本發(fā)明涉及計算機視覺技術(shù)及圖像處理領(lǐng)域，具體涉及半監(jiān)督學(xué)習(xí)與邊界增強的醫(yī)學(xué)圖像腫瘤分割。

背景技術(shù)：

1、腫瘤是由于細胞不受控制地增殖而形成的腫塊。惡性腫瘤傾向于浸潤性生長，并與周圍正常組織形成彌漫性過度薄弱邊界，這是臨床實踐中確定良性腫瘤和惡性腫瘤的重要依據(jù)。對彌漫性弱邊界進行分割有助于臨床醫(yī)生抑制腫瘤的整體生長和擴散。磁共振成像(mri)可提供人體內(nèi)部結(jié)構(gòu)的高分辨率和多對比度醫(yī)學(xué)圖像，從而為臨床醫(yī)生提供有關(guān)腫瘤的更準確信息。然而惡性腫瘤具有不同的形狀、擴散邊緣以及前景和背景之間的低對比度差異，這使得傳統(tǒng)的半監(jiān)督醫(yī)學(xué)圖像分割模型難以精確識別腫瘤區(qū)域。除此之外師生傳統(tǒng)的教師學(xué)生半監(jiān)督模型嚴重依賴教師模型提供的高級語義標簽，這種方法無法充分利用數(shù)據(jù)，并且難以將教師模型本身多次迭代積累的知識轉(zhuǎn)移到學(xué)生模型中。

2、為了解決上述問題，本發(fā)明采用基于教師知識積累的邊界增強半監(jiān)督腫瘤分割網(wǎng)絡(luò)來進行腫瘤分割。同時，本發(fā)明采用邊界區(qū)域分割(br)和符號距離場(sdf)預(yù)測兩個輔助任務(wù)，引導(dǎo)模塊同時關(guān)注腫瘤邊界位置信息和結(jié)構(gòu)信息。腫瘤分割領(lǐng)域目前已提出許多算法，主要分為：基于不確定性、基于邊界結(jié)構(gòu)感知以及基于樣本平衡的方法。zou等人提出了一種用于腦腫瘤的端到端可信醫(yī)學(xué)圖像分割模型tbrats用于量化體素級的不確定性。使用主觀邏輯理論對不確定性進行了明確建模，通過將分割的類別概率參數(shù)化為狄利克雷分布，將骨干神經(jīng)網(wǎng)絡(luò)的預(yù)測視為主觀意見。liu等人提出了邊界感知一致隱藏表征學(xué)習(xí)網(wǎng)絡(luò)，兩個分支共享相同的編碼器，并各自擁有獨立的解碼器，通過對高層隱藏特征表示進行擾動來實現(xiàn)一致性的同時，還引入了邊界感知圖，以捕捉器官邊界。you等人提出了提出了兩種損失加權(quán)策略，即分布感知去偏加權(quán)(distdw)和難度感知去偏加權(quán)(diffdw)，利用偽標簽動態(tài)指導(dǎo)模型解決數(shù)據(jù)分布和學(xué)習(xí)難度偏差。

3、此外，本發(fā)明設(shè)計了一個基于傳統(tǒng)邊界提取操作的邊界特征增強模塊，它允許教師學(xué)生模型與底層語義進行交互，并利用教師模型的積累知識來增強學(xué)生模型的中間特征?，F(xiàn)有的半監(jiān)督學(xué)習(xí)的工作主要分為：基于偽標簽、基于一致性約束以及基于先驗知識學(xué)習(xí)。lee等人的工作提出，具有較高置信度的偽標簽通常更接近真實標簽的分布。因此，提出了許多不確定度量方法來生成更穩(wěn)定的偽標簽。hu等人提出了注意力引導(dǎo)的一致性，鼓勵學(xué)生模型和教師模型的注意力圖保持一致。每個圖像都包含相同的類對象，因此不同圖像之間在特征空間中共享相似的語義。huang等人從代理任務(wù)中加入了重建預(yù)訓(xùn)練策略，以提取有意義的信息促進下一階段的學(xué)習(xí)。yang等人在半監(jiān)督訓(xùn)練過程中引入了自監(jiān)督的拼圖任務(wù)，以獲得更好的特征表示。以上研究者都基于傳統(tǒng)教師模型進行半監(jiān)督模型的設(shè)計，證明了教師模型在半監(jiān)督學(xué)習(xí)中的潛力。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于邊界增強的半監(jiān)督醫(yī)學(xué)圖像腫瘤分割方法。通過設(shè)計半監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)模型與多尺度上邊界增強模塊，增強腫瘤圖像的弱邊界信息，同時引入了多任務(wù)學(xué)習(xí)，通過設(shè)計了邊界區(qū)域分割任務(wù)與距離場預(yù)測任務(wù)加強對邊界結(jié)構(gòu)及細粒度位置的識別能力，有效的解決了現(xiàn)有算法中存在的彌漫性邊界及邊界內(nèi)外對比度低導(dǎo)致的難以識別問題。

2、為了實現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：本文方法首先基于傳統(tǒng)教師學(xué)生模型設(shè)計半監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)，同時設(shè)計了基于8方位邊界提取的邊界增強模塊。在不同的尺度上對醫(yī)學(xué)圖像的前景邊界特征學(xué)習(xí)進行增強。我們將醫(yī)學(xué)圖像輸入至半監(jiān)督網(wǎng)絡(luò)模型中，提取邊界增強后的腫瘤特征，通過邊界區(qū)域分割任務(wù)和距離場預(yù)測任務(wù)約束特征的邊界表達能力。最后，將增強后的腫瘤特征引用跨任務(wù)、交叉?zhèn)伪O(jiān)督進行約束，最后解碼為原始圖像大小并計算分割圖。

