【技术实现步骤摘要】
本方法属于计算机视觉领域，主要用于医学图像关键区域的弱监督分割。利用图像级标签训练分类网络，根据分类网络生成的类激活图，为像素分配伪标签来训练分割网络。针对医学图像的弱监督分割结果假阳率高的问题，使用两个阈值来将像素判别为前景类别的概率值分为三组，进一步将像素分为前景、背景和不确定区域。通过将不确定区域与前景区域的嵌入尽可能远离，来达到降低分割假阳率的效果，提高分割的准确性。
技术介绍
1、为帮助医生提供及时可靠的决策，计算机辅助诊断成为了当前的一项研究热点。在组织学图像中，计算机辅助诊断通常依赖于计算机视觉和机器学习算法，现阶段的重点是深度学习模型。医学图像数据集具有数量少、难获取、标注成本高昂的特点，因此将弱监督学习的方法引入医学图像的深度神经网络模型中，对图像关键区域进行分割成为一种可行的方案。弱监督学习缓解了像素注释缺乏的问题。给定全局图像标签，弱监督学习的方法能够产生像素级预测，且分割结果具有可解释性。
2、使用图像类标签训练的最先进的弱监督分割模型在很大程度上依赖于像素激活图，通常被称为类激活图。通常，首先使用分类网络生成激活图，突出显示负责给定类别的预测的相关图像子区域。然后，这些激活图可以被用作伪标签来训练分割网络，从而模仿完全监督。现有的弱监督学习方法可以分为两大类，其一是自下而上的方法，其依赖于输入信号来定位感兴趣的区域；其二是自上而下的方法，这些方法受到人类视觉注意力的启发，它们依赖于输入信号和选择性反向信号来确定感兴趣的区域。
3、自然图像的目标区域与背景区域具有显著不同的颜色分布
4、基于目前现状，提出一种基于嵌入对比的医学图像弱监督分割方法，该方法可分为两个阶段。第一阶段通过分类网络生成图片像素的伪标签，通过两个阈值将像素分为3个类别，即前景、不确定区域、背景；第二阶段，使用对比学习的思想，设计了嵌入对比的模块，通过像素类别占比构造了正样本和负样本，通过对比损失使得与正样本的特征表示更接近，与负样本的特征表示更分散。从而学习到更具有判别性和区分性的特征表示，来促进弱监督分割模型的效果。
5、本专利技术综合以上思想，调研中发现，基于嵌入对比和弱监督学习的本专利技术具有创新性和原创性。
技术实现思路
1、本专利技术提供一种基于嵌入对比的弱监督医学图像的分割方法，本分割方法在保证准确性的同时，能有效地节省样本的标注成本和获取成本。在医学图像上使用常见的弱监督分割方法往往存在假阳率较高的问题，原因就是医学图像的前景和背景相似度高，目标区域的特征更难捕获。而对比学习是一种无监督学习方法，通过将正样本与负样本进行比较，鼓励模型学习到有意义的特征表示，在医学图像分割任务中，使用对比学习的思想可以学习更具判别性的特征，提供更加鲁棒和准确的特征表示，从而提高分割模型的性能。在模型的设计上，正例和负例的构造方式是：对弱监督分割网络中编解码器给出的像素分类的概率值，使用合适的阈值将像素分为3类，按照每类像素所占的比例将图片裁剪出正例和负例。通过计算对比学习损失函数，进行梯度回传，对学习特征表示的模型的参数进行更新。实验结果表明，新提出的方法在f1值和miou指标上都有一定提升。
2、本专利技术所提出的弱监督学习模型(模型结构图见说明书附图1)，首先需要对原始glas数据集图片进行预处理。glas是一个公开的结肠腺体数据集，其中大部分图像的宽为775像素，高为522像素，少部分图像宽为581像素，高为442像素。为能够确保样本的尺寸统一，本方法将图片随机裁剪成高为h像素，宽为w像素的图像送入模型，图像的标签与原来图像的标签一致。
3、预处理后的数据作为模型训练过程中第一部分的输入，该部分的输出包含3个结果，分别是分类网络末端生成的通道数为2的特征图、图像在两个类别上的预测概率组成的一维向量、由特征图和概率值加权求和得到的cam。其中，预测概率用来生成分类结果，进行模型更新，特征图和概率的加权和cam用来得到分割结果。该阶段是后序进行弱监督分割的基础。
