【技术实现步骤摘要】
本专利技术涉及计算机视觉中的图像分割领域，具体涉及一种基于人在回路中标注样本的医学图像分割方法。
技术介绍
1、医学图像分割是一种将医学影像中的特定区域，如器官或病变组织，与其他部分区分开来的技术，这一技术对于疾病的诊断、治疗规划和疗效评估至关重要。随着深度学习技术的引入和发展，医学图像分割技术已经取得了显著的进步，并在临床诊断和治疗中扮演着越来越重要的角色，它不仅提高了诊断的准确性和效率，还为个性化医疗和精准治疗提供了强有力的技术支持。未来，随着技术的不断进步，医学图像分割将在临床应用中发挥更加重要的作用。
2、医学图像主要包括ct图像、mri图像和超声成像等。ct图像利用射线扫描得到人体内部结构的横截面图像；mri图像通过磁场和无线电波获取身体软组织的清晰图像；超声成像则使用声波生成体内器官的图像。这些图像各有优势，相互补充，为医生提供了丰富的诊断信息。深度学习技术的引入极大地推动了医学图像分割技术的发展。与传统方法相比，深度学习能够自动学习数据特征，提高分割的准确性和效率。其中，全卷积网络（fcn）、u-net和循环神经网络（rnn）等模型被广泛应用于医学图像分割任务中。尽管深度学习在医学图像分割中取得了显著成效，但仍面临数据量不足、模型泛化能力差等问题。为了解决这些问题，数据增强、迁移学习等策略被提出以提高模型的鲁棒性和泛化能力。随着计算能力的提升和算法的不断优化，基于深度学习的医学图像分割技术将更加精准和高效。同时，结合多种成像技术的融合分割方法也将成为研究热点，进一步提升医学图像分割的性能和应用范围。p>
3、目前图像分割领域的主流模型之一u-net在医学图像分割领域取得了显著的成功，但仍然存在一些挑战和限制，这些问题影响了其在某些应用场景中的性能和应用范围，主要问题包括参数量大、对高分辨率图像的处理能力有限，以及对小目标的分割准确性有待提高。原始的u-net模型具有相对较大的参数量（约28m），这可能导致过拟合，特别是在数据量较少的情况下。虽然这对于医学图像分割来说是一个普遍的问题，因为医学图像数据集通常较小，但较大的模型仍然需要更多的计算资源和更复杂的优化策略来避免过拟合。对于特别大（高分辨率）的图像，u-net可能需要采用滑动窗口（sliding window）的策略来处理，这意味着每次只分割图像的一个部分，然后将结果拼接起来。这种方法可能影响模型对全局特征的学习能力，并可能在边界区域引入误差。u-net在分割较小的目标时可能面临挑战，这在医学图像分析中尤为重要，因为许多病理结构或生物标记物可能体积很小。提高对小目标的分割准确性是提升模型性能的关键。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于人在回路中标注样本的医学图像分割方法，为了更好解决因分割目标对象较小而造成的问题，本方法首先使用原始数据集在初始模型上进行医学图像分割任务训练，然后根据分割结果将数据集划分成表现较为良好的a和不太良好的b两部分，之后训练一个分类器区分a和b类，并让人类对b数据集中的图像进行目标检索和关键区域放大操作，局部放大前的图像和局部放大后的图像组成了一个新的数据集c，用数据集c训练一个进行目标检测并放大的模型，然后将上述构建的分类模型和放大模型置于初始模型之前，一张医学图像进入模型后首先进行分类，若为a类直接生成分割结果图像，若为b类则进入放大模型进行局部放大后再输入模型生成分割结果，之后重新缩小回局部尺寸拼接到原图像上返回最终输出结果。
2、为实现上述目的，本专利技术采用如下技术方案：
3、一种基于人在回路中标注样本的医学图像分割方法，包括以下步骤：
4、步骤1：使用原始有标注医学图像分割的数据集在u-net模型中训练获得结果；具体为：
5、1.1：获取原始的有标注医学图像分割数据集；
6、1.2：使用步骤1.1中的数据集在u-net模型中进行训练；
7、1.3：训练完成后将测试集中图像的iou指标进行统计和记录，获得实验结果。
8、步骤2：根据数据集在iou指标上的表现将其划分为表现良好的a和表现欠佳的b两部分；具体为：
