【技術實現步驟摘要】
本申請涉及醫學，尤其是一種基于異常檢測的小樣本醫學圖像分割方法。
技術介紹
1、在醫療場景中，不管是診斷還是治療都較為依賴對醫學圖像的解析，目前對于醫學圖像的圖像解析主要依賴于醫生的人為經驗，效率較低。隨著人工智能和機器學習的發展，工業領域的自動化圖像分割方法已經較為成熟，如果能將圖像分割方法引入醫學圖像的分割場景，則對于自動化解析醫學圖像有較大的幫助，也有利于推動智慧醫療發展。
2、但是醫學圖像相比于其他工業圖像有更高的復雜性和多樣性，人體組織器官的大小、形狀和位置本身就因人而異，且不同類型的醫學圖像也是不同的，比如ct掃描圖像、mri圖像、x射線圖像等特征各不相同，呈現出多種不同密度和結構的組織和器官。另外相比于一般圖像，醫學圖像中前景對象和背景之間的不平衡比例通常更為明顯。而且基于人工智能和機器學習的圖像分割大多依賴于充足的數據樣本，但是醫學圖像的數據稀缺。上述這些問題都導致目前很難實現對醫學圖像的自動化圖像分割、圖像分割的效果也都不理想。
技術實現思路
1、本申請針對上述問題及技術需求，提出了一種基于異常檢測的小樣本醫學圖像分割方法，本申請的技術方案如下：
2、一種基于異常檢測的小樣本醫學圖像分割方法，該小樣本醫學圖像分割方法包括：
3、基于醫學圖像公開數據集構建支持集和查詢集，支持集中包括若干個支持切片圖像，查詢集中包括若干個查詢切片圖像，支持切片圖像和查詢切片圖像中的每個切片圖像均為醫學圖像且分別帶有對應的超像素標簽；
4
5、將支持集和查詢集輸入圖像分割模型進行模型訓練：利用特征提取模塊對輸入的支持切片圖像提取支持特征，利用原型提取模塊基于支持切片圖像的支持特征及對應的超像素標簽提取得到各個前景類別的前景原型，每個前景類別對應于一種醫學組織；利用特征提取模塊對輸入的查詢切片圖像提取查詢特征，利用異常檢測模塊基于查詢特征和各個前景類別的前景原型進行異常檢測得到查詢切片圖像的分割結果；根據查詢切片圖像的分割結果及對應的超像素標簽計算得到損失函數，按照損失函數反向訓練圖像分割模型；
6、將待分割醫學圖像輸入訓練完成的圖像分割模型中，利用特征提取模塊對待分割醫學圖像提取待分割特征，利用異常檢測模塊基于待分割特征和各個前景類別的前景原型進行異常檢測得到待分割醫學圖像的分割結果。
7、其進一步的技術方案為，得到各個前景類別的前景原型包括：
8、利用特征提取模塊對輸入的支持切片圖像進行多尺度特征提取，得到支持切片圖像的多個不同尺度的支持特征；
9、利用原型提取模塊基于支持切片圖像的每一個尺度的支持特征及支持切片圖像的超像素標簽提取得到各個前景類別在當前尺度下的候選原型；
10、將每個前景類別在多個尺度下的候選原型進行融合，得到前景類別的前景原型。
11、其進一步的技術方案為，得到任意前景類別ci在當前尺度m下的候選原型包括：
12、對于輸入的支持集中的任意一張支持切片圖像，按照根據支持切片圖像計算得到前景類別ci在當前尺度m下的候選原型其中，表示支持切片圖像在當前尺度m下的支持特征中像素點(x，y)處的像素值，當根據支持切片圖像對應的超像素標簽確定像素點(x，y)處的超像素標簽屬于前景類別ci時，i[ms(x，y)＝ci]＝1，否則i[ms(x，y)＝ci]＝0，支持切片圖像包含w×h個像素點；
13、對根據支持集中所有支持切片圖像分別計算得到的前景類別ci在當前尺度m下的候選原型進行加權平均，得到前景類別ci在當前尺度m下的候選原型
14、其進一步的技術方案為，將每個前景類別在多個尺度下的候選原型進行融合，得到任意前景類別ci的前景原型其中，是前景類別ci在尺度m下的候選原型，αm是尺度m對應的平衡因子，αm∈(0，1)且整數參數m≥2。
15、其進一步的技術方案為，利用異常檢測模塊基于查詢特征和各個前景類別的前景原型進行異常檢測得到查詢切片圖像的分割結果包括：
16、根據任意前景類別ci的前景原型對查詢特征進行異常檢測，確定查詢特征中每個像素點相對于前景類別ci的異常分數；
17、根據查詢特征中任意像素點(x，y)相對于前景類別ci的異常分數確定像素點(x，y)屬于前景類別ci的預測概率并確定像素點(x，y)屬于其中預測概率最大的前景類別且對應的前景預測概率背景預測概率為得到查詢切片圖像的分割結果。
18、其進一步的技術方案為，按照余弦相似度計算查詢特征中像素點(x，y)相對于前景類別ci的異常分數其中，fq(x，y)是查詢特征中像素點(x，y)處的像素值，||?||表示求模，μ為取值為正的比例因子，當查詢特征與前景原型相同時異常分數取得最小值為當查詢特征與前景原型相反時異常分數取得最大值為
19、其進一步的技術方案為，確定任意像素點(x，y)屬于前景類別ci的前景概率其中，t是異常分數閾值，σ()是陡度參數為0.5的sigmoid函數，當時得到的前景概率當時得到的前景概率
