【技术实现步骤摘要】
本专利技术属于医学图像处理领域，尤其涉及一种基于跨尺度校正一致性学习的医学图像分割方法。
技术介绍
1、医学图像分割是医学影像领域的关键任务之一，它可以将医学图像中的不同组织、器官或病变区域进行精确的分割和定位，为医生提供更准确的诊断和治疗指导。近年来，深度学习方法在医学图像分割中取得了显著的进展，u-net、segnet、deeplab等网络结构被广泛应用于医学图像分割，并在多个任务和数据集上取得了优秀的性能。尽管这些全监督的方法在医学图像分割领域取得了卓越的性能，但它们都有一个共同的缺点，就是受限于有限的标注图像。医学图像的标注通常需要专业医生花费大量的时间和精力进行手工标注，大规模的医学标注数据集难以获得。因此一些研究人员转而研究基于半监督学习的方法，通过充分利用有限的标注数据和大量的无标注数据，减少了对标注数据的需求，并取得了不错的效果。
2、半监督学习中一个常见的假设是，当两个样本相似或属于同一类时，它们对应的输出也应该相似或属于同一类，基于一致性正则化的方法是通过扰动图像层或模型层，然后保持输出空间的一致性来实现的，然而，在一致性学习中，人们认为弱扰动不会影响模型的输出，但实际上输出中包含噪声和异常值，这会导致模型在训练过程中专注于这些噪声区域，导致模型学习到错误的知识，现有的一些方法使用蒙特卡罗抽样来估计每个目标预测的不确定性来提高训练的稳定性并获得更好的结果，这种方法需要模型执行多次前向传递来计算不确定性，这消耗了大量的计算资源。因此，本专利技术从跨尺度不确定性引导的一致性学习范式出发，设计一种专门用
技术实现思路
1、本专利技术的目的在于针对一致性学习技术中，过度关注噪声区域导致模型学习到错误的知识或产生不准确的预测结果的问题，而提供了一种基于跨尺度校正一致性学习的医学图像分割方法，这种方法能够增强模型的泛化能力，提高模型的分割性能。
2、本专利技术的目的是通过如下措施来实现的：一种基于跨尺度校正一致性学习的医学图像分割方法，包括如下步骤：
3、步骤a、数据预处理，采用parse肺动脉公开数据集，按比例划分为训练集和测试集，对数据集训练集和测试集中的图像进行预处理，首先将图像的像素强度归一化为零均值和单位方差，接着裁剪出感兴趣区域用于后续的训练；
4、步骤b、构建基于跨尺度校正一致性学习的医学图像分割模型，通过在输入层采用不同的增强方式创建多视图，并在输出层引入金字塔结构产生多尺度输出，扩充图像级表示，在特征层进行特征级的对比学习，减小属于同一类别特征之间的距离，扩大不同类别特征之间的距离，通过计算跨尺度预测之间的不确定性对输出一致性进行校正，并计算模型不确定性作为正则化项，提高模型的鲁棒性和可靠性；
5、步骤c、训练网络模型，利用训练集对步骤b中构建的分割模型进行训练，得到一个训练好的分割模型，将测试集送入训练好的模型中，得到分割结果。
6、优选的，步骤b具体模型训练过程包括：
7、步骤b1、采用步骤a中划分好的训练集进行训练，其中表示有标签数据集，xi，yi分别指有标签数据的图像和对应的标签，nl表示训练集中有标签数据的数量，表示无标签数据集，xi表示无标签数据的图像,n表示训练集中总的样本数量，在输入空间通过随机亮度变换、随机噪声对输入图像进行弱增强，通过随机裁剪，颜色抖动对输入进行强增强，得到增强视图xs和xw，将这两个视图视为单独的正样本，并引入一个负样本x-，由训练集中的其他样本组成；
8、步骤b2、采用3d u-net作为主干网络，编码器中包含5个编码层，解码器中包含4个解码层，解码器部分引入了金字塔结构，在每一个上采样层后添加一个1×1×1的卷积和softmax层输出预测，得到12×12×12，24×24×24，48×48×48和96×96×96四种尺度的预测概率图，采用三线性插值法对它们进行上采样得到尺寸为96×96×96的预测概率图，并在解码器的第二层加一个映射层对特征层表示进行输出，映射层由两个1×1×1的卷积层和一个prelu激活层组成；
9、步骤b3、首先在特征层计算对比损失：
10、
11、其中，sim(·)用于计算两幅特征图之间的相似性，使用余弦距离进行度量，集合λ-是由训练集中除了输入图像之外的其他图像组成，r-表示负样本x-经过分割模型输出的特征图,rs和rw分别表示强增强和弱增强分支产生的特征图,τ是温度超参数，在输出层计算两个样本之间不确定性对这两个样本的一致性进行校正:
12、
13、
