一种基于异常检测的小样本医学图像分割方法

本技术涉及医学，尤其是一种基于异常检测的小样本医学图像分割方法。

背景技术：

1、在医疗场景中，不管是诊断还是治疗都较为依赖对医学图像的解析，目前对于医学图像的图像解析主要依赖于医生的人为经验，效率较低。随着人工智能和机器学习的发展，工业领域的自动化图像分割方法已经较为成熟，如果能将图像分割方法引入医学图像的分割场景，则对于自动化解析医学图像有较大的帮助，也有利于推动智慧医疗发展。

2、但是医学图像相比于其他工业图像有更高的复杂性和多样性，人体组织器官的大小、形状和位置本身就因人而异，且不同类型的医学图像也是不同的，比如ct扫描图像、mri图像、x射线图像等特征各不相同，呈现出多种不同密度和结构的组织和器官。另外相比于一般图像，医学图像中前景对象和背景之间的不平衡比例通常更为明显。而且基于人工智能和机器学习的图像分割大多依赖于充足的数据样本，但是医学图像的数据稀缺。上述这些问题都导致目前很难实现对医学图像的自动化图像分割、图像分割的效果也都不理想。

技术实现思路

1、本技术针对上述问题及技术需求，提出了一种基于异常检测的小样本医学图像分割方法，本技术的技术方案如下：

2、一种基于异常检测的小样本医学图像分割方法，该小样本医学图像分割方法包括：

3、基于医学图像公开数据集构建支持集和查询集，支持集中包括若干个支持切片图像，查询集中包括若干个查询切片图像，支持切片图像和查询切片图像中的每个切片图像均为医学图像且分别带有对应的超像素标签；

4、搭建图像分割模型，图像分割模型包括特征提取模块、原型提取模块和异常检测模块；

5、将支持集和查询集输入图像分割模型进行模型训练：利用特征提取模块对输入的支持切片图像提取支持特征，利用原型提取模块基于支持切片图像的支持特征及对应的超像素标签提取得到各个前景类别的前景原型，每个前景类别对应于一种医学组织；利用特征提取模块对输入的查询切片图像提取查询特征，利用异常检测模块基于查询特征和各个前景类别的前景原型进行异常检测得到查询切片图像的分割结果；根据查询切片图像的分割结果及对应的超像素标签计算得到损失函数，按照损失函数反向训练图像分割模型；

6、将待分割医学图像输入训练完成的图像分割模型中，利用特征提取模块对待分割医学图像提取待分割特征，利用异常检测模块基于待分割特征和各个前景类别的前景原型进行异常检测得到待分割医学图像的分割结果。

7、其进一步的技术方案为，得到各个前景类别的前景原型包括：

8、利用特征提取模块对输入的支持切片图像进行多尺度特征提取，得到支持切片图像的多个不同尺度的支持特征；

9、利用原型提取模块基于支持切片图像的每一个尺度的支持特征及支持切片图像的超像素标签提取得到各个前景类别在当前尺度下的候选原型；

10、将每个前景类别在多个尺度下的候选原型进行融合，得到前景类别的前景原型。

11、其进一步的技术方案为，得到任意前景类别ci在当前尺度m下的候选原型包括：

12、对于输入的支持集中的任意一张支持切片图像，按照根据支持切片图像计算得到前景类别ci在当前尺度m下的候选原型其中，表示支持切片图像在当前尺度m下的支持特征中像素点(x，y)处的像素值，当根据支持切片图像对应的超像素标签确定像素点(x，y)处的超像素标签属于前景类别ci时，i[ms(x，y)＝ci]＝1，否则i[ms(x，y)＝ci]＝0，支持切片图像包含w×h个像素点；

13、对根据支持集中所有支持切片图像分别计算得到的前景类别ci在当前尺度m下的候选原型进行加权平均，得到前景类别ci在当前尺度m下的候选原型

14、其进一步的技术方案为，将每个前景类别在多个尺度下的候选原型进行融合，得到任意前景类别ci的前景原型其中，是前景类别ci在尺度m下的候选原型，αm是尺度m对应的平衡因子，αm∈(0，1)且整数参数m≥2。

