【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种基于特征扰动和多尺度注意门的半监督心室图像分割方法。
技术介绍
1、医学图像分割是一种将医学图像中感兴趣的结构或区域从图像的背景中精准地划分出并用于进一步的分析和诊断的技术。医学图像分割技术的性能保证通常依赖于医学领域专家提供的大量可靠准确的标记数据，由于标记数据的获取十分困难昂贵，因此利用大量未标记数据和有限标记数据的半监督医学图像分割技术逐渐成为一种很有吸引力的策略。目前该技术在人工智能医学领域得到了广泛的应用，比如肝脏和肝脏肿瘤分割，脑和脑肿瘤分割，视盘分割，细胞分割，肺分割和肺结节分割等。半监督医学图像分割技术的应用缓解了医学图像领域标签获取困难昂贵的问题，在计算机辅助诊断和智能医疗中发挥着至关重要的作用，极大地提高了临床诊断的效率和准确性。
2、目前心血管疾病仍然是我国临床医学中死亡率最高的疾病，而心室的结构变化与心血管疾病的发生有着重要的关联。相比较于医学领域中其他任务的分割，由于心脏是一个不停运作的器官，其形状会在运动过程中发生变化导致对心室的分割要更复杂一些。之前所用的半监督心室图像分割技术主要分为两种，一种主要依据平滑假设，即输入的小扰动不应该产生相应输出的明显偏差。另一种则是基于聚类假设，即每个类的聚类应该是紧凑的，因此结果具有低熵。然而这些技术在一些具有薄的分支关节与边缘区域一直存在高度不确定的预测，主要是因为现有的技术方法并没有很好地解决半监督分割任务中未标记数据学习困难的问题。
3、为了解决利用半监督分割技术无法更好地关注心室边缘区域的问题，现
技术实现思路
1、本专利技术的实施例提供了一种基于特征扰动和多尺度注意门的半监督心室图像分割方法，用于解决现有技术中存在的问题。
2、为了实现上述目的，本专利技术采取了如下技术方案。
3、基于特征扰动和多尺度注意门的半监督心室图像分割方法，包括：
4、s1对数据集进行预处理操作；
5、s2基于进行了预处理之后的数据集，搭建主干模型；主干模型具有三条支路，三条支路共享主干模型的编码器；主干模型的解码器包括：位于三条支路中的两条支路上的线性插值层，位于另一条支路上的卷积层；三条支路的每条支路还具有多尺度注意门，每条支路通过自身的多尺度注意门将自身的解码器与主干模型的编码器进行跳跃连接，多尺度注意门用于将主干模型的编码器输出的特征图进行空间聚合；
6、s3通过主干模型的编码器和解码器对进行了预处理之后的数据集进行编码和解码操作，获得三条支路输出的分割预测结果；
7、s4利用三条支路输出的分割预测结果分割预测结果与真实标签进行计算，获得三条支路的分割损失；
8、s5通过主干模型的锐化函数将三条支路输出的分割预测结果转化为软伪标签；分别使用三条支路中的任意一条支路的分割预测结果监督另外两条支路，计算获得该另外两条支路的一致性损失；
9、s6将软伪标签、分割预测结果、分割损失和一致性损失加入数据集，重复步骤s3至s5，对主干模型进行迭代训练，输出心室图像分割图像。
10、优选地，主干模型为multivnet网络模型，三条支路包括第一分支、第二分支和第三分支；第—分支和第三分支分别具有线性插值层，第二分支具有卷积层；第三分支与主干模型的编码器之间设有dropout扰动模块，编码处理的特征图像通过dropout扰动模块进行特征空间扰动操作，然后被输送到第三分支进行分割预测处理；
11、第一分支、第二分支和第三分支分别具有多尺度注意门；多尺度注意门包括：相互并列设置的点卷积、普通卷积和扩张卷积，以及依次设置的relu核、点态卷积核和softmax函数核；点卷积、普通卷积和扩张卷积分别输出的特征图进行拼接之后，再依次通过relu核和点态卷积核进行特征筛选，最后通过softmax函数核将筛选获得的特征与原始特征图分别进行矩阵相乘核矩阵相加运算，获得空间聚合的执行结果；
12、主干模型还具有多个多尺度特征增强模块，每个多尺度特征增强模块位于编码器与主干模型的解码器的衔接区域，用于在主干模型的迭代处理过程中提取左心室图像数据的边缘区域的特征；多尺度特征增强模块包括特征提取子模块和特征聚合子模块，多尺度特征增强模块用于提取多组左心室特征图像数据，以及处理不同的左心室特征图像数据的尺度变化，特征聚合子模块通过建模，提取左心室图像数据的边缘区域的特征。
13、优选地，多尺度特征增强模块的工作过程具体包括：
14、s31通过编码处理的特征图像被分为四个特征组，分别对每个特征组采用扩张率ri(r1＝1，r2＝2，r3＝3，r4＝5)的扩张卷积处理，获得具有不同感受域的特征图；
15、s32分别对具有不同感受域的特征图进行softmax操作，通过式
16、
17、将四个特征组与softmax操作的结果进行矩阵相乘，获得经过特征提取子模块处理的特征组x′i，(i＝1，2，3，4)；式中，xi表示平分的四个特征组，表示不同扩张率的卷积操作，表示softmax操作，代表矩阵相乘；
18、s33通过式
19、f＝c(x′1，x′2，x′3，x′4) (2)
20、对特征x′i，(i＝1，2，3，4)进行拼接处理，获得特征f；式中，c代表连接操作；
21、s34将特征f并行输入到三个卷积核中分别获得特征图q∈rcxhxwxd、t∈rcxhxwxd和v∈rcxhxwxd；
22、s35将特征图q和特征图v进行矩阵相乘操作和sofimax操作，获得特征图k，将特征图k与特征图t进行矩阵相乘；
23、s36通过式
24、
25、将子步骤s35的矩阵相乘结果与特征f进行矩阵相乘，获得聚合特征f′。
26、优选地，主干模型的损失包括监督损失lseg和无监督损失lmc，通过式
27、loss＝αlseg+βlmc (4)
28、lseg＝(dice(pa，y)+dice(pb，y)+dice(pc，y)) (5)
【技术保护点】
1.基于特征扰动和多尺度注意门的半监督心室图像分割方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述主干模型为MultiVnet网络模型，所述三条支路包括第一分支、第二分支和第三分支；所述第一分支和第三分支分别具有所述线性插值层，所述第二分支具有所述卷积层；所述第三分支与所述主干模型的编码器之间设有Dropout扰动模块，编码处理的特征图像通过所述Dropout扰动模块进行特征空间扰动操作，然后被输送到所述第三分支进行分割预测处理；
3.根据权利要求2所述的方法，其特征在于，所述多尺度特征增强模块的工作过程具体包括：
4.根据权利要求2所述的方法，其特征在于，所述主干模型的损失包括监督损失Lseg和无监督损失Lmc，通过式
5.根据权利要求1至4任一所述的方法，其特征在于，步骤S1包括：
【技术特征摘要】
1.基于特征扰动和多尺度注意门的半监督心室图像分割方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述主干模型为multivnet网络模型，所述三条支路包括第一分支、第二分支和第三分支；所述第一分支和第三分支分别具有所述线性插值层，所述第二分支具有所述卷积层；所述第三分支与所述主干模型的编码器之间设有dropout扰动模块，编码处理的特征图像通过所述...
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。