【技术实现步骤摘要】
本专利技术属于医学图像处理，具体涉及到一种分割连续ct图像中医学目标(尤其是肿瘤目标)的边缘贡献收缩网络方法。
技术介绍
1、分割ct图像中的医学目标(如肿瘤目标)通常采用多种技术，其中包括阈值分割、区域增长、边缘检测、基于机器学习的方法(如卷积神经网络)，形态学分析以及多模态图像融合等。这些技术在图像处理、特征提取和模型训练等方面相互结合，帮助精确地识别肿瘤区域，但需要根据图像特征和任务选择合适的方法。由于肿瘤目标通常包含模糊的边缘，特征与背景为低强度的对比，且直接通过单张ct图像的分割缺乏了目标上下文的连续信息，分割效果有待提升。因此设计一种能够利用ct图像连续信息来精确分割含模糊边缘的肿瘤目标方法是必要的。
技术实现思路
1、本专利技术提供了一种分割连续ct图像中医学目标的边缘贡献收缩网络方法、设备及介质，以提升医学目标尤其是肿瘤目标的分割精确度。
2、一方面，本专利技术公开了一种分割连续ct图像中医学目标的边缘贡献收缩网络方法，该方法包括下列步骤：
3、步骤1，输入医学目标的连续ct图像并基于3d型卷积神经网络中的骨干网提取其整体特征，得到维度大小为x×y×t的特征图f，其中，x×y表示ct图像的空间分辨率，t表示输入的连续ct图像的帧数；
4、步骤2，获取特征图f的像素在时间维度的贡献价值，得到像素贡献价值矩阵v：
5、对特征图f中的每一个时间维度t的帧特征图基于3d型卷积神经网络的分类层(可设置为带有softmax的全连接
6、对获取帧特征图的每个卷积核，通过全局平均池化处理获取每个卷积核的权重其中，k为卷积核编号，gap()表示全局平均池化处理，表示帧特征图中对应于每个卷积核的特征图，为偏导符号；
7、通过非线性激活函数对所有特征图和对应的权重αk的加权和进行激活映射处理，基于映射结果得到当前帧t的医学目标的可解释性热力图结果
8、叠加所有帧的可解释性热力图结果得到初始的像素贡献价值矩阵v′，并基于每个像素位置的像素贡献价值的方差、均值和最小值对每一帧的每个像素位置的像素贡献价值进行更新，得到像素贡献价值矩阵v；
9、步骤3，基于像素贡献价值矩阵v获取医学目标在连续ct图像中的贡献边缘矩阵r，从而基于贡献边缘矩阵r得到医学目标在每一帧ct图像中的分割结果。
10、进一步的，步骤1中，3d型卷积神经网络的三维卷积核的大小设置为5*5*5。
11、进一步的，步骤2中，获取可解释性热力图结果时采用的非线性激活函数为relu激活函数，其函数表示为：f(x)＝max(0,x)，其中，x为输入的数据，f(x)为输出的结果；当x≥0时，f(x)＝x。当x<0时，f(x)＝0。
12、进一步的，像素贡献价值矩阵v具体获取方式为：
13、基于同一个像素位置(i,j)的所有帧的初始的像素贡献价值v′(i,j,:)获取每个像素位置的像素贡献价值方差v′var(i,j)、像素贡献价值均值v′mean(i,j)、像素贡献价值最小值v′min(i,j)；
14、若v′var(i,j)大于方差阈值svar，则更新每一帧的当前像素位置(i,j)的像素贡献价值为：
15、v(i,j,k)＝(v′(i,j,k)-v′mean(i,j))/v′var(i,j)+v′min(i,j)
16、若v′var(i,j)小于或等于方差阈值svar，则将每一帧的当前像素位置(i,j)的像素贡献价值v(i,j,k)置0。
17、进一步的，方差阈值svar为正有理数(svar∈q+)，其初始值的取值范围可以设置为100～500，可通过对3d型卷积神经网络的训练对svar进行更新，即基于3d型卷积神经网络在训练时的贡献边缘损失对其进行迭代更新。
18、进一步的，步骤3包括：
19、初始化贡献边缘矩阵r为零矩阵，其中，r的矩阵维度为x*y；
20、遍历像素贡献价值矩阵v的每个像素贡献价值v(i,j,k)，若当前v(i,j,k)大于阈值sv，则将当前像素位置(i,j)的贡献边缘值自增1。
21、进一步的，阈值sv∈q+，其初始值的取值范围可以设置为0.1～0.3，可通过对3d型卷积神经网络的训练对sv进行更新。
22、进一步的，3d型卷积神经网络在训练时采用的复合损失函数l＝βlv+γlout，其中，lv表示贡献边缘损失，lout表示分割损失，两个系数β、γ为超参数，其初始值为预设值，且β+γ＝1。优选的，可将两者的初始值均设置为0.5。
