医学图像分割在疾病的诊断,治疗以及手术中起着至关重要的作用,可以用于分析和处理图像、测量病灶区域、定量分析指标等。作为医学图像分割常用的小样本医学图像分割技术能利用少量有标注的新类样本就可完成对新类的分割,降低了人工标注的工作量,且可用于数据量较少的稀有病的诊断。但医学图像普遍存在前景和背景不平衡问题,医学图像的前景类类小且均匀,背景存在多种组织或器官较复杂,因此背景类较大且在空间上不均匀导致模型偏向于背景,从而影响分割结果。本发明专利技术要解决的技术问题是针对上述现有技术的不足,提供一种基于对比学习的原型网络小样本医学图像分割方法,该方法能够增强前景原型与背景的区分度,使得对图像的分割更精确。
【技术实现步骤摘要】
本专利技术涉及图像处理、机器学习,具体涉及一种基于对比学习的原型网络小样本医学图像分割方法。
技术介绍
1、医学图像分割在疾病的诊断,治疗以及手术中起着至关重要的作用,可以用于分析和处理图像、测量病灶区域、定量分析指标等。作为医学图像分割常用的小样本医学图像分割技术能利用少量有标注的新类样本就可完成对新类的分割,降低了人工标注的工作量,且可用于数据量较少的稀有病的诊断。但医学图像普遍存在前景和背景不平衡问题。医学图像的前景类类小且均匀,背景存在多种组织或器官较复杂,因此背景类较大且在空间上不均匀导致模型偏向于背景,从而影响分割结果。
技术实现思路
1、本专利技术要解决的技术问题是针对上述现有技术的不足,提供一种基于对比学习的原型网络小样本医学图像分割方法,该方法能够增强前景原型与背景的区分度,使得对图像的分割更加精确。
2、为解决上述技术问题,本专利技术所采取的技术方案是:
3、本专利技术提供一种基于对比学习的原型网络小样本医学图像分割方法,包括如下步骤:
4、步骤1:对获取的数据集进行超体素分割,将分割得到的结果作为伪类,所有的伪类形成伪类标签集合。
5、步骤2:将超体素分割数据集作为训练数据集,划分为支持集和查询集,输入基于原型网络的图像分割模型得到支持集和查询集特征并计算支持集前景原型。
6、步骤3:将步骤2中的查询集特征与前景原型计算余弦相似度,并得到异常分数,与阈值学习器学习到的分割阈值比较得到分割结果。
7、步骤4:利用分割结果计算损失函数,优化网络模型。
8、步骤5:重复步骤2,步骤3和步骤4当模型精度趋于稳定时停止模型训练。
9、步骤6:将带有少量标签的需要分割的医学图像数据集输入到训练好的模型中,得到分割结果。
10、所述步骤2的具体过程为:
11、步骤2.1:随机抽取训练集一张3d医学图像,在这张3d图中随机选取一张切片作为支持集,对这张图片使用resnet101进行特征提取,得到32*32的特征图。
12、步骤2.2:在步骤1中的集合中获取步骤2.1中切片的伪类标签集合,过滤掉像素数量少于200的类别后随机选取一个类别作为前景类,将得到的特征图与前景类对应的伪标签掩码进行掩码平均池化,得到前景类原型p。
13、所述获得原型p的公式如下所示:
14、
15、其中,⊙代表hadamard乘积,fs(x,y)代表第x行y列的支持集特征向量,yfg(x,y)代表第x行y列的二进制掩码,p代表原型。
16、所述步骤3的具体过程为:
17、步骤3.1:在步骤2.1抽取的3d图中再取另一与步骤2.1中切片不同的切片作为查询集图像,经过resnet101提取32*32的特征图,将得到的特征图与步骤2.2中得到的原型p进行余弦距离计算,随后获取异常分数s,计算公式如下所示:
18、
19、其中,fq(x,y)代表第x行y列的查询集特征向量,p代表原型,α代表缩放因子,一般α=20,s(x,y)代表第x行y列的异常分数。
20、步骤3.2:通过由两层全连接层构成的阈值学习器,学习分割阈值t。
21、步骤3.3:将步骤3.1获得的异常分数s与步骤3.2获得的分割阈值t经过处理得到前景分割结果,处理公式如下所示:
22、
23、其中,σ(·)是sigmoid函数,代表前景分割结果。
24、步骤3.4:利用步骤3.3中得到的前景分割结果计算预测结果的后景分割结果计算公式如下所示:
25、
26、所述步骤4的具体过程为:
27、步骤4.1:利用步骤3.4中得到的前后景分割结果与图片对应的真实标签计算二元交叉熵分割损失,作为模型语义分割任务最小化优化的目标损失,计算公式如下所示:
28、
29、其中,图像的大小为(h,w),代表查询集真实掩码,是分割前景预测结果,为背景预测结果,ls为损失。