3、一種基于邊界增強的半監(jiān)督醫(yī)學(xué)圖像腫瘤分割方法，包括以下步驟：

4、步驟1，訓(xùn)練數(shù)據(jù)前景腫瘤特征獲取。

5、步驟1.1，輸入訓(xùn)練圖像。

6、步驟1.2，圖像經(jīng)過教師-學(xué)生半監(jiān)督骨干模型獲取多尺度圖像特征。

7、步驟2，邊界信息增強。

8、步驟2.1，獲取編碼階段不同尺度上的教師-學(xué)生腫瘤圖像特征。

9、步驟2.2，對同一層級的教師-學(xué)生特征進行融合。

10、步驟2.3，對融合后的特征采用8方位邊界特征提取方法提取邊界信息，計算注意力分數(shù)。

11、步驟2.4，采用計算后的注意力分數(shù)指導(dǎo)教師邊界特征疊加到學(xué)生模型的中間特征，從而增強學(xué)生模型特征的邊界信息。

12、步驟3，邊界任務(wù)約束。

13、步驟3.1，將增強后的多尺度腫瘤特征送去邊界任務(wù)模塊。

14、步驟3.2，應(yīng)用邊界區(qū)域分割任務(wù)對腫瘤邊界部分進行分割，應(yīng)用距離場預(yù)測任務(wù)計算每個像素到前景區(qū)域的最小距離。

15、步驟3.2，將預(yù)測的得到的邊界區(qū)域分割圖與距離場計算圖與真實的分割圖與計算圖，以及教師模型推理出的分割圖與計算圖進行對比約束模型。

16、步驟4，待分割圖像。

17、步驟4.1，將待分割圖像輸入至訓(xùn)練好的網(wǎng)絡(luò)模型中獲取腫瘤邊界增強后的圖像特征。

18、步驟4.2，將輸出的圖像特征進行上采樣處理，得到原圖大小的分割圖作為分割結(jié)果。

19、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下明顯優(yōu)勢：

20、本發(fā)明在編碼端使用所提出的特征增強模塊來增強多個級別的邊界特征，通過引入了八方向sobel算子來提取教師模型中間特征的邊緣信息，有效的緩解了腫瘤圖像的邊界特征模糊，對比度低等問題。本發(fā)明設(shè)計了邊界任務(wù)，包括額外的邊界區(qū)域分割任務(wù)和距離預(yù)測任務(wù)，以進一步增強邊界增強能力，有效的緩解了因腫瘤結(jié)構(gòu)復(fù)雜，形狀多變導(dǎo)致的識別精度差等問題。通過上述提出的兩種方法的有效結(jié)合，提高了邊界特征提取質(zhì)量以及模型對于腫瘤的分割精度。

技術(shù)特征：

1.一種基于邊界增強的半監(jiān)督醫(yī)學(xué)圖像腫瘤分割方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于邊界增強的半監(jiān)督醫(yī)學(xué)圖像腫瘤分割方法，其特征在于，步驟2.1-步驟2.4中，所述的獲取邊界信息增強后的中間特征：從brats2020數(shù)據(jù)集與kvasir-seg數(shù)據(jù)中隨機抽取圖像作為訓(xùn)練集，對于一張待分割的圖像，通過多層的編碼器獲得不同尺度的中間特征，將每一尺度的特征分別送入edgeformer中，采用sobel算子提取輪廓信息計算注意力分數(shù)，指導(dǎo)教師模型的中間特征邊界信息與學(xué)生模型的中間特征進行融合。

3.根據(jù)權(quán)利要求1所述的基于邊界增強的半監(jiān)督醫(yī)學(xué)圖像腫瘤分割方法，其特征在于，步驟3.2-步驟3.3中，所述的構(gòu)建邊界任務(wù)約束邊界特征：從brats2020數(shù)據(jù)集與kvasir-seg數(shù)據(jù)中隨機抽取圖像作為訓(xùn)練集，獲取不同尺度上的增強后的特征，上采樣為同一尺度進行融合，分別采用距離場預(yù)測任務(wù)和邊界區(qū)域分割任務(wù)約束邊界的區(qū)域與結(jié)構(gòu)信息，使得模型在分割結(jié)果上更注重邊界區(qū)域。

技術(shù)總結(jié)
本發(fā)明公開了一種基于邊界增強的半監(jiān)督醫(yī)學(xué)圖像腫瘤分割方法，該方法在編碼端使用所提出的特征增強模塊來增強多個級別的邊界特征，有效的緩解了腫瘤圖像的邊界特征模糊，對比度低等問題。本發(fā)明設(shè)計了基于八方向sobel算子的邊界增強模塊Edgeformer來提取教師模型中間特征的邊緣信息，作為增強學(xué)生模型邊界特征的基礎(chǔ)。本發(fā)明設(shè)計了邊界任務(wù)，包括額外的邊界區(qū)域分割任務(wù)和距離預(yù)測任務(wù)，以進一步增強邊界增強能力，有效的緩解了因腫瘤結(jié)構(gòu)復(fù)雜，形狀多變導(dǎo)致的識別精度差等問題。通過上述提出的兩種方法的有效結(jié)合，提高了邊界特征提取質(zhì)量以及模型對于腫瘤的分割精度。

技術(shù)研發(fā)人員：賈熹濱,鄭依鳴,尹訓(xùn)潔
受保護的技術(shù)使用者：北京工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15