14、公式(2)是计算预测概率pi和预测概率pj的平均概率图预测概率pm，公式(3)中通过分别计算预测概率pi和pm以及pj和pm之间的差异，对它们进行求和来表示预测概率pi和pj之间的不确定性,uij越大表示一致性的不确定性越大，使用一个锐化功能将输入图像x对应的输出概率图转化为软伪标签，公式(4)所示：
15、
16、其中t是控制锐化程度的超参数，p表示输入x经过分割模型得到的预测概率图，ps是生成的软伪标签，提出的跨尺度校正一致性损失函数为：
17、
18、
19、其中，v＝{s,w}分别表示输入图像对应的两种增强视图，nc是金字塔预测的总层数，总共有4层，ptc表示在解码器第c层生成的对应增强视图t的输出概率图，ps表示输入图像经过分割模型生成的软伪标签，lce是用于计算和ps之间的交叉熵损失函数，具体计算如公式(6)所示，是通过公式(3)计算得到的输出概率图和ps之间的不确定性，公式(5)中的第一项是对不同输出之间的一致性进行动态调整，第二项是对总体的不确定度进行计算，将其作为正则化项，引入额外的惩罚项，防止模型一直产生较大不确定度的预测，
20、针对有标签数据，额外引入了监督损失函数：
21、
22、
23、公式(7)中pc表示输入图像第c层金字塔预测的结果，lce是计算pc和标签y之间的交叉熵损失函数，ldice是计算pc和y之间的dice损失函数，具体计算如公式(8)中所示，pci是第c层输出中第i个像素的值，yi是标签y中第i个像素的值，n是图像中像素的数量，ε是一个小的常数用于避免分母为0的情况；
24、步骤b4、根据对比损失函数，跨尺度校正一致性损失函数和监督损失函数，优化模型训练，总的损失函数为：
25、ltotal＝lcon+α·lcrc+β·lsup(9)
26、其中，α和β是平衡损失的超参数，具体的取值根据特定的任务而定。
27、本专利技术的有益效果：本专利技术通过引入跨尺度校正一致性学习算法，该技术方案能够有效解决半监督医学图像分割中的尺度变化、视角变化和不确定性等挑战，提高分割结果的准确性和一致性，为医学影像分析和临床决策提供有力支持。
本文档来自技高网...【技术保护点】
1.一种基于跨尺度校正一致性学习的医学图像分割方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于跨尺度校正一致性学习的医学图像分割方法，其特征在于：步骤B具体模型训练过程包括：
3.根据权利要求2所述的基于跨尺度校正一致性学习的医学图像分割方法，其特征在于：在步骤B1中，具体训练过程中表示有标签数据集，xi，yi分别指有标签数据的图像和对应的标签，NL表示训练集中有标签数据的数量，表示无标签数据集，xi表示无标签数据的图像,N表示训练集中总的样本数量。
4.根据权利要求2所述的基于跨尺度校正一致性学习的医学图像分割方法，其特征在于：在步骤B2中，解码器部分引入了金字塔结构输出了四种尺度的预测概率图具体包括：在每一个上采样层后添加一个1×1×1的卷积和softmax层输出预测，得到12×12×12，24×24×24，48×48×48和96×96×96四种尺度的预测概率图，采用三线性插值法对它们进行上采样得到尺寸为96×96×96的预测概率图。
5.根据权利要求2所述的基于跨尺度校正一致性学习的医学图像分割方法，其特征在于：
6.根据权利要求2所述的基于跨尺度校正一致性学习的医学图像分割方法，其特征在于：在步骤B3中，监督损失函数为：
7.根据权利要求2所述的基于跨尺度校正一致性学习的医学图像分割方法，其特征在于：在步骤B3中，总的损失函数为：
...【技术特征摘要】
1.一种基于跨尺度校正一致性学习的医学图像分割方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于跨尺度校正一致性学习的医学图像分割方法，其特征在于：步骤b具体模型训练过程包括：
3.根据权利要求2所述的基于跨尺度校正一致性学习的医学图像分割方法，其特征在于：在步骤b1中，具体训练过程中表示有标签数据集，xi，yi分别指有标签数据的图像和对应的标签，nl表示训练集中有标签数据的数量，表示无标签数据集，xi表示无标签数据的图像,n表示训练集中总的样本数量。
4.根据权利要求2所述的基于跨尺度校正一致性学习的医学图像分割方法，其特征在于：在步骤b2中，解码器部分引入了金字塔结构输出了四种尺度的预...
【专利技术属性】
技术研发人员：董敏，杨阿婷，焦战威，李俊颉，李德臻，唐旭涛，王振行，李永文，
申请(专利权)人：郑州大学，
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。