30、步骤4.2:为了鼓励前景类的紧凑嵌入,构造了一个额外的损失项,使学习到的阈值最小化,损失项计算公式如下所示:
31、
32、步骤4.3:按照原型对齐正则化的方式将查询集的预测结果与查询集特征做掩码平均池化得到原型后与支持集特征计算余弦距离获取异常分数,将异常分数与分割阈值比较得到分割结果。分割结果与真实标签计算损失计算公式:
33、
34、其中,图像的大小为(h,w),代表真实掩码,是分割前景预测结果,为背景预测结果,lpar为损失。
35、步骤4.4:针对医学图像前景类复杂多样的问题,构建类间对比学习范式,对齐同一类别在不同阶段的特征,提高模型的前景类别分割能力。
36、步骤4.5:针对医学图像前景后景分割不平衡的问题,构建前后景对比学习范式,差异化前景与背景的特征表达,提高模型的前后景的区分能力。
37、步骤4.6:针对医学图像像素级噪声,构建噪声对比学习范式,放大噪声特征与正常特征的差异,提高模型过滤噪声的能力。
38、步骤4.7:使用infonce计算对比学习任务优化的目标损失,计算公式如下所示:
39、
40、其中q、k+、k-分别为原样例、正样例、负样例归一化后的表示,τ为温度超参,k+1+1为负例的个数。
41、步骤4.8:计算总体损失函数,计算公式如下所示:
42、l=ls+lpar+λ*lcl+lt
43、其中λ为控制数值大小的系数。
44、通过总体损失函数来优化网络模型,使用误差反向传播更新卷积神经网络中的参数值。
45、所述步骤4.4的具体过程为:
46、步骤4.4.1:获取步骤3.3中得到的前景预测结果与步骤3.1中的查询集特征图一起经过掩码平均池化得到预测原型p,原型p构成对比学习的原样例q。
47、步骤4.4.2:获取步骤2.2中的前景原型p构成对比学习正样例k+。
48、步骤4.4.3:随机获取当前支持集图片的超体素分割伪类集合中k个与当前前景类不同的伪类作为负样例标签掩码,并根据步骤2.2中同样的掩码平均池化得到k个负样例原型集合k-。
49、所述步骤4.5的具体过程为:
50、步骤4.5.1:获取当前支持集图片的前景掩码,计算得到背景掩码。
51、步骤4.5.2:使用背景掩码与支持集图像特征进行平均池化得到背景负样例原型,加入负样例原型集合k-。
52、所述步骤4.6的具体过程为:
53、步骤4.6.1:获取步骤3.3中得到的前景预测结果以及未经过异常检测的前景预测结果两个预测结果做差值可以得到可被检测的异常噪声的掩码,计算公式如下所示:
54、
55、其中,σ(·)是本文档来自技高网
...
【技术保护点】
1.一种基于对比学习的原型网络小样本医学图像分割方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于自监督学习的小样本医学图像分割方法,其特征在于,所述步骤2的具体过程为:
3.根据权利要求1所述的一种基于自监督学习的小样本医学图像分割方法,其特征在于,所述步骤3的具体过程为:
4.根据权利要求1所述的一种基于自监督学习的小样本医学图像分割方法,其特征在于,所述步骤4的具体过程为:
5.根据权利要求4所述的一种基于自监督学习的小样本医学图像分割方法,其特征在于,所述步骤4.4的具体过程为:
6.根据权利要求4所述的一种基于自监督学习的小样本医学图像分割方法,其特征在于,所述步骤4.5的具体过程为:
7.根据权利要求4所述的一种基于自监督学习的小样本医学图像分割方法,其特征在于,所述步骤4.6的具体过程为:
8.根据权利要求1所述的一种基于自监督学习的小样本医学图像分割方法,其特征在于,所述步骤6的具体过程为:
【技术特征摘要】
1.一种基于对比学习的原型网络小样本医学图像分割方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于自监督学习的小样本医学图像分割方法,其特征在于,所述步骤2的具体过程为:
3.根据权利要求1所述的一种基于自监督学习的小样本医学图像分割方法,其特征在于,所述步骤3的具体过程为:
4.根据权利要求1所述的一种基于自监督学习的小样本医学图像分割方法,其特征在于,所述步骤4的具体过程为:
5.根据权利...
【专利技术属性】
技术研发人员:冯朝路,郭春晓,甘晗,栗伟,覃文军,杨金柱,
申请(专利权)人:东北大学,
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。