20、其進一步的技術方案為，根據查詢切片圖像的分割結果及對應的超像素標簽計算得到損失函數ls為：
21、
22、其中，是查詢切片圖像對應的超像素標簽中像素點(x，y)屬于背景的概率，是查詢切片圖像對應的超像素標簽中像素點(x，y)屬于對應前景類別的概率，查詢切片圖像包含w×h個像素點。
23、其進一步的技術方案為，利用特征提取模塊對輸入的查詢切片圖像提取查詢特征包括：
24、利用特征提取模塊對輸入的查詢切片圖像進行多尺度特征提取，并對提取到的各個尺度的特征圖進行融合得到查詢特征是對查詢切片圖像提取到的尺度n的特征圖，βn是尺度n對應的平衡因子，βn∈(0，1)且整數參數n≥2。
25、其進一步的技術方案為，基于醫學圖像公開數據集構建支持集和查詢集包括：
26、從醫學圖像公開數據集中選取若干醫學公開圖像構成初始數據集；
27、去除初始數據集中處于數據直方圖的亮端的若干醫學公開圖像，完成數據初篩；
28、對完成數據初篩的初始數據集中的醫學公開圖像進行切片并重新采樣到相同的空間分辨率，并對每個切片沿通道維度重復三次，得到若干個切片圖像；
29、采用超像素聚類的方法為每個切片圖像生成對應的超像素標簽，構建得到樣本數據集；
30、將樣本數據集劃分為支持集和查詢集。
31、本申請的有益技術效果是：
32、本申請公開了一種基于異常檢測的小樣本醫學圖像分割方法，該方法引入異常檢測模塊使得網絡模型能夠更好地適應醫學圖像的特殊性，從而更好地應對不同器官、不同密度和不同結構的醫學圖像分割問題，能夠有效克服小樣本醫學圖像分割的挑戰，為醫學圖像分割領域帶來了一種具有潛力的解決方案，能夠有效提高小樣本醫學圖像本文檔來自技高網...
【技術保護點】
1.一種基于異常檢測的小樣本醫學圖像分割方法，其特征在于，所述小樣本醫學圖像分割方法包括：
2.根據權利要求1所述的小樣本醫學圖像分割方法，其特征在于，得到各個前景類別的前景原型包括：
3.根據權利要求2所述的小樣本醫學圖像分割方法，其特征在于，得到任意前景類別Ci在當前尺度m下的候選原型包括：
4.根據權利要求2所述的小樣本醫學圖像分割方法，其特征在于，將每個前景類別在多個尺度下的候選原型進行融合，得到任意前景類別Ci的前景原型其中，是前景類別Ci在尺度m下的候選原型，αm是尺度m對應的平衡因子，αm∈(0，1)且整數參數m≥2。
5.根據權利要求1所述的小樣本醫學圖像分割方法，其特征在于，利用異常檢測模塊基于查詢特征和各個前景類別的前景原型進行異常檢測得到所述查詢切片圖像的分割結果包括：
6.根據權利要求5所述的小樣本醫學圖像分割方法，其特征在于，按照余弦相似度計算所述查詢特征中像素點(x，y)相對于前景類別Ci的異常分數其中，Fq(x，y)是查詢特征中像素點(x，y)處的像素值，||?||表示求模，μ為取值為正的比
7.根據權利要求6所述的小樣本醫學圖像分割方法，其特征在于，確定任意像素點(x，y)屬于前景類別Ci的前景概率其中，T是異常分數閾值，σ()是陡度參數為0.5的Sigmoid函數，當時得到的前景概率當時得到的前景概率
8.根據權利要求5所述的小樣本醫學圖像分割方法，其特征在于，根據查詢切片圖像的分割結果及對應的超像素標簽計算得到損失函數Ls為：
9.根據權利要求1所述的小樣本醫學圖像分割方法，其特征在于，利用特征提取模塊對輸入的查詢切片圖像提取查詢特征包括：
10.根據權利要求1所述的小樣本醫學圖像分割方法，其特征在于，基于醫學圖像公開數據集構建支持集和查詢集包括：
...【技術特征摘要】
1.一種基于異常檢測的小樣本醫學圖像分割方法，其特征在于，所述小樣本醫學圖像分割方法包括：
2.根據權利要求1所述的小樣本醫學圖像分割方法，其特征在于，得到各個前景類別的前景原型包括：
3.根據權利要求2所述的小樣本醫學圖像分割方法，其特征在于，得到任意前景類別ci在當前尺度m下的候選原型包括：
4.根據權利要求2所述的小樣本醫學圖像分割方法，其特征在于，將每個前景類別在多個尺度下的候選原型進行融合，得到任意前景類別ci的前景原型其中，是前景類別ci在尺度m下的候選原型，αm是尺度m對應的平衡因子，αm∈(0，1)且整數參數m≥2。
5.根據權利要求1所述的小樣本醫學圖像分割方法，其特征在于，利用異常檢測模塊基于查詢特征和各個前景類別的前景原型進行異常檢測得到所述查詢切片圖像的分割結果包括：
6.根據權利要求5所述的小樣本醫學圖像分割方法，其特征在于，按照余弦相似度計算所述查詢特征中像素...
【專利技術屬性】
技術研發人員：錢鵬江，衛廣鵬，姚健，蔣亦樟，張欣，顧逸，王士同，陳愛國，范超，
申請(專利權)人：江南大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。