本發(fā)明涉及圖像處理，尤其是指一種三維醫(yī)學(xué)圖像分割方法。

背景技術(shù)：

1、圖像分割是計(jì)算機(jī)視覺(jué)和圖像處理領(lǐng)域的重要研究方向，其目標(biāo)是將圖像劃分為若干互不重疊的連通區(qū)域，并提取感興趣區(qū)域（roi）。在醫(yī)學(xué)圖像分割領(lǐng)域，三維醫(yī)學(xué)圖像的分割在臨床診斷和治療規(guī)劃中發(fā)揮著至關(guān)重要的作用。然而，深度學(xué)習(xí)模型通常依賴大量高質(zhì)量的標(biāo)注數(shù)據(jù)，而醫(yī)學(xué)圖像的標(biāo)注過(guò)程成本高昂且耗時(shí)費(fèi)力，嚴(yán)重制約了其在實(shí)際應(yīng)用中的推廣。

2、近年來(lái)，半監(jiān)督學(xué)習(xí)方法成為研究熱點(diǎn)，其核心思想在于通過(guò)有效利用未標(biāo)注數(shù)據(jù)提高模型的泛化能力，緩解標(biāo)注數(shù)據(jù)稀缺的問(wèn)題。然而，現(xiàn)有的半監(jiān)督分割方法在邊緣模糊、結(jié)構(gòu)復(fù)雜的情況下，偽標(biāo)簽噪聲易集中于邊緣區(qū)域，導(dǎo)致局部誤分割甚至整體形態(tài)失真，影響模型在臨床應(yīng)用中的可靠性。此外，醫(yī)學(xué)圖像分割面臨的另一個(gè)重要挑戰(zhàn)是類別不平衡問(wèn)題。由于醫(yī)學(xué)圖像中小類別樣本數(shù)量通常較少，模型容易傾向于預(yù)測(cè)大類別，進(jìn)而導(dǎo)致性能下降。這些小類別的器官常常體積較小且樣本稀缺，進(jìn)一步增加了模型訓(xùn)練的難度。

3、綜上所述，由于模型依賴樣本數(shù)據(jù)進(jìn)行訓(xùn)練，而在樣本邊緣模糊、結(jié)果復(fù)雜以及小類別樣本數(shù)量少的情況下，現(xiàn)有的三維醫(yī)學(xué)圖像分割，存在分割邊緣模糊、分割精度低的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、為此，本發(fā)明所要解決的技術(shù)問(wèn)題在于克服現(xiàn)有技術(shù)中在面對(duì)三維醫(yī)學(xué)圖像樣本邊緣模糊以及樣本類別不均衡時(shí)，分割精度低的問(wèn)題。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種三維醫(yī)學(xué)圖像分割方法，包括：

3、獲取包括標(biāo)注樣本與未標(biāo)注樣本的三維醫(yī)學(xué)圖像樣本集；

4、將所有樣本分別輸入雙網(wǎng)絡(luò)分割模型并行的兩個(gè)子網(wǎng)絡(luò)中，獲取每個(gè)樣本的兩個(gè)預(yù)測(cè)分割概率圖，并基于未標(biāo)注樣本的未歸一化分類得分，計(jì)算未標(biāo)注樣本的軟偽標(biāo)簽；子網(wǎng)絡(luò)基于v-net網(wǎng)絡(luò)構(gòu)建；

5、利用距離回歸頭與雙曲正切函數(shù)，基于所有樣本經(jīng)過(guò)每個(gè)子網(wǎng)絡(luò)的解碼器輸出的解碼特征圖，獲取每個(gè)樣本的兩個(gè)預(yù)測(cè)符號(hào)距離場(chǎng)；

6、對(duì)于每個(gè)標(biāo)注樣本：計(jì)算每個(gè)預(yù)測(cè)分割概率圖與真實(shí)標(biāo)簽的交叉熵?fù)p失函數(shù)，得到分割損失；計(jì)算每個(gè)預(yù)測(cè)符號(hào)距離場(chǎng)與真實(shí)符號(hào)距離函數(shù)的符號(hào)距離函數(shù)損失，得到回歸損失；將分割損失與回歸損失相加，得到標(biāo)注樣本的監(jiān)督損失；