23、进一步的，贡献边缘损失lv和分割损失lout分别设置为：
24、
25、其中，out表示3d型卷积神经网络输出的分类层输出的每一帧ct图像的分割结果，即由每个像素位置的分割结果所得到的预测分割矩阵，gt为对应输入的真实分割标签。
26、进一步的，系数β、γ、阈值svar、阈值sv在每一轮训练过程中的迭代更新分别设置为：
27、β＝β-δ
28、γ＝γ+δ
29、
30、
31、其中，δ为预置的更新步长，优选的取值范围为0.01～0.1，lv(e)、lv(e-1)分别表示第e轮和第e-1轮训练时的贡献边缘损失。
32、进一步的，当γ＝1时，β、svar、sv停止更新。
33、同时，本专利技术还公开了一种计算机设备，该计算机设备包括处理器和存储器，该存储器中存储有至少一条计算机程序，该至少一条计算机程序由一个或者一个以上处理器加载并执行，以实现本专利技术公开的一种分割连续ct图像中医学目标的边缘贡献收缩网络方法。
34、另一方面，本专利技术还公开了一种计算机可读存储介质，该计算机可读存储介质中存储有至少一条计算机程序，该至少一条计算机程序由计算机设备的处理器加载并执行，以实现本专利技术公开的一种分割连续ct图像中医学目标的边缘贡献收缩网络方法。
35、本专利技术提供的技术方案至少带来如下有益效果：
36、(1)本专利技术具有高度的分割精度，易于重复操作，且参数设置稳定，特别擅长处理肿瘤模糊边缘的区域。本专利技术的优势在于能够有效地识别并准确划分出这些边缘模糊的区域，提供了一种可靠的方法来处理ct图像中复杂的肿瘤结构。
37、(2)本专利技术可用于其他医学目标的ct图像，特别擅长处理模糊结构的情况。无需额外的操作和参数设定，使其在应用过程中更为简便和高效。即本专利技术具备广泛的适用性，可用于处理各种ct图像。
38、(3)本专利技术利用医学目标在上下文中的病理连续性。通过利用病理范围和神经网络分割结果的双向收缩。这种双向收缩的方法考虑了目标在整个上下文本文档来自技高网...
【技术保护点】
1.一种分割连续CT图像中医学目标的边缘贡献收缩网络方法，其特征在于，包括下列步骤：
2.如权利要求1所述的方法，其特征在于，步骤2中，获取可解释性热力图结果时采用的非线性激活函数为ReLU激活函数。
3.如权利要求1所述的方法，其特征在于，像素贡献价值矩阵V具体获取方式为：
4.如权利要求1所述的方法，其特征在于，步骤3包括：
5.如权利要求1所述的方法，其特征在于，3D型卷积神经网络在训练时采用的复合损失函数L＝βLV+γLout，其中，LV表示贡献边缘损失，Lout表示分割损失，两个系数β、γ为超参数，其初始值为预设值，且β+γ＝1。
6.如权利要求1所述的方法，其特征在于，贡献边缘损失LV和分割损失Lout分别设置为：
7.如权利要求5所述的方法，其特征在于，系数β、γ、阈值Svar、阈值Sv在每一轮训练过程中的迭代更新分别设置为：
8.如权利要求7所述的方法，其特征在于，当γ＝1时，β、Svar、Sv停止更新。
9.一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程
10.一种计算机可读存储介质，其上存储有让算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至8任一项所述方法的步骤。
...【技术特征摘要】
1.一种分割连续ct图像中医学目标的边缘贡献收缩网络方法，其特征在于，包括下列步骤：
2.如权利要求1所述的方法，其特征在于，步骤2中，获取可解释性热力图结果时采用的非线性激活函数为relu激活函数。
3.如权利要求1所述的方法，其特征在于，像素贡献价值矩阵v具体获取方式为：
4.如权利要求1所述的方法，其特征在于，步骤3包括：
5.如权利要求1所述的方法，其特征在于，3d型卷积神经网络在训练时采用的复合损失函数l＝βlv+γlout，其中，lv表示贡献边缘损失，lout表示分割损失，两个系数β、γ为超参数，其初始值为预设值，且β+γ＝1。
6.如权利...
【专利技术属性】
技术研发人员：饶云波，吕青松，马岩锦，刘达浪，朱佳龙，
申请(专利权)人：电子科技大学，
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。