9、2.1：根据步骤1.3统计的iou指标值，设置一个阈值σ，所述阈值能够将数据集划分为8∶2的比例，前80%认为是表现较好的图像，而后20%为表现欠佳的图像；
10、2.2：根据步骤2.1设置的阈值σ，将数据集划分为两部分a和b，即表现较好的图像集a与表现欠佳的图像集b。
11、步骤3：使用步骤2划分的数据集训练一个resnet网络用于区分a和b类图像；具体为：
12、3.1：根据步骤2.2中划分的数据集a和b，a中的图像标注为0，b中的图像标注为1，并将a和b等比例划分出训练集与测试集；
13、3.2：使用步骤3.1中划分的训练集训练一个resnet网络，使其能够将输入图像区分为a类或b类，在测试集上测试达到80%的准确率后完成训练，得到一个resnet分类模型。
14、步骤4：人类专家对b类图像数据集中的图像进行目标检索和关键区域放大操作，局部放大前的图像和局部放大后的图像组成一个新的数据集c；具体为：
15、4.1：让人类专家对表现欠佳的b图像集进行处理，人类专家将每张医学图像中需要进行分割的目标关键区域进行裁剪，并将其放大为一个模型可以识别的大小尺寸图像；
16、4.2： 在步骤4.1中得到的经过人类专家裁剪放大的图像和未经处理过的原图像一一对应，组成了一个新的专家标注图像数据集c。
17、步骤5：用数据集c训练一个进行目标检测并放大的模型；具体为：
18、5.1：使用步骤4.2中划分得到的数据集c,训练一个r-cnn模型，使其能够完成目标检测任务，输入为原始医学图像，输出为关键区域被放大的经过初步处理的医学图像，获得一个能够自动完成目标检测并放大的模型。
19、步骤6：将步骤3和步骤5中构建的分类模型和放大模型置于初始模型之前，一张医学图像进入模型后首先进行分类，若为a类直接生成分割结果图像，若为b类则进入放大模型进行局部放大后再输入模型生成分割结果，之后重新缩小回局部尺寸拼接到原图像上返回最终分割结果；具体为：
20、6.1 将步骤3中得到的分类模型作为图像分割模型的第一个部分，步骤5中得到的放大的模型作为图像分割模型的第二个部分，步骤1中使用的分割模型作为图像分割模型的第三个部分；
21、6.2：输入一张要进行分割任务的医学图像，首先进入第一部分分类模型进行分类操作，若分为a类直接进入第三部分模型进行分割，若为b类则进入第二部分放大模型，将其局部放大结果图像输入第三部分模型生成分割图像，再将其分割图像进行缩小后拼接到原图像上，获得了最终的分割结果。
22、本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：
23、本专利技术是基于人在回路的图像分割方法，相较于过去不能精准考虑较小分割目标的深本文档来自技高网...
【技术保护点】
1.一种基于人在回路中标注样本的医学图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的医学图像分割方法，其特征在于，所述步骤1具体为：
3.根据权利要求1所述的医学图像分割方法，其特征在于，所述步骤2具体为：
4.根据权利要求1所述的医学图像分割方法，其特征在于，所述步骤3具体为：
5.根据权利要求1所述的医学图像分割方法，其特征在于，所述步骤4具体为：
6.根据权利要求1所述的医学图像分割方法，其特征在于，所述步骤5具体为：
7.根据权利要求1所述的医学图像分割方法，其特征在于，所述步骤6具体为：
【技术特征摘要】
1.一种基于人在回路中标注样本的医学图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的医学图像分割方法，其特征在于，所述步骤1具体为：
3.根据权利要求1所述的医学图像分割方法，其特征在于，所述步骤2具体为：
4.根据权利要求1所述的医学图像分...
【专利技术属性】
技术研发人员：贺樑，夏雨佳，吴兴蛟，许俊杰，马天龙，方发明，
申请(专利权)人：华东师范大学，
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。