘液、不连续层、孔洞和伪影等，这些因素给食管组织的识别带来了困难。其次，依靠人眼进行图像分割需要医生具备经验和主观判断。对于食管oct图像，识别特定的食管组织在复杂的图像形态和众多干扰因素中并不容易。最后，oct设备在一次扫描中会产生数百张图像，这使得医生面临繁重的阅片工作。综上所述，研发可靠的自动分割算法，准确量化特定组织层特征，对于oct设备在食管疾病筛查中的临床应用具有重要意义。
2、尽管临床上需求迫切，但依靠计算机准确分割食管组织层十分具有挑战性。首先，临床中食管组织在亮度方面并无显著特点，直观上肉眼观察，几乎无法将其与非目标区域进行区分。此外，采样过程中可能存在多种干扰因素，例如粘液、不连续层、孔洞和伪影。这对算法的泛化能力提出了更高的要求。
3、目前，oct图像自动分割技术主要分为两种类型。一种是基于数学模型或传统机器学习的方法。例如，zhang等人在其工作中使用了图搜索算法在几内亚猪食管oct图像上实现了5个组织层分割。gan等人利用canny边缘检测对该方法进行改
4、另一种方法是基于深度学习的分割算法。这种方法能够直接从图像中学习结构信息，从而免除人工参与，获得自动化程度更高、精度更好的图像分割系统。2019年，li等人以几内亚猪食管为对象，提出了基于u-net的食管自动分割方法。尽管表现良好，但在存在干扰因素的食管oct图像中，基于编码-解码结构的方法常常产生不连续标签、层结构错乱、非组织区域预测等结构方面的拓扑错误。为了解决该问题，wang等人于2020年利用对抗学习提升u-net的特征表达能力，优化了分割后的食管组织形态。yang等人(2021)则在特征图中加入了连通性限制，以编码-解码结构为框架设计深度网络分割食管组织，成效显著。2022年，wang等人利用小波网络设计了层状oct组织的分割方案，进一步优化了分割效果。然而这些方法均需要较多的样本参与训练，在一定程度上限制了方法在临床中的进一步应用。
5、综上所述，针对食管疾病筛查中对oct图像自动分割算法的迫切需求，本专利技术旨在研发一套能够准确量化特定组织层特征的自动分割算法，以辅助医生进行诊断。鉴于目前计算机领域的发展趋势以及食管oct图像标注数据获取困难、干扰结构多的实际问题，本专利技术将集中于小样本条件下深度网络模型的构建，为食管oct图像自动分割问题提供新的解决方案。
技术实现思路
1、为了实现本专利技术的上述目的和其他优点，本专利技术的第一目的是提供一种小样本食管光学相干层析图像自动分割方法，包括以下步骤：
2、对食管oct图像进行预处理；
3、通过无标签的食管oct图像对自监督预训练网络进行训练；其中，所述自监督预训练网络包括视觉transformer和transformer解码器，所述视觉transformer作为编码器，所述transformer解码器用于重构图像；
4、将训练好的视觉transformer权重迁移至分割网络；其中，所述分割网络包括所述视觉transformer和分割解码器；
5、利用少量带标签的食管oct图像训练所述分割网络；
6、将待分割的食管oct图像输入至所述分割网络，输出分割结果。
7、进一步地，所述对食管oct图像进行预处理包括以下步骤：
8、对食管oct图像图像进行归一化处理；
9、设置图像输入尺寸，将尺寸大于输入尺寸的图像降采样到输入尺寸，将尺寸小于输入尺寸的图像填零至输入尺寸。
10、进一步地，所述通过无标签的食管oct图像对自监督预训练网络进行训练包括以下步骤：
11、将输入的无标签的食管oct图像分成不重叠的图像块；
12、将图像块随机组合成可见的块和遮蔽的块；
13、在编码过程中，采用视觉transformer作为编码器，通过带有附加位置嵌入的线性投影嵌入图像块；
14、使用transformer解码器处理输出。
15、进一步地，所述transformer解码器使用多层transformer模块搭建，所述transformer模块包括若干归一化层、多头注意力结构、多层感知机，所述多头注意力结构包括若干平行的自注意力头，在全局范围内捕捉长程特征依赖性，所述多层感知机包括若干线性层。
16、进一步地，所述transformer解码器使用浅层transformer模块序列进行构建；
17、所述自监督预训练网络使用均方误差作为重构损失进行训练。
18、进一步地，所述利用少量带标签的食管oct图像训练所述分割网络包括以下步骤：
19、将输入图像通过图像块嵌入结构转换为图像块；
20、通过多个transformer模块对图像块进行处理，生成特征图；