7、對(duì)于每個(gè)未標(biāo)注樣本：計(jì)算每個(gè)預(yù)測(cè)分割概率圖與軟偽標(biāo)簽的交叉熵?fù)p失與dice損失的平均值，得到偽標(biāo)簽一致性損失；計(jì)算兩個(gè)預(yù)測(cè)符號(hào)距離場(chǎng)之間的符號(hào)距離函數(shù)損失，得到符號(hào)距離一致性損失；將偽標(biāo)簽一致性損失與符號(hào)距離一致性損失相加，得到未標(biāo)注樣本的一致性損失；

8、基于標(biāo)注樣本的監(jiān)督損失與未標(biāo)注樣本的一致性損失，得到總損失函數(shù)，對(duì)雙網(wǎng)絡(luò)分割模型中每個(gè)子網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

9、利用訓(xùn)練好的雙網(wǎng)絡(luò)分割模型獲取輸入的待分割三維醫(yī)學(xué)圖像的分割結(jié)果。

10、優(yōu)選地，樣本的預(yù)測(cè)符號(hào)距離場(chǎng)，表示為：

11、；

12、其中，表示類樣本經(jīng)過(guò)子網(wǎng)絡(luò)后的預(yù)測(cè)符號(hào)距離場(chǎng)；子網(wǎng)絡(luò)標(biāo)識(shí)，a與b分別表示雙網(wǎng)絡(luò)分割模型并行的兩個(gè)子網(wǎng)絡(luò)；樣本標(biāo)注情況標(biāo)識(shí)，當(dāng)時(shí)為標(biāo)注樣本，時(shí)為未標(biāo)注樣本；為雙曲正切函數(shù)，表示輸出通道為1的距離回歸頭；表示類樣本經(jīng)過(guò)子網(wǎng)絡(luò)的解碼器輸出的解碼特征圖。

13、優(yōu)選地，計(jì)算標(biāo)注樣本的監(jiān)督損失，包括：

14、計(jì)算標(biāo)注樣本在每個(gè)子網(wǎng)絡(luò)中的預(yù)測(cè)分割概率圖與其對(duì)應(yīng)的真實(shí)標(biāo)簽的交叉熵?fù)p失函數(shù)，得到分割損失，表示為：；

15、計(jì)算標(biāo)注樣本在每個(gè)子網(wǎng)絡(luò)中的預(yù)測(cè)符號(hào)距離場(chǎng)與真實(shí)符號(hào)距離函數(shù)的符號(hào)距離函數(shù)損失，得到回歸損失，表示為：；

16、將分割損失與回歸損失相加，得到標(biāo)注樣本的監(jiān)督損失，表示為：；

17、其中，與分別表示第一子網(wǎng)絡(luò)a與第二子網(wǎng)絡(luò)b的可學(xué)習(xí)加權(quán)因子；表示交叉熵?fù)p失，y表示標(biāo)注樣本的真實(shí)標(biāo)簽；與分別表示標(biāo)注樣本經(jīng)過(guò)第一子網(wǎng)絡(luò)a與第二子網(wǎng)絡(luò)b輸出的預(yù)測(cè)分割概率圖，計(jì)算公式為；為標(biāo)注樣本通過(guò)子網(wǎng)絡(luò)得到的解碼特征圖中所有體素的未歸一化分類得分，表示為：，表示1×1×1的三維卷積層，表示標(biāo)注樣本中第個(gè)類別對(duì)應(yīng)的分類得分，，表示樣本中器官總類別數(shù)；?表示softmax函數(shù)；表示指數(shù)函數(shù)；與分別表示標(biāo)注樣本經(jīng)過(guò)第一子網(wǎng)絡(luò)a與第二子網(wǎng)絡(luò)b輸出的預(yù)測(cè)符號(hào)距離場(chǎng)；表示符號(hào)距離函數(shù)損失，為l1損失與均方誤差損失的平均值；表示標(biāo)注樣本的真實(shí)符號(hào)距離函數(shù)，表達(dá)式為：，表示下確界，表示真實(shí)標(biāo)簽中的體素點(diǎn)，表示真實(shí)標(biāo)簽表面的體素點(diǎn)，表示體素點(diǎn)與之間的平方歐幾里得距離，、與分別表示真實(shí)標(biāo)簽外部區(qū)域、表面與內(nèi)部區(qū)域。

18、優(yōu)選地，計(jì)算未標(biāo)注樣本的一致性損失，包括：

19、計(jì)算未標(biāo)注樣本在每個(gè)子網(wǎng)絡(luò)中的預(yù)測(cè)分割概率圖與軟偽標(biāo)簽的交叉熵?fù)p失與dice損失的平均值，得到偽標(biāo)簽一致性損失，表示為：

