【技术实现步骤摘要】
本专利技术涉及医学图像分割，它涉及一种基于渐进原型校准和噪声抑制的弱监督医学图像分割算法。
技术介绍
1、医学图像分割是电脑辅助诊断的一项基本任务，旨在描绘出关键的解剖或病理区域，以便医师进行分析。
2、近年来，随着深度学习的迅速发展，各种医学图像分割方法被提出，显示出卓越的表现。这些方法侧重于设计先进的网络架构或合并拓扑先验，通常依赖于全监督学习，并极大地受益于具有高质量注释的大规模注释数据集。然而，密集的注释收集和注释大型数据集是非常昂贵和耗时的，特别是对于医学图像，因为它们的注释需要专业知识和临床经验。
3、弱监督分割方法已经成为一种有前途的解决方案，它利用点、涂鸦、块等稀疏标注来训练分割模型，有效地缓解了标注成本与模型性能之间的内在冲突。这里我们主要关注利用稀疏标签的方法。现有的方法主要分为伪建议方法、一致性学习方法和辅助任务方法：
4、伪建议方法利用先验知识、语义亲和力或模型预测来扩展和生成稀疏注释的伪标签。它们通常涉及多个阶段的训练，并容易受到噪音累积的影响。
5、一致性学习方法惩罚对同一图像的不同视图不一致的预测，以规范训练过程，但他们未能利用注释区域和未注释区域之间的语义相关性。
6、辅助任务方法通过加入额外的任务(如边界预测)施加综合约束，这可能会影响主要分割任务的执行。
7、在上述方法中，伪建议方法的应用最为普遍。然而，一个可能被忽视的关键细节是，当通过手动注释或自动算法(例如 random walk）生成稀疏标签时，用于注释的对象区域倾
8、偏斜的注释比例，偏向于信息量较少的区域(通常是大多数)而不是信息量较少的区域(通常是少数)，可能不利于模型培训。具体地说，在这种稀疏标签的监督下，经过训练的模型表现出一种将预测更广泛地分配到信息较少的区域的趋势。在信息量较小的区域中观察到的小的和稳定的损失以及分割损失的像素级平均特征，例如部分交叉熵的损失函数，降低了硬但信息量较大的区域的功效，随后导致边界区域的错误预测。
9、在医学图像中，结构和损伤往往比自然图像中的结构和损伤更加模糊，加剧了上述情况。直接或间接利用这些错误预测作为伪标签可能会导致进一步的错误积累，从而导致性能下降。
10、上述问题最直接的解决方案是增加难以获得信息的区域的注释覆盖面和比例，但这与降低弱监督中的手工注释成本的目标相冲突。因此，提出原型表示学习来解决这个问题是很自然的。
11、原型表征学习已经在小镜头和半监督学习任务中得到了验证，例如，它可以有效地总结类表征并产生可靠的伪标签。然而，在弱监督环境下，从稀疏注释或噪声伪标签中提取的原型缺乏语义丰富性和足够的准确性。不准确的原型可能导致未注释区域的错误分类。自适应方法感知和掩盖噪声区域，同时利用尽可能多的来自不同目标类的未注释区域来生成原型，可能会缓解这一问题。然而，对该类算法的相关探索较少。
技术实现思路
1、针对现有技术存在的不足，本专利技术的目的在于建立一种弱监督方法，该方法能够在缺乏精确标签信息的情况下，通过利用弱标签来进行学习和训练。
2、为实现上述目的，本专利技术提供了如下技术方案：
3、一种基于渐进原型校准和噪声抑制的弱监督分割方法，包括如下步骤：
4、s1、建立基于原型的区域空间亲和力损失函数，用于优化图像区域之间的空间关系和语义关系，为模型的训练提供指导；
5、s2、建立自适应噪声感知和掩蔽模块，其能够适应性地感知和处理噪声，从而减少在模型在训练中的错误干扰；
6、s3、建立最终损失函数，使用 pce 损失函数通过匹配预测与稀疏标签提供直接监督。
7、本专利技术进一步设置为：步骤s1中的具体步骤如下：
8、s11、集成多尺度嵌入生成样例式原型，其中和分别表示第个样例图片和类别，
9、具体公式如下：
10、
11、表示为第类的深层原型，通过对样例和空间位置的高层特征进行加权平均得到；
12、表示为第类的浅表原型，通过对样例和空间位置的低层特征进行加权平均得到；
