本发明属于图像分割,尤其涉及一种基于深度学习联盟训练的医疗图像分割方法及系统。
背景技术:
1、医疗图像分割是一项重要的任务,它可以帮助医生诊断病情,量化病变区域,规划手术和疗程规划。但是,由于医学图像的复杂性和多变性,医疗图像分割任务仍然面临着许多挑战。
2、传统的基于人工智能尤其是深度学习技术在医疗图像分割模型训练中通常需要大量的高质量标注数据进行端到端(end to end)训练。医疗影像数据往往受到器械病患情况,法律准则限制,同时大量标注数据的获取成本非常高,极大限制了深度学习技术在医疗影像中的应用。
技术实现思路
1、本发明提供一种基于深度学习联盟训练的医疗图像分割方法及系统,用于解决需要大量的高质量标注数据对医疗图像分割模型进行训练的技术问题。
2、第一方面,本发明提供一种基于深度学习联盟训练的医疗图像分割方法,包括:
3、基于自注意力机制构建图像分割模型,其中,所述图像分割模型包括第一神经网络视觉模型和第二神经网络视觉模型,所述第一神经网络视觉模型和所述第二神经网络视觉模型中均包含u型编码器-解码器架构;
4、获取医疗图像样本数据集,基于所述医疗图像样本数据集对所述图像分割模型进行训练,得到目标图像分割模型,其中,所述医学图像数据中包含对医疗图像进行高质量标注的第一子样本数据集l、对医疗图像进行稀疏标注的第二子样本数据集s以及未对医疗图像进行标注的第三子样本数据集u,所述目标图像分割模型的损失函数loss为:
5、loss=lossprecise-1+lossprecise-2+losslimit-1+losslimit-2+lossimprecise-1+lossimprecise-2,
6、式中,lossprecise-1为第一神经网络视觉模型在第一子样本数据集l上的第一精准损失函数,lossprecise-2为第二神经网络视觉模型在第一子样本数据集l上的第二精准损失函数,losslimit-1为第一神经网络视觉模型在第二子样本数据集s上的第一稀疏损失函数,losslimit-2为第二神经网络视觉模型在第二子样本数据集s上的第二稀疏损失函数,lossimprecise-1为第一神经网络视觉模型在第三子样本数据集u上的第一涂鸦损失函数,lossimprecise-2为第二神经网络视觉模型在第三子样本数据集u上的第二涂鸦损失函数;
7、将实时的医疗图像输入至所述目标图像分割模型中,得到模型预测结果,其中,所述模型预测结果包括目标区域以及目标区域类别。
8、第二方面,本发明提供一种基于深度学习联盟训练的医疗图像分割方法,包括:
9、构建模块,配置为基于自注意力机制构建图像分割模型,其中,所述图像分割模型包括第一神经网络视觉模型和第二神经网络视觉模型,所述第一神经网络视觉模型和所述第二神经网络视觉模型中均包含u型编码器-解码器架构;
10、训练模块,配置为获取医疗图像样本数据集,基于所述医疗图像样本数据集对所述图像分割模型进行训练,得到目标图像分割模型,其中,所述医学图像数据中包含对医疗图像进行高质量标注的第一子样本数据集l、对医疗图像进行稀疏标注的第二子样本数据集s以及未对医疗图像进行标注的第三子样本数据集u,所述目标图像分割模型的损失函数loss为:
11、loss=lossprecise-1+lossprecise-2+losslimit-1+losslimit-2+lossimprecise-1+lossimprecise-2,
12、式中,lossprecise-1为第一神经网络视觉模型在第一子样本数据集l上的第一精准损失函数,lossprecise-2为第二神经网络视觉模型在第一子样本数据集l上的第二精准损失函数,losslimit-1为第一神经网络视觉模型在第二子样本数据集s上的第一稀疏损失函数,losslimit-2为第二神经网络视觉模型在第二子样本数据集s上的第二稀疏损失函数,lossimprecise-1为第一神经网络视觉模型在第三子样本数据集u上的第一涂鸦损失函数,lossimprecise-2为第二神经网络视觉模型在第三子样本数据集u上的第二涂鸦损失函数;
13、预测模块,配置为将实时的医疗图像输入至所述目标图像分割模型中,得到模型预测结果,其中,所述模型预测结果包括目标区域以及目标区域类别。
14、第三方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的基于深度学习联盟训练的医疗图像分割方法的步骤。
15、第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行本发明任一实施例的基于深度学习联盟训练的医疗图像分割方法的步骤。
16、本申请的一种基于深度学习联盟训练的医疗图像分割方法及系统,提出使用基于自注意力机制的改进型vision transformer医学图像分割模型,并且采用联盟监督训练方法,结合监督,半监督和弱监督训练的联盟监督训练优势,达到同时利用少量高质量标注数据,少量低质量标注数据以及大量未标注的数据和进行训练,从而降低标注数据的成本,提高模型的泛化能力,更加贴合医疗影像实际,且相比较传统方法,此训练方法可以更加充分地使神经网络学习特征。
1.一种基于深度学习联盟训练的医疗图像分割方法,其特征在于,包括:
2.根据权利要求1所述的一种基于深度学习联盟训练的医疗图像分割方法,其特征在于,所述获取医疗图像样本数据集,基于所述医疗图像样本数据集对所述图像分割模型进行训练,得到目标图像分割模型包括:
3.根据权利要求2所述的一种基于深度学习联盟训练的医疗图像分割方法,其特征在于,在根据所述第一精准损失函数和所述第二精准损失函数分别对所述第一神经网络视觉模型的第一模型参数θ1和所述第二神经网络视觉模型的第二模型参数θ2进行优化之后,所述方法还包括:
4.根据权利要求3所述的一种基于深度学习联盟训练的医疗图像分割方法,其特征在于,在根据所述第一稀疏损失函数和所述第二稀疏损失函数分别对优化后的第一神经网络视觉模型的第一模型参数θ1和第二神经网络视觉模型的第二模型参数θ2进行更新之后,所述方法还包括:
5.根据权利要求1所述的一种基于深度学习联盟训练的医疗图像分割方法,其特征在于,所述医疗图像样本数据集包括医学图像数据库中的二维图像样本数据集或三维图像样本数据集。
6.根据权利要求1所述的一种基于深度学习联盟训练的医疗图像分割方法,其特征在于,所述医疗图像为核磁共振图像、超声波图像、ct图像、胃肠镜图像、或x射线图像。
7.一种基于深度学习联盟训练的医疗图像分割方法,其特征在于,包括:
8.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至6任一项所述的方法。