本發明涉及數字圖像處理，具體涉及一種類內區域動態解耦的醫學圖像分割方法。

背景技術：

1、從計算機斷層掃描（ct）中精準地分割血管是診斷和治療各類疾病的重要前提。與其它形狀單一、結構簡單的器官不同，血管有著復雜的樹狀結構，因而完整且精確的血管標簽難以獲得。半監督醫學圖像分割作為一種低標注數據需求的方法極大地緩解了神經網絡對標注數據的依賴。然而，血管主支與外周微小血管在體素數量、分支數量及形態結構上存在巨大的類內差異。這種嚴重的類內分布不平衡問題阻礙了半監督方法的在血管分割中的實際應用。因此，值得去研究設計一種通用的半監督醫學圖像分割方法。

2、現有的部分類內區域動態解耦方法使用傳統的圖像處理技術，基于圖像的灰度值對圖像進行簡單的分割，而在處理復雜的血管結構時，由于血管的結構往往復雜多變，且存在個體差異，傳統的圖像處理技術可能會出現難以準確識別和區分不同區域的情況。

3、綜上所述，現有的部分類內區域動態解耦方法使用傳統的圖像處理技術，可能會出現難以準確識別并難以區分不同區域的情況，因此有必要提出一種類內區域動態解耦的醫學圖像分割方法。

技術實現思路

1、為解決上述問題，本發明提供一種類內區域動態解耦的醫學圖像分割方法，通過類內區域解耦，將血管圖像分為困難子區域和容易子區域。通過對不同區域采取不同優化方式引導模型學習不同的類內特征，緩解類內不平衡問題。通過動態閾值模塊精確解耦類內不同區域，并在訓練時為圖像生成可學習的閾值。

2、為了實現上述目的，本發明的技術方案如下：一種類內區域動態解耦的醫學圖像分割方法，包括以下步驟：

3、s1，數據集預處理：通過互聯網收集數據集圖像，對所有數據集圖像的體素強度進行截斷和歸一化，并對其進行數據增強，得到增強數據，同時將包含待分割血管的圖像進行邊界框的劃分。

4、s2，建立三分支基線分割網絡：以u型網絡作為分割的基線網絡，建立若干學生模型和教師模型，并將學生模型和教師模型組合為學生——學生模型和教師——學生模型，所有學生模型和教師模型均為具有相同架構但初始化擾動不同的3d?u-net網絡。

5、s3，解耦類內區域：將增強數據分為有標簽數據和無標簽數據，并將血管類別解耦為困難子區域和容易子區域，對困難子區域和容易子區域施加不同的約束。

6、s4，構建動態閾值模塊：構建動態閾值模塊，并通過動態閾值模塊對不同困難子區域和容易子區域進行精準解耦。

7、s5，建立約束優化網絡：所有學生模型對不同的困難子區域和容易子區域進行表征學習，并通過教師模型對所有學生模型進行一致性約束。

8、s6，訓練半監督血管分割網絡：通過損失函數對有標簽數據和無標簽數據進行利用，訓練半監督血管分割網絡。

9、s7，分割目標：輸入待測試圖片，由半監督血管分割網絡對待測試圖片進行測試，完成血管區域的分割。

10、進一步，s1中，將包含待分割血管的最小邊界框作為學生模型感興趣區域的范圍。

11、進一步，s1中，數據增強方法采用隨機水平翻轉、垂直翻轉和隨機-90度到90度旋轉中的一種或多種。

12、進一步，s2中，教師模型是學生模型平均值的自集成，由指數平均移動得到。

13、進一步，s2中，學生模型的表達式如下：

14、（1）

15、（2）

16、教師模型的表達式如下：（3）

17、其中，為模型參數，和均為學生模型，為教師模型。

18、進一步，s3中，無標簽數據包括學生模型生成的概率圖和帶噪偽標簽。

19、進行解耦操作時，將其中一個學生模型的預測概率圖和另一個學生模型的帶噪偽標簽送入動態閾值模塊得到第一動態閾值；當另一個學生模型生成的概率圖的體素的一致性程度大于第一動態閾值時，認為該學生模型在該區域達成一致性，此時該學生模型所在的區域為容易子區域。

20、利用學生——學生模型的預測一致性得到血管圖像的容易子區域，并將容易子區域的信息存儲在置信圖中，該過程的具體公式如下：

21、（4）

22、（5）

23、其中，為指示函數，為動態閾值模塊，和是其中一個學生模型生成的概率圖和帶噪偽標簽，和是另一個學生模型生成的概率圖和帶噪偽標簽，為每個類別的第一動態閾值，為區域置信圖，為學生模型之間的一致性程度。