20、；

21、計(jì)算未標(biāo)注樣本在每個(gè)子網(wǎng)絡(luò)中的預(yù)測(cè)符號(hào)距離場(chǎng)之間的符號(hào)距離函數(shù)損失，得到符號(hào)距離一致性損失，表示為：；

22、將偽標(biāo)簽一致性損失與符號(hào)距離一致性損失相加，得到未標(biāo)注樣本的一致性損失，表示為：；

23、其中，與分別表示未標(biāo)注樣本經(jīng)過(guò)第一子網(wǎng)絡(luò)a與第二子網(wǎng)絡(luò)b輸出的預(yù)測(cè)分割概率圖；表示分割損失，為交叉熵?fù)p失與dice損失的平均值；與分別表示未標(biāo)注樣本經(jīng)過(guò)第一子網(wǎng)絡(luò)a與第二子網(wǎng)絡(luò)b輸出的未歸一化分類得分對(duì)應(yīng)的軟偽標(biāo)簽；在子網(wǎng)絡(luò)中軟偽標(biāo)簽；表示預(yù)設(shè)軟偽標(biāo)簽平滑程度參數(shù)，表示未標(biāo)注樣本通過(guò)子網(wǎng)絡(luò)得到的解碼特征圖中所有體素的未歸一化分類得分，表示為：；表示未標(biāo)注樣本中第個(gè)類別對(duì)應(yīng)的未歸一化分類得分，，表示樣本中器官總類別數(shù)；與分別表示未標(biāo)注樣本經(jīng)過(guò)第一子網(wǎng)絡(luò)a與第二子網(wǎng)絡(luò)b輸出的預(yù)測(cè)符號(hào)距離場(chǎng)。

24、優(yōu)選地，基于標(biāo)注樣本的監(jiān)督損失與未標(biāo)注樣本的一致性損失，得到總損失函數(shù)，表示為：

25、；

26、其中，表示一致性損失權(quán)重，表達(dá)式為，表示當(dāng)前訓(xùn)練輪次，表示預(yù)設(shè)最大訓(xùn)練輪次。

27、優(yōu)選地，將訓(xùn)練好的雙網(wǎng)絡(luò)分割模型的兩個(gè)子網(wǎng)絡(luò)輸出的兩個(gè)預(yù)測(cè)分割概率圖進(jìn)行平均融合，獲取融合分割概率圖；對(duì)融合分割概率圖進(jìn)行argmax操作，得到預(yù)測(cè)分割標(biāo)簽；基于預(yù)測(cè)分割標(biāo)簽，獲取待分割三維醫(yī)學(xué)圖像的分割結(jié)果。

28、優(yōu)選地，將三維醫(yī)學(xué)圖像輸入基于v-net網(wǎng)絡(luò)的子網(wǎng)絡(luò)中，獲取樣本的預(yù)測(cè)分割概率圖，包括：

29、將三維醫(yī)學(xué)圖像樣本作為子網(wǎng)絡(luò)的編碼器的輸入；其中，子網(wǎng)絡(luò)標(biāo)識(shí)，a與b分別表示雙網(wǎng)絡(luò)分割模型并行的兩個(gè)子網(wǎng)絡(luò)；樣本標(biāo)注情況標(biāo)識(shí)，當(dāng)時(shí)為標(biāo)注樣本，時(shí)為未標(biāo)注樣本；經(jīng)過(guò)四個(gè)串聯(lián)的編碼層后，輸出編碼特征圖；在每個(gè)編碼層中，輸入特征圖依次經(jīng)過(guò)串聯(lián)的三維卷積塊與簡(jiǎn)單注意力模塊后輸出注意力卷積特征圖，經(jīng)過(guò)下采樣單元，輸出每個(gè)編碼層的輸出特征圖，表示為：；；表示子網(wǎng)絡(luò)的第層編碼層的輸出特征圖，；表示下采樣塊，包括步幅為2的三維卷積塊；表示子網(wǎng)絡(luò)的第層編碼層中經(jīng)過(guò)次經(jīng)過(guò)串聯(lián)的三維卷積塊與簡(jiǎn)單注意力模塊后輸出的注意力卷積特征圖；表示簡(jiǎn)單注意力模塊；表示編碼器中的三維卷積塊，包括依次串聯(lián)的多個(gè)卷積層、批歸一化層與relu激活層；