4、第一部分中，定义训练样本x＝{{x1，y1}，...，{xi，yi}，...，{xk，yk}}，其中xi代表第i张输入图片，yi为该图片的全局标签，其中yi∈{0，1}，0代表整张图片不包含要分割的目标腺体区域，1代表整张图片中包含要分割的目标腺体区域，该数据集只有整张图片的标签，而没有具体的像素级的标签。k代表样本的总数量。所以任务是用图像级标签进行弱监督图像分割，即为每一个像素分配类别标签。将xi送入卷积神经网络的分类模型中，所述分类网络使用的是resnet18的二分类网络。
5、该resnet18的分类网络末端将会输出2个1×h×w大小的特征图，定义第一个特征图为a0，第二个特征图为a1。对两个特征图取均值，z0代表第一个特征图的均值，z1代表第二个特征图的均值。使用softmax函数计算特征图的两个通道的权重α0和α1：
6、
7、
8、α0代表该图片标签为0的概率值，α1代表该图片标签为1的概率值。
9、最后，在模型训练过程中，使用α0和α1计算交叉熵损失函数，得到损失值，进行梯度回传，更新网络参数。
10、具体交叉熵损失函数lce的计算公式为：
11、
12、其中，k代表样本的个数，yi代表第i张原图的真实标签，代表第i张图片在分类网络中预测标签为1的概率。
13、第一部分的训练过程中，会生成一个通道数为2的特征图，在上述过程中，我们将两个通道的特征分别定义为a0和a1。接下来，利用a1来生成将某一像素点预测为类别1的概率值。
14、对特征图a1中的一个像素点(i，j)的值使用sigmoid函数，计算其属于类别1的概率值pi，j：
15、
16、其中，代表a1在位置(i，j)的值。
17、对于图像级标签为0的图像，pi，j值变为0，若图像级标签为1，pi，j则保持计算出来的值。
18、计算出来的pi，j用于第二部分的输入。在第二部分中，为了缓解分割结果假阳性较高的问题，利用对比学习的思想，设计了嵌入对比模块。对比学习优化的目标是，将实体映射到一个空间里，让正例再空间中靠近，负例在空间中远离。对比学习可以使模型从输入图像中学习到更有用、更具有区分性的特征表示。这有助于分割模型更好地捕捉物体的边界、纹理、形状等信息，从而提高分割的准确度，降低假阳率。该方法需要解决的最关键的三个问题是：正例与负例的构造，映射函数的构造以及损失函数的设计。
19、首先是正例和负例的构本文档来自技高网...
【技术保护点】
1.一种基于嵌入对比的医学图像弱监督分割方法，其特征在于：包括下述步骤，
2.根据权利要求1所述的一种基于嵌入对比的医学图像弱监督分割方法，其特征在于：步骤二的实现过程如下，
3.根据权利要求1所述的一种基于嵌入对比的医学图像弱监督分割方法，其特征在于，步骤三的实现过程如下：
4.根据权利要求1所述的一种基于嵌入对比的医学图像弱监督分割方法，其特征在于，步骤四的实现过程如下：
5.根据权利要求1所述的一种基于嵌入对比的医学图像弱监督分割方法，其特征在于，步骤五的实现过程如下：
6.根据权利要求1所述的一种基于嵌入对比的医学图像弱监督分割方法，其特征在于，步骤六的实现过程如下：
【技术特征摘要】
1.一种基于嵌入对比的医学图像弱监督分割方法，其特征在于：包括下述步骤，
2.根据权利要求1所述的一种基于嵌入对比的医学图像弱监督分割方法，其特征在于：步骤二的实现过程如下，
3.根据权利要求1所述的一种基于嵌入对比的医学图像弱监督分割方法，其特征在于，步骤三的实现过程如下：
4.根据...
【专利技术属性】
技术研发人员：李建强，汪婧懿，刘博，杨滨，李瑞琪，
申请(专利权)人：北京工业大学，
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。