24、進一步，s3中，進行解耦操作時，將教師模型的概率圖和所有學生模型的帶噪偽標簽的平均值送入動態閾值模塊得到第二動態閾值，如果教師模型的體素的一致性程度小于第二動態閾值，則認為在此處存在歧義，為困難子區域。

25、利用教師——學生模型的預測不確定性得到血管圖像的困難子區域，并將困難子區域的信息存儲在不確定性圖中，該過程的具體公式如下：

26、（6）

27、（7）

28、（8）

29、其中，為教師模型的概率圖，為與的平均值，為每個類別的第二動態閾值，為不確定性圖，為教師模型的一致性程度。

30、進一步，s4中，在進行精準解耦操作時，首先將偽標簽覆蓋到概率圖上并找出概率圖中各類別在偽標簽中對應類別的體素，最后，分別計算每個類別的閾值，具體公式如下：（9）

31、（10）

32、其中，為指示函數，m表示mask，表示帶噪偽標簽，表示概率圖，表示閾值。

33、進一步，s5中，對于容易子區域，不同學生模型之間進行偽標簽交叉監督，偽標簽交叉監督損失定義公式如下：

34、（11）

35、（12）

36、（13）

37、其中，為dice損失，和分別為和生成的偽標簽，和分別為和生成的概率圖，為數據集中數據的總數量，為有標簽數據的數量，為學生模型的帶噪偽標簽的容易區域置信圖。

38、對于困難子區域，引入教師模型對一致性損失進行計算，教師模型的參數由指數移動平均更新，具體公式如下：

39、（14）

40、其中，為當前訓練的迭代次數，和為控制指數移動平均更新的超參數。

41、一致性損失的公式具體如下：

42、（15）

43、其中，是平方損失函數，為無標簽數據，和均為學生模型的模型參數，為教師模型的模型參數。

44、進一步，s6中，損失函數包括監督損失和無監督損失，損失函數的具體公式如下：

45、（16）

46、其中，表示監督損失，表示無監督損失，是用于平衡監督損失和無監督損失的平衡參數。

47、監督損失的具體公式如下：

48、（17）

49、其中，是交叉熵損失和dice損失的線性組合，為有標簽數據，為有標簽數據的標簽。

50、無監督損失包括學生模型之間的偽標簽交叉監督損失和教師——學生模型之間的一致性損失，具體公式如下：

51、（18）

52、其中，表示偽標簽交叉監督損失，表示一致性損失。

53、采用上述方案有以下有益效果：

54、1、本方案，作為一種通用的醫學圖像分割方法，能夠實現多種醫學圖像的準確分割。通過類內區域解耦，將血管圖像分離為困難子區域和容易子區域。通過對不同區域采取不同的優化方式來引導模型學習不同的類內特征，從而緩解嚴重的類內不平衡問題。通過基于置信學習的動態閾值模塊，精確解耦類內不同區域，動態閾值模塊在訓練過程中為圖像生成自適應可學習的閾值。

55、2、本方案，通過限定學生模型感興趣區域的范圍為包含待分割血管的最小邊界框，使得學生模型會著重處理這部分圖像數據，從而顯著減少了需要重點處理的數據量，從而降低了計算復雜度，從而加快了圖像處理的速度。

56、3、本方案，通過隨機旋轉和翻轉圖像，可以模擬不同角度和方向的觀察情況，從而增加了數據的多樣性。這種多樣性有助于教師模型和學生模型學習到更加全面的特征，提高教師模型和學生模型的泛化能力。同時，隨機旋轉和翻轉等操作可以迫使教師模型和學生模型學習更加魯棒的特征表示，這些特征在不同變換下仍然能夠保持一致性，這有助于提高教師模型和學生模型在測試集上的性能。

57、4、本方案，通過整合多個訓練步驟中的學生模型參數，教師模型能夠捕捉到更廣泛的特征表示，由于這些特征表示在不同數據集和測試集上都具有較好的泛化能力，因此，教師模型能夠更好地應對未見過的數據，提高教師模型的泛化性能。

58、5、本方案，通過將學生模型和教師模型結合，并利用動態閾值模塊對血管類別進行困難子區域和容易子區域的解耦，該方法能夠更精準地識別和處理圖像中的復雜區域。這種細粒度的處理策略使得分割結果更加準確。

59、本發明的附加方面和優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發明的實踐了解到。