13、其中是通过广播机制进行的串联操作，和 分别是高级嵌入和低级嵌入，是指示函数，当等于时为1时，否则为0，表示第个样例在位置的标签；
14、表示第个标签中属于类的一组像素；
15、是通过广播机制进行的串联操作，将深度原型和浅表原型连接在一起形成最终的原型，以上公式采用掩模平均池来计算；
16、s12、通过计算像素嵌入与原型向量之间的相关程度，构造一个关系矩阵，
17、其具体为给定一个由连接和产生的嵌入，再通过余弦距离计算每个原型和像素嵌入之间的相关强度，
18、
19、s13、设计高维特征与低维特征相配对的亲和力损失函数分别计算两两像素之间的亲和力来训练模型。
20、本专利技术进一步设置为：步骤s13中低维特征的权重函数采用高斯核函数针对图片像素强度和空间几何信息进行设计，公式如下：
21、
22、高维特征的权重函数利用模型输出及关系矩阵相乘并在类通道上应用 求得，公式如下：
23、
24、则成对亲和矩阵表示为：
25、
26、关联性损失函数定义为：
27、
28、本专利技术进一步设置为：步骤2中的具体步骤如下：
29、s21、采用迭代标签细化策略设计自适应噪声感知和掩蔽模块，其可自适应地提取标签的可靠区域掩码和噪声区域掩码和相应的预测；
30、该可靠区域被保留用于原型计算，同时噪声区域被屏蔽，计算如下：
31、
32、s22、再利用提取一个针对噪声区域的预测和相应的软伪标记，表示为:
33、
34、s23、利用软标签丰富的信息，采用损失函数对网络初始预测的相应区域进行定点监控，公式如下：
35、
36、本专利技术进一步设置为：步骤s22中：对于时间的掩蔽噪声区，利用标定原型得到的关系矩阵在原始预测的相应区域重新分配像素。
37、本专利技术进一步设置为：步骤3的具体公式为:
38、
39、其中，表示一个像素，是稀疏标签中标记的像素集，表示像素数。
40、本专利技术进一步设置为：步骤3中包括如下步骤：
41、s31、初始化阶段,从一个初始模型中获得相对可靠的初始伪标签,利用由稀疏标签中计算出的原型训练模型，初始化阶段总损失函数公本文档来自技高网...
【技术保护点】
1.一种基于渐进原型校准和噪声抑制的弱监督分割方法，其特征在于：包括如下步骤：
2.根据权利要求1所述一种基于渐进原型校准和噪声抑制的弱监督分割方法，其特征在于：步骤S1中的具体步骤如下：
3.根据权利要求2所述一种基于渐进原型校准和噪声抑制的弱监督分割方法，其特征在于：步骤S13中低维特征的权重函数采用高斯核函数针对图片像素强度和空间几何信息进行设计，公式如下：，
4.根据权利要求3所述一种基于渐进原型校准和噪声抑制的弱监督分割方法，其特征在于：步骤2中的具体步骤如下：
5.根据权利要求4所述一种基于渐进原型校准和噪声抑制的弱监督分割方法，其特征在于：步骤S22中：对于时间的掩蔽噪声区，利用标定原型得到的关系矩阵在原始预测的相应区域重新分配像素。
6.根据权利要求4所述一种基于渐进原型校准和噪声抑制的弱监督分割方法，其特征在于：步骤3的具体公式为:
7.根据权利要求6所述一种基于渐进原型校准和噪声抑制的弱监督分割方法，其特征在于：步骤3中包括如下步骤：
【技术特征摘要】
1.一种基于渐进原型校准和噪声抑制的弱监督分割方法，其特征在于：包括如下步骤：
2.根据权利要求1所述一种基于渐进原型校准和噪声抑制的弱监督分割方法，其特征在于：步骤s1中的具体步骤如下：
3.根据权利要求2所述一种基于渐进原型校准和噪声抑制的弱监督分割方法，其特征在于：步骤s13中低维特征的权重函数采用高斯核函数针对图片像素强度和空间几何信息进行设计，公式如下：，
4.根据权利要求3所述一种基于渐进原型校准和噪声抑制的弱监督分割...
【专利技术属性】
技术研发人员：唐晓颖，刘翼翔，
申请(专利权)人：南方科技大学嘉兴研究院，
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。