30、將編碼特征輸入瓶頸模塊，經(jīng)過(guò)串聯(lián)的三維卷積塊與簡(jiǎn)單注意力模塊，輸出全局特征圖；

31、將全局特征圖輸入解碼器中，經(jīng)過(guò)四個(gè)串聯(lián)的解碼層后，輸出解碼特征圖；

32、將解碼特征圖輸入輸出層的分割預(yù)測(cè)單元，輸出對(duì)應(yīng)的預(yù)測(cè)分割概率圖。

33、優(yōu)選地，將全局特征圖輸入解碼器中，經(jīng)過(guò)四個(gè)串聯(lián)的解碼層后，輸出解碼特征圖，包括：

34、在每個(gè)解碼層中，輸入特征圖經(jīng)過(guò)上采樣后與對(duì)應(yīng)編碼層的注意力卷積特征圖進(jìn)行跳躍連接，再經(jīng)過(guò)三維卷積塊后，輸出每個(gè)解碼層的輸出特征圖，表示為：；表示子網(wǎng)絡(luò)的第層解碼層的輸出特征圖，；表示解碼器中的三維卷積塊，包括依次串聯(lián)的多個(gè)卷積層、批歸一化層與relu激活層；表示上采樣塊，包括依次串聯(lián)的步幅為2的三維轉(zhuǎn)置卷積、批歸一化層與relu激活層；表示逐像素相加，表示子網(wǎng)絡(luò)的第層編碼層的注意力卷積特征圖；

35、將第二個(gè)解碼層的輸出特征圖經(jīng)過(guò)維度調(diào)節(jié)塊與距離回歸頭，得到預(yù)測(cè)符號(hào)距離圖后，利用預(yù)設(shè)邊緣敏感度參數(shù)調(diào)節(jié)，獲取邊緣增強(qiáng)特征圖；

36、將邊緣增強(qiáng)特征圖與最高層輸出特征圖融合，輸出解碼特征圖。

37、優(yōu)選地，解碼特征圖的獲取，包括：

38、計(jì)算第二層解碼層的輸出特征圖的預(yù)測(cè)符號(hào)距離圖，表示為：

39、；

40、基于預(yù)設(shè)邊緣敏感度參數(shù)與預(yù)測(cè)符號(hào)距離圖，獲取邊緣增強(qiáng)特征圖，表示為：；

41、基于解碼器的最高層輸出特征圖與邊緣增強(qiáng)特征圖，獲取解碼特征圖，表示為：；

42、其中，表示輸出通道為1的距離回歸頭，表示維度調(diào)節(jié)塊。

43、優(yōu)選地，將三維醫(yī)學(xué)圖像樣本輸入雙網(wǎng)絡(luò)分割模型中前，還包括對(duì)三維醫(yī)學(xué)圖像樣本進(jìn)行數(shù)據(jù)增強(qiáng)，包括：

44、對(duì)標(biāo)注樣本與未標(biāo)注樣本均進(jìn)行隨機(jī)裁剪與隨機(jī)翻轉(zhuǎn)，獲取對(duì)應(yīng)的標(biāo)注三維輸入樣本數(shù)據(jù)和未標(biāo)注三維輸入樣本數(shù)據(jù)；

45、基于每個(gè)標(biāo)注三維輸入樣本數(shù)據(jù)中所包含的小類別器官區(qū)域的區(qū)域體積，以及小類別器官集合中體積最小的類別的體積，計(jì)算小類別器官區(qū)域的體積權(quán)重；

46、基于小類別器官區(qū)域中體素點(diǎn)的位置，計(jì)算小類別器官區(qū)域的符號(hào)距離函數(shù)；表示下確界，表示三維輸入樣本數(shù)據(jù)中第層切片在位置處的體素點(diǎn)，表示小類別器官區(qū)域表面的體素點(diǎn)，表示體素點(diǎn)與之間的平方歐幾里得距離；、與分別表示在小類別器官區(qū)域的外部區(qū)域、表面與內(nèi)部區(qū)域；

47、基于小類別器官區(qū)域的體積權(quán)重與符號(hào)距離函數(shù)，以及擬合狄拉克函數(shù)，計(jì)算目標(biāo)器官區(qū)域的主動(dòng)輪廓形變場(chǎng)，表示為：；表示形變幅度控制參數(shù)，表示擬合狄拉克函數(shù)，表達(dá)式為，為正常數(shù)，為擬合狄拉克函數(shù)的計(jì)算變量；表示水平集的梯度，表示為；

