【技术实现步骤摘要】
本申请涉及图像处理，尤其涉及一种基于边界框标注的医学图像分割方法、装置、设备及介质。
技术介绍
1、医学图像分割在计算机辅助诊断中具有重要意义。深度学习模型已广泛应用于该领域。然而，基于数据驱动的深度学习模型要求大量的体素级标注，这对医生来说需要耗费大量时间和精力，限制了深度学习模型在临床应用中的推广。弱监督学习是一种有效缓解医生标注压力的方法，它利用较少的监督信息来训练模型。在医学图像分割中，弱标注方法主要包括图像级标注、涂鸦标注、边界点标注和边界框标注等形式。
2、图像级标注指图像类别信息，主流方法是使用图像级标注训练分类网络，获取cam或grad-cam，再生成体素级伪标注监督分割模型训练，这种监督形式的缺点是cam对分割目标的定位不够精确。涂鸦标注指使用极少的体素级标注训练分割模型，缺点是涂鸦标注的体素数量较少，容易导致网络过拟合。边界点标注指分割目标的左边界点、右边界点、前边界点、后边界点、上边界点和下边界点，这六个边界点同时决定一个边界框，主流方法是根据图像梯度图搜寻边界点之间的积分最短路径，生成初始涂鸦伪标注，再展开后续训练，缺点是对于呈非凸包状的分割目标，涂鸦伪标注有可能引入噪声。相对地，边界框标注可以提供分割目标的粗定位信息，但是边界框内部的无标注体素中正负样本混合，主流方法是引入分割目标的体积先验约束分割模型的输出，但是在形态和体积多变的分割目标下难以优化。故现亟需一种医学图像分割方法，能够在形态和体积多变的分割目标进行优化，减少伪标注引入的噪声，提高图像分割精度。
技
1、本申请实施例的目的在于提出一种基于边界框标注的医学图像分割方法、装置、设备及介质，能够在形态和体积多变的分割目标进行优化，减少伪标注引入的噪声，提高图像分割精度。
2、为了解决上述技术问题，本申请实施例提供一种基于边界框标注的医学图像分割方法，包括：
3、获取样本医学图像，并对所述样本医学图像进行预处理，生成训练数据集，其中，所述训练数据集包括目标医学图像和边界框掩码；
4、将所述目标医学图像和所述边界框掩码输入副网络中，并基于第一交叉熵损失函数和第一投影损失函数对所述副网络进行初始化，得到基础副网络；
5、基于所述基础副网络构建所述样本医学图像对应边界框内无标注体素的伪标注，并基于第二交叉熵损失函数和第一crf正则损失函数交替优化的方式对所述基础副网络进行训练，得到目标副网络；
6、将所述目标医学图像输入主网络中，并基于第三交叉熵损失函数和第二投影损失函数对所述主网络进行初始化，得到基础主网络；
7、获取所述目标副网络所输出的目标伪标注，并基于相对熵函数和第二crf正则损失函数交替优化的方式对所述基础主网络进行训练，得到目标主网络；
8、获取待分割医学图像，并对所述待分割医学图像进行预处理，得到目标待分割医学图像，且基于所述目标主网络对所述目标待分割医学图像进行分割处理，得到目标分割结果。
9、为了解决上述技术问题，本申请实施例提供一种基于边界框标注的医学图像分割装置，包括：
10、医学图像获取单元，用于获取样本医学图像，并对所述样本医学图像进行预处理，生成训练数据集，其中，所述训练数据集包括目标医学图像和边界框掩码；
11、副网络初始化单元，用于将所述目标医学图像和所述边界框掩码输入副网络中，并基于第一交叉熵损失函数和第一投影损失函数对所述副网络进行初始化，得到基础副网络；
12、副网络训练单元，用于基于所述基础副网络构建所述样本医学图像对应边界框内无标注体素的伪标注，并基于第二交叉熵损失函数和第一crf正则损失函数交替优化的方式对所述基础副网络进行训练，得到目标副网络；
13、主网络初始化单元，用于将所述目标医学图像输入主网络中，并基于第三交叉熵损失函数和第二投影损失函数对所述主网络进行初始化，得到基础主网络；
14、主网络训练单元，用于获取所述目标副网络所输出的目标伪标注，并基于相对熵函数和第二crf正则损失函数交替优化的方式对所述基础主网络进行训练，得到目标主网络；
15、分割结果生成单元，用于获取待分割医学图像，并对所述待分割医学图像进行预处理，得到目标待分割医学图像，且基于所述目标主网络对所述目标待分割医学图像进行分割处理，得到目标分割结果。
16、为解决上述技术问题，本专利技术采用的一个技术方案是：提供一种计算机设备，包括，一个或多个处理器；存储器，用于存储一个或多个程序，使得一个或多个处理器实现上述任意一项所述的基于边界框标注的医学图像分割方法。
17、为解决上述技术问题，本专利技术采用的一个技术方案是：一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的基于边界框标注的医学图像分割方法。
