【技术实现步骤摘要】
本专利技术涉及图像分割，尤其涉及一种用于结直肠癌图像分割方法、系统及介质。
技术介绍
1、随着医学影像技术的快速发展，结直肠癌的早期筛查和诊断中，ct（计算机断层扫描）影像已成为一种重要的非侵入式手段。通过ct影像，可以观察到人体内部的组织结构及异常区域，特别是肿瘤的生长情况。然而，由于肿瘤区域存在边界模糊、形状复杂、大小不一等特点，对ct影像中的肿瘤区域进行精准分割仍然是一个巨大的技术挑战。
2、随着深度学习的兴起，卷积神经网络（convolutional neural networks, cnns）被广泛应用于医学图像分割任务。其中，u-net及其变体成为最常用的分割架构。基于深度学习的方法具有以下优势，能够自动学习图像中的多层次特征，从而实现高精度分割。通过引入卷积操作，能够捕获肿瘤区域的全局上下文和局部细节。然而，基于深度学习的分割方法也面临以下问题，如对标注数据的依赖性，医学图像的标注需要临床专家进行手动操作，过程繁琐且成本高昂，标注数据的稀缺性限制了深度学习模型的性能；泛化能力不足，由于模型在训练中主要依赖标注数据，其在未见数据或数据分布发生变化时，出现性能下降的问题。
技术实现思路
1、本专利技术为解决上述技术问题，提出了一种用于结直肠癌图像分割方法、系统及介质，以解决至少一个上述技术问题。
2、本申请提供了一种用于结直肠癌图像分割方法，包括以下步骤：
3、步骤s1：获取结直肠癌图像数据，其中结直肠癌图像数据包括结直肠癌图像标注数据
4、步骤s2：根据结直肠癌图像数据进行学生教师网络架构初始化，分别得到初始化学生网络模型以及初始化教师模型；
5、步骤s3：根据结直肠癌图像标注数据对初始化学生网络模型进行监督学习，得到初步优化学生网络模型；将结直肠癌图像未标注数据输入至初步优化学生网络模型进行计算，得到初步学生模型预测数据，并对结直肠癌图像未标注数据以及初步学生模型预测数据进行伪标签计算，得到伪标签数据；根据初步学生模型预测数据以及伪标签数据对初步优化学生网络模型进行优化，得到次级优化学生网络模型；
6、步骤s4：根据次级优化学生网络模型对初始化教师模型进行参数更新，得到更新教师模型，并根据结直肠癌图像标注数据对更新教师模型进行优化，得到结直肠癌图像分割模型。
7、本专利技术中通过引入伪标签技术和学生-教师网络架构，充分利用了结直肠癌图像的未标注数据，减少了对标注数据的过度依赖。大幅降低了标注数据的需求量，同时挖掘了未标注数据中蕴含的潜在信息。教师网络通过指数移动平均（ema）更新，参数更平滑且对噪声的鲁棒性更强，为未标注数据的伪标签生成提供了高质量指导。学生网络在监督学习的基础上，通过伪标签进一步优化，迭代提升分割性能。伪标签生成通过结合学生模型预测与未标注数据，提高了伪标签的可信度。对伪标签数据进行区域验证和动态优化，剔除了低置信度区域和错误标签，提升伪标签质量。模型在标注数据和未标注数据的共同作用下，经过多次优化（如初步优化、次级优化、教师网络更新），形成了闭环的提升机制。学生网络和教师网络的参数逐步逼近最优，使生成的图像分割模型性能更为卓越。
8、优选地，步骤s1具体为：
9、通过医学影像数据接口与多中心医院影像数据库交互，获取初步结直肠癌ct影像数据；
10、对初步结直肠癌ct影像数据进行数据分组，分别得到标注数据以及非标注数据；
11、对标注数据进行标注特征提取，得到标注特征数据；
12、对非标注数据进行非标注数据筛选，得到非标注筛选数据；
13、对标注特征数据以及非标注筛选数据进行数据增强，分别得到结直肠癌图像标注数据以及结直肠癌图像未标注数据。
14、本专利技术中从多个权威医学数据源获取结直肠癌ct影像数据，确保了数据的多样性、代表性和真实临床价值。标注数据和未标注数据分组是后续监督学习和伪标签生成的基础。将标注数据单独提取，确保监督学习的高质量；将未标注数据分离，便于伪标签生成和优化。提升了标注数据的特征表达能力，减少了模型训练的冗余负担。聚焦关键区域（如肿瘤边界），提升模型的学习效率和分割精度。使用质量评估算法（如清晰度、噪声水平、完整性）筛选未标注数据，剔除低质量数据（如分辨率低、噪声高或数据损坏的样本）。通过筛选保证了未标注数据的质量，为伪标签生成提供了高质量的输入。扩展了标注数据和未标注数据的规模，缓解了标注数据不足的问题。增强了模型对不同场景、不同肿瘤形态的适应性。