48、基于三維高斯核函數(shù)與主動(dòng)輪廓形變場(chǎng)，計(jì)算平滑形變場(chǎng)；為三維高斯核函數(shù)，為標(biāo)準(zhǔn)差，為卷積運(yùn)算符號(hào)；

49、基于平滑形變場(chǎng)對(duì)標(biāo)注三維輸入樣本數(shù)據(jù)及其對(duì)應(yīng)的真實(shí)標(biāo)簽進(jìn)行平滑形變，獲取標(biāo)注樣本對(duì)應(yīng)的輸入樣本與增強(qiáng)后的真實(shí)標(biāo)簽，為逐元素乘法運(yùn)算符號(hào)。

50、本發(fā)明的上述技術(shù)方案相比現(xiàn)有技術(shù)具有以下有益效果：

51、本發(fā)明所述的三維醫(yī)學(xué)圖像分割方法，在訓(xùn)練雙網(wǎng)絡(luò)分割模型時(shí)，采用雙網(wǎng)絡(luò)協(xié)同訓(xùn)練框架，基于兩個(gè)子網(wǎng)絡(luò)輸出的預(yù)測(cè)分割概率圖、軟偽標(biāo)簽與預(yù)測(cè)符號(hào)距離場(chǎng)，計(jì)算標(biāo)注樣本的監(jiān)督損失與未標(biāo)注樣本的一致性損失進(jìn)行聯(lián)合優(yōu)化，實(shí)現(xiàn)了對(duì)標(biāo)注樣本和未標(biāo)注樣本的有效學(xué)習(xí)，從而在有限標(biāo)簽場(chǎng)景下獲得更強(qiáng)的泛化能力，進(jìn)一步優(yōu)化了模型對(duì)三維醫(yī)學(xué)圖像的分割性能。對(duì)于標(biāo)注樣本，利用交叉熵?fù)p失學(xué)習(xí)器官每個(gè)體素類別的分類，利用符號(hào)距離函數(shù)損失精準(zhǔn)學(xué)習(xí)目標(biāo)器官的幾何形狀，確?；A(chǔ)分割性能。對(duì)于無(wú)標(biāo)注數(shù)據(jù)，通過(guò)對(duì)兩個(gè)子網(wǎng)絡(luò)輸出的軟偽標(biāo)簽與預(yù)測(cè)分割概率圖，進(jìn)行交叉協(xié)同訓(xùn)練，相互監(jiān)督，避免單一模型的預(yù)測(cè)偏差；并通過(guò)符號(hào)距離函數(shù)一致性，強(qiáng)制幾何預(yù)測(cè)的協(xié)同性，提升分割邊緣穩(wěn)定性。

52、同時(shí)，本發(fā)明在編碼器部分引入了簡(jiǎn)單注意力模塊，并在解碼器部分融合了邊緣增強(qiáng)模塊操作。本發(fā)明通過(guò)簡(jiǎn)單注意力模塊對(duì)三維醫(yī)學(xué)圖像中體素級(jí)別的特征進(jìn)行注意力加權(quán)，增強(qiáng)了對(duì)關(guān)鍵區(qū)域的感知，且簡(jiǎn)單注意力模塊通過(guò)能量函數(shù)計(jì)算注意力權(quán)重，并不依賴額外參數(shù)，能夠在較低的計(jì)算成本下提高網(wǎng)絡(luò)對(duì)三維醫(yī)學(xué)圖像中關(guān)鍵區(qū)域的感知能力。本發(fā)明通過(guò)邊緣增強(qiáng)操作使網(wǎng)絡(luò)更關(guān)注邊緣區(qū)域，增強(qiáng)對(duì)弱邊緣區(qū)域的感知能力，從而提高弱邊緣醫(yī)學(xué)圖像的分割性能，進(jìn)一步提高分割精度。

53、本發(fā)明對(duì)三維醫(yī)學(xué)圖像進(jìn)行數(shù)據(jù)增強(qiáng)，提出主動(dòng)輪廓形變數(shù)據(jù)增強(qiáng)策略，通過(guò)水平集方法對(duì)標(biāo)注樣本和未標(biāo)注樣本中的小器官區(qū)域進(jìn)行形狀變換，以增強(qiáng)訓(xùn)練樣本的多樣性，從而緩解類別不平衡問(wèn)題，增強(qiáng)小類別器官的特征表征能力，增強(qiáng)模型的泛化能力和魯棒性，使得訓(xùn)練好的雙網(wǎng)絡(luò)分割模型能夠有更高的分割精度。