15、其进一步的技术方案为，利用异常检测模块基于查询特征和各个前景类别的前景原型进行异常检测得到查询切片图像的分割结果包括：

16、根据任意前景类别ci的前景原型对查询特征进行异常检测，确定查询特征中每个像素点相对于前景类别ci的异常分数；

17、根据查询特征中任意像素点(x，y)相对于前景类别ci的异常分数确定像素点(x，y)属于前景类别ci的预测概率并确定像素点(x，y)属于其中预测概率最大的前景类别且对应的前景预测概率背景预测概率为得到查询切片图像的分割结果。

18、其进一步的技术方案为，按照余弦相似度计算查询特征中像素点(x，y)相对于前景类别ci的异常分数其中，fq(x，y)是查询特征中像素点(x，y)处的像素值，|| ||表示求模，μ为取值为正的比例因子，当查询特征与前景原型相同时异常分数取得最小值为当查询特征与前景原型相反时异常分数取得最大值为

19、其进一步的技术方案为，确定任意像素点(x，y)属于前景类别ci的前景概率其中，t是异常分数阈值，σ()是陡度参数为0.5的sigmoid函数，当时得到的前景概率当时得到的前景概率

20、其进一步的技术方案为，根据查询切片图像的分割结果及对应的超像素标签计算得到损失函数ls为：

21、

22、其中，是查询切片图像对应的超像素标签中像素点(x，y)属于背景的概率，是查询切片图像对应的超像素标签中像素点(x，y)属于对应前景类别的概率，查询切片图像包含w×h个像素点。

23、其进一步的技术方案为，利用特征提取模块对输入的查询切片图像提取查询特征包括：

24、利用特征提取模块对输入的查询切片图像进行多尺度特征提取，并对提取到的各个尺度的特征图进行融合得到查询特征是对查询切片图像提取到的尺度n的特征图，βn是尺度n对应的平衡因子，βn∈(0，1)且整数参数n≥2。

25、其进一步的技术方案为，基于医学图像公开数据集构建支持集和查询集包括：

26、从医学图像公开数据集中选取若干医学公开图像构成初始数据集；

27、去除初始数据集中处于数据直方图的亮端的若干医学公开图像，完成数据初筛；

28、对完成数据初筛的初始数据集中的医学公开图像进行切片并重新采样到相同的空间分辨率，并对每个切片沿通道维度重复三次，得到若干个切片图像；

29、采用超像素聚类的方法为每个切片图像生成对应的超像素标签，构建得到样本数据集；

30、将样本数据集划分为支持集和查询集。

31、本技术的有益技术效果是：

32、本技术公开了一种基于异常检测的小样本医学图像分割方法，该方法引入异常检测模块使得网络模型能够更好地适应医学图像的特殊性，从而更好地应对不同器官、不同密度和不同结构的医学图像分割问题，能够有效克服小样本医学图像分割的挑战，为医学图像分割领域带来了一种具有潜力的解决方案，能够有效提高小样本医学图像分割的性能和可靠性。

33、该方法还进一步引入基于空间注意力的特征金字塔结构来获取多尺度的图像特征，旨在提高医学图像数据集的有效利用率，能够进一步提高模型的准确性和稳定性。

34、通过将专业算法代码和步骤封装到系统中，使得本技术的方法可以为医生提供了一个便捷的工具，无需繁琐的操作，即可迅速进行医学图像分析。与其他小样本医学分割算法相比，例如基于轴向注意力机制、特征金字塔或异常检测的算法，本技术的预测结果更加准确，有利于提高医生的工作效率，为临床诊断和医学研究提供了更可靠的支持。这一创新有望成为医学图像分析领域的重要突破，为医疗领域的实践和研究提供了有力的工具。