15、优选地，步骤s2具体为：
16、根据结直肠癌图像数据进行维数特性特征提取，得到维数特性特征数据；
17、根据维数特性特征数据进行网络结构生成，得到网络架构元数据；
18、根据网络架构元数据进行学生教师网络架构初始化，分别得到初始化学生网络模型以及初始化教师模型。
19、本专利技术中对结直肠癌ct影像数据进行维数特性分析，包括图像的分辨率、空间维度（2d或3d）、信号强度分布等特征。提取这些特性作为输入数据的维度和复杂度的表达，通过预设的参数库进行映射，以设计适配的网络架构。不同ct设备或扫描协议生成的影像具有不同的维度特性（如切片厚度、分辨率）。通过提取维数特性，生成的网络架构能够自适应不同的输入数据，增强了方法的通用性。针对不同分辨率的图像，调整网络的输入层和中间层参数，避免了不必要的计算开销。结合维数特性，自动生成网络架构，包括输入层维度、卷积层数量、特征通道数、下采样次数等关键参数。采用基于搜索的架构生成方法（如nas，neural architecture search）或规则驱动的方法生成适配的网络架构，基于数据特性生成的网络架构能够更加贴合实际数据需求，从而提高模型的训练效率和分割性能。学生网络用于直接训练，教师网络则通过学生网络的指数移动平均（ema）参数进行平滑更新。初始阶段教师网络的权重与学生网络一致，保证了训练的稳定性。通过教师网络的ema平滑参数更新，避免了训练过程中学生网络参数波动对模型性能的影响。初始化的学生和教师网络参数一致，为伪标签生成提供了可靠的初始条件。
20、优选地，步骤s3具体为：
21、根据结直肠癌图像标注数据对初始化学生网络模型进行监督学习，得到初步优化学生网络模型；
22、将结直肠癌图像未标注数据输入至初步优化学生网络模型进行计算，得到初步学生模型预测数据；
23、对结直肠癌图像未标注数据以及初步学生模型预测数据进行空间一致性伪标签计算，得到空间一致性伪标签数据；
24、对结直肠癌图像未标注数据以及初步学生模型预测数据进行对比学习伪标签计算，得到对比学习伪标签数据；
25、根据空间一致性伪标签数据以及对比学习伪标签数据进行置信度筛选，得到伪标签数据；
26、根据初步学生模型预测数据以及伪标签数据对初步优化学生网络模型进行优化，得到次级优化学生网本文档来自技高网...
【技术保护点】
1.一种用于结直肠癌图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤S1具体为：
3.根据权利要求1所述的方法，其特征在于，步骤S2具体为：
4.根据权利要求1所述的方法，其特征在于，步骤S3具体为：
5.根据权利要求4所述的方法，其特征在于，步骤S4具体为：
6.根据权利要求4所述的方法，其特征在于，空间一致性伪标签计算具体为：
7.根据权利要求4所述的方法，其特征在于，其中对比学习伪标签计算具体为：
8.根据权利要求6所述的方法，其特征在于，其中多尺度分析具体为：
9.一种用于结直肠癌图像分割系统，其特征在于，用于执行如权利要求1所述的用于结直肠癌图像分割方法，该系统包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至8任一项中所述的方法。
【技术特征摘要】
1.一种用于结直肠癌图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤s1具体为：
3.根据权利要求1所述的方法，其特征在于，步骤s2具体为：
4.根据权利要求1所述的方法，其特征在于，步骤s3具体为：
5.根据权利要求4所述的方法，其特征在于，步骤s4具体为：
6.根据权利要求4所述的方法，其特征在于，空间一致性伪标签计算具体为：
7...
【专利技术属性】
技术研发人员：王湛，耿艳，王治惠，叶晨阳，翟文鑫，王怡惠，
申请(专利权)人：中国人民解放军海军军医大学第二附属医院，
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。