21、在不同阶段的特征图被重塑并上采样到不同的分辨率，并通过分割解码器块进行处理。
22、进一步地，所述分割解码器块中的全局平均池化层和若干全连接层构成挤压-激励结构，所述挤压-激励结构使用全局平均池化层和若干全连接层计算重要性权重并将其附加到不同的通道上，使分割网络能够关注对最终分割任务有益的特征图。
23、进一步地，所述分割网络采用的损失函数定义如下：
24、l＝lce+λldice (1)
25、其中，lce表示交叉熵，ldice表示dice损失函数，λ为权重参数；
26、交叉熵损失函数定义如下：
27、
28、其中，gl表示像素点x属于类l的真实值，pl为像素点x属于类l的网络预测概率值，n代表像素点个数；
29、dice损失函数定义如下：
30、
31、所述分割网络的训练过程根据所定义的损失函数，采用adam方法对网络参数进行迭代更新完成优化，根据具体的训练结果调整模型参数，同时，利用验证集对模型参数进行微调。
32、本专利技术的第二目的是提供一种电子设备，包括：存储器，其上存储有程序代码；处理器，其与所述本文档来自技高网...
【技术保护点】
1.一种小样本食管光学相干层析图像自动分割方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种小样本食管光学相干层析图像自动分割方法，其特征在于：所述对食管OCT图像进行预处理包括以下步骤：
3.如权利要求1所述的一种小样本食管光学相干层析图像自动分割方法，其特征在于：所述通过无标签的食管OCT图像对自监督预训练网络进行训练包括以下步骤：
4.如权利要求3所述的一种小样本食管光学相干层析图像自动分割方法，其特征在于：所述Transformer解码器使用多层Transformer模块搭建，所述Transformer模块包括若干归一化层、多头注意力结构、多层感知机，所述多头注意力结构包括若干平行的自注意力头，在全局范围内捕捉长程特征依赖性，所述多层感知机包括若干线性层。
5.如权利要求4所述的一种小样本食管光学相干层析图像自动分割方法，其特征在于：所述Transformer解码器使用浅层Transformer模块序列进行构建；
6.如权利要求4所述的一种小样本食管光学相干层析图像自动分割方法，其特征在于：所述利用少量
7.如权利要求6所述的一种小样本食管光学相干层析图像自动分割方法，其特征在于：所述分割解码器块中的全局平均池化层和若干全连接层构成挤压-激励结构，所述挤压-激励结构使用全局平均池化层和若干全连接层计算重要性权重并将其附加到不同的通道上，使分割网络能够关注对最终分割任务有益的特征图。
8.如权利要求1所述的一种小样本食管光学相干层析图像自动分割方法，其特征在于：所述分割网络采用的损失函数定义如下：
9.一种电子设备，其特征在于，包括：存储器，其上存储有程序代码；处理器，其与所述存储器连接，并且当所述程序代码被所述处理器执行时，实现如权利要求1～8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有程序指令，所述程序指令被执行时实现如权利要求1～8任一项所述的方法。
...【技术特征摘要】
1.一种小样本食管光学相干层析图像自动分割方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种小样本食管光学相干层析图像自动分割方法，其特征在于：所述对食管oct图像进行预处理包括以下步骤：
3.如权利要求1所述的一种小样本食管光学相干层析图像自动分割方法，其特征在于：所述通过无标签的食管oct图像对自监督预训练网络进行训练包括以下步骤：
4.如权利要求3所述的一种小样本食管光学相干层析图像自动分割方法，其特征在于：所述transformer解码器使用多层transformer模块搭建，所述transformer模块包括若干归一化层、多头注意力结构、多层感知机，所述多头注意力结构包括若干平行的自注意力头，在全局范围内捕捉长程特征依赖性，所述多层感知机包括若干线性层。
5.如权利要求4所述的一种小样本食管光学相干层析图像自动分割方法，其特征在于：所述transformer解码器使用浅层transformer模块序列进行构建；
【专利技术属性】
技术研发人员：王聪，甘萌，
申请(专利权)人：济南国科医工科技发展有限公司，
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。