18、本专利技术实施例提供了一种基于边界框标注的医学图像分割方法、装置、设备及介质。其中，方法包括：获取样本医学图像，并对所述样本医学图像进行预处理，生成训练数据集，其中，所述训练数据集包括目标医学图像和边界框掩码；将所述目标医学图像和所述边界框掩码输入副网络中，并基于第一交叉熵损失函数和第一投影损失函数对所述副网络进行初始化，得到基础副网络；基于所述基础副网络构建所述样本医学图像对应边界框内无标注体素的伪标注，并基于第二交叉熵损失函数和第一crf正则损失函数交替优化的方式对所述基础副网络进行训练，得到目标副网络；将所述目标医学图像输入主网络中，并基于第三交叉熵损失函数和第二投影损失函数对所述主网络进行初始化，得到基础主网络；获取所述目标副网络所输出的目标伪标注，并基于相对熵函数和第二crf正则损失函数交替优化的方式对所述基础主网络进行训练，得到目标主网络；获取待分割医学图像，并对所述待分割医学图像进行预处理，得到目标待分割医学图像，且基于所述目标主网络对所述目标待分割医学图像进行分割处理，得到目标分割结果。本专利技术通过分别对副网络和主网络进行初始化和训练，并在训练过程中，修正网络输出，减少由伪标注噪声引起的错误，实现在形态和体积多变的分割目标进行优化，减少伪标注引入的噪声，有利于提高图像分割精度。
本文档来自技高网...【技术保护点】
1.一种基于边界框标注的医学图像分割方法，其特征在于，包括：
2.根据权利要求1所述的基于边界框标注的医学图像分割方法，其特征在于，所述将所述目标医学图像和所述边界框掩码输入副网络中，并基于第一交叉熵损失函数和第一投影损失函数对所述副网络进行初始化，得到基础副网络，包括：
3.根据权利要求2所述的基于边界框标注的医学图像分割方法，其特征在于，所述第一交叉熵损失函数和所述第一投影损失函数分别为：
4.根据权利要求1所述的基于边界框标注的医学图像分割方法，其特征在于，所述基于所述基础副网络构建所述样本医学图像对应边界框内无标注体素的伪标注，并基于第二交叉熵损失函数和第一CRF正则损失函数交替优化的方式对所述基础副网络进行训练，得到目标副网络，包括：
5.根据权利要求4所述的基于边界框标注的医学图像分割方法，其特征在于，所述采用所述第二交叉熵损失函数和所述第一CRF正则损失函数交替优化的方式基于所述伪标注对所述基础副网络进行训练，得到所述目标副网络，包括：
6.根据权利要求1至5任一项所述的基于边界框标注的医学图像分割方法，其
7.根据权利要求1至5任一项所述的基于边界框标注的医学图像分割方法，其特征在于，所述主网络和所述副网络均使用3D U-net作为分割网络，所述分割网络包括编码模块和解码模块，每一所述编码模块和所述解码模块包括两个卷积块；所述副网络嵌入一个边界编码器，所述边界编码器包括卷积操作和激活函数操作；其中，所述边界编码器用于输出边界框特征图，并将所述边界框特征图与所述副网络的前两个编码模块输出特征图进行点乘，且将点乘后的特征图使用跳跃连接并入所述副网络的解码模块中。
8.一种基于边界框标注的医学图像分割装置，其特征在于，包括：
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于边界框标注的医学图像分割方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于边界框标注的医学图像分割方法。
...【技术特征摘要】
1.一种基于边界框标注的医学图像分割方法，其特征在于，包括：
2.根据权利要求1所述的基于边界框标注的医学图像分割方法，其特征在于，所述将所述目标医学图像和所述边界框掩码输入副网络中，并基于第一交叉熵损失函数和第一投影损失函数对所述副网络进行初始化，得到基础副网络，包括：
3.根据权利要求2所述的基于边界框标注的医学图像分割方法，其特征在于，所述第一交叉熵损失函数和所述第一投影损失函数分别为：
4.根据权利要求1所述的基于边界框标注的医学图像分割方法，其特征在于，所述基于所述基础副网络构建所述样本医学图像对应边界框内无标注体素的伪标注，并基于第二交叉熵损失函数和第一crf正则损失函数交替优化的方式对所述基础副网络进行训练，得到目标副网络，包括：
5.根据权利要求4所述的基于边界框标注的医学图像分割方法，其特征在于，所述采用所述第二交叉熵损失函数和所述第一crf正则损失函数交替优化的方式基于所述伪标注对所述基础副网络进行训练，得到所述目标副网络，包括：
6.根据权利要求1至5任一项所述的基于边界框标注的医学图像分割方法，其特征在于，所述获取所述目标副网络所输出的目标伪标...
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。