一种基于半监督学习的血管图像分割方法和装置与流程

本技术涉及医学图像处理，具体而言，涉及一种基于半监督学习的血管图像分割方法和装置。

背景技术：

1、在现代医学技术领域中，血管图像技术能够帮助医生了解病人的血管状态，血管造影技术对血管等管状物进行成像得到了广泛的应用。因此，一个高准确率的血管图像分割方法变得尤为重要。

2、经研究发现，由于血管钙化和血管壁的影响，在血管图像中冠状动脉血管的钙化区域与血管壁有相似的密度，这使得准确地分割血管变得困难。此外，血管壁的不规则形状和边缘模糊也增加了分割的挑战。并且，现有的基于深度学习的血管分割方法中，需要大量标记好的数据对网络进行训练，然而，血管管腔的标注需要耗费大量的人力和时间，并且要求标注者有着心血管解剖学的丰富的专业经验，如标注错误还会降低最终血管分割的准确性。因此，如何提高血管分割的效率和准确性成为了亟需解决的技术问题。

技术实现思路

1、有鉴于此，本技术的目的在于提供一种基于半监督学习的血管图像分割方法和装置，先对原始血管图像进行灰度拉伸，得到目标血管图像，以使血管图像的灰度的过度更加平滑，能够使血管和斑块的边缘过度平缓，再通过利用了大量有标签数据和无标签数据的特征进行训练的半监督血管分割模型进行准确高效的血管分割。在减少人工进行血管图像标注的情况下，提高了对于血管分割的效率和准确性。

2、第一方面，本技术实施例提供了一种基于半监督学习的血管图像分割方法，所述血管图像分割方法包括：

3、获取原始血管图像，并对所述原始血管图像进行灰度拉伸，以得到目标血管图像；

4、将所述目标血管图像输入到预先训练好的半监督血管分割模型中，得到所述目标血管图像对应的血管分割结果；其中，所述半监督血管分割模型包括教师模型和学生模型，所述半监督血管分割模型是通过有标签血管样本图像和无标签血管样本图像训练得到的。

5、进一步的，所述对所述原始血管图像进行灰度拉伸，以得到目标血管图像，包括：

6、基于所述原始血管图像中的最大灰度值和最小灰度值对所述原始血管图像进行灰度归一化处理，得到归一化后的原始血管图像；

7、基于所述归一化后的原始血管图像和余弦平滑阈值生成原始血管图像掩码图；

8、将所述原始血管图像掩码图与所述归一化后的原始血管图像进行像素相乘，以得到所述目标血管图像。

9、进一步的，通过以下步骤对所述半监督血管分割模型进行训练：

10、获取所述有标签血管样本图像和所述无标签血管样本图像；

11、将所述有标签血管样本图像和所述无标签血管样本图像交替输入到半监督原始血管分割模型中，对所述半监督原始血管分割模型进行迭代训练，以得到所述半监督血管分割模型。

12、进一步的，所述将所述有标签血管样本图像和所述无标签血管样本图像交替输入到半监督原始血管分割模型中，对所述半监督原始血管分割模型进行迭代训练，以得到所述半监督血管分割模型，包括：

13、确定当前训练轮次所使用的样本类型，并基于所述样本类型从所述有标签血管样本图像和所述无标签血管样本图像中随机选取训练数据，得到原始训练图像；其中，所述样本类型为有标签或无标签中的任意一种；

14、对所述原始训练图像进行图像增强，以得到目标训练图像；

15、将所述目标训练图像输入到所述半监督原始血管分割模型中，得到模型预测结果；其中，所述模型预测结果包括所述教师模型对应的预测结果和所述学生模型对应的预测结果；

16、基于所述模型预测结果计算当前状态下所述半监督原始血管分割模型的总损失函数；

17、基于所述总损失函数不断更新所述学生模型的权重和所述教师模型的权重，直至所述半监督原始血管分割模型达到收敛状态，得到所述半监督血管分割模型。

18、进一步的，所述对所述原始训练图像进行图像增强，以得到目标训练图像，包括：

19、基于所述原始训练图像中的最大灰度值和最小灰度值对所述原始训练图像进行灰度归一化处理，得到归一化后的原始训练图像；

20、基于所述归一化后的原始训练图像和余弦平滑阈值生成原始训练图像掩码图；

21、对所述原始训练图像掩码图进行高斯变换，以得到高斯变换后的原始训练图像掩码图；

22、将所述归一化后的原始训练图像与所述高斯变换后的原始训练图像掩码图进行像素相乘，以得到所述目标训练图像。

23、第二方面，本技术实施例还提供了一种基于半监督学习的血管图像分割装置，所述血管图像分割装置包括：

24、血管图像确定模块，用于获取原始血管图像，并对所述原始血管图像进行灰度拉伸，以得到目标血管图像；

25、血管图像分割模块，用于将所述目标血管图像输入到预先训练好的半监督血管分割模型中，得到所述目标血管图像对应的血管分割结果；其中，所述半监督血管分割模型包括教师模型和学生模型，所述半监督血管分割模型是通过有标签血管样本图像和无标签血管样本图像训练得到的。

26、进一步的，所述血管图像确定模块在用于对所述原始血管图像进行灰度拉伸，以得到目标血管图像时，所述血管图像确定模块还用于：

27、基于所述原始血管图像中的最大灰度值和最小灰度值对所述原始血管图像进行灰度归一化处理，得到归一化后的原始血管图像；

28、基于所述归一化后的原始血管图像和余弦平滑阈值生成原始血管图像掩码图；

29、将所述原始血管图像掩码图与所述归一化后的原始血管图像进行像素相乘，以得到所述目标血管图像。

30、进一步的，所述血管图像分割装置还包括模型训练模块，所述模型训练模块用于：

31、获取所述有标签血管样本图像和所述无标签血管样本图像；

32、将所述有标签血管样本图像和所述无标签血管样本图像交替输入到半监督原始血管分割模型中，对所述半监督原始血管分割模型进行迭代训练，以得到所述半监督血管分割模型。

33、第三方面，本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的基于半监督学习的血管图像分割方法的步骤。

34、第四方面，本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的基于半监督学习的血管图像分割方法的步骤。

35、本技术实施例所提供的一种基于半监督学习的血管图像分割方法和装置，首先，获取原始血管图像，并对所述原始血管图像进行灰度拉伸，以得到目标血管图像；然后，将所述目标血管图像输入到预先训练好的半监督血管分割模型中，得到所述目标血管图像对应的血管分割结果。

36、本技术充分考虑到ccta血管以及斑块的复杂多变情况，对血管管腔造成的影响，以及ccta标注的复杂性和宝贵性，提出了一种半监督学习的方法。先对原始血管图像进行灰度拉伸，得到目标血管图像，以使血管图像的灰度的过度更加平滑，能够使血管和斑块的边缘过度平缓，再通过利用了大量有标签数据和无标签数据的特征进行训练的半监督血管分割模型进行准确高效的血管分割。在减少人工进行血管图像标注的情况下，提高了对于血管分割的效率和准确性。

37、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。