技术特征：
1.一种面向ct影像的肿瘤分割方法，其特征在于，包括以下步骤：s1、获取ct肿瘤图像数据集：先将每个3d数据分成若干个2d数据，对2d数据进行弱标注，并对所有的图像进行预处理，之后将ct肿瘤图像数据集划分为训练集和带有真实标签的测试集；s2、边缘提取：采用基于多尺度卷积的边缘检测网络模型，从2d数据中提取图像边缘；s3、自适应泛红填充生成伪标签：通过提取的边缘、检测框的位置，基于自适应泛洪填充和自适应梯度选取，获得弱监督标签；s4、训练分割模型：采用cnn和transformer的混合模型，并使用近似边缘解码器来细化结构，首先利用弱监督标签进行第一轮训练，经过三种损失函数的联合损失函数进行修正结果；之后将修正结果作为第二轮训练的标签，训练得到最终的分割模型；s5、将实际待分割的ct肿瘤图像预处理后输入分割模型，输出得到相应的分割结果。2.根据权利要求1所述的一种面向ct影像的肿瘤分割方法，其特征在于，所述步骤s1中对2d数据进行弱标注的具体过程为：在2d数据上针对病灶区域，使用标注软件在数据上点两个点，用于分别指明此区域存在以及不存在肿瘤，以获得相应的json文件。3.根据权利要求1所述的一种面向ct影像的肿瘤分割方法，其特征在于，所述预处理的具体过程为：将图像调整成统一的352
×
352尺寸，并作标准化处理。4.根据权利要求2所述的一种面向ct影像的肿瘤分割方法，其特征在于，所述步骤s2具体是将预处理后的2d数据输入多尺度边缘检测网络模型，输出得到边缘特征图。5.根据权利要求4所述的一种面向ct影像的肿瘤分割方法，其特征在于，所述步骤s3的具体过程为：将边缘特征图、json文件作为输入，采用自适应泛洪填充来获得伪标签，其中，泛洪半径设置为：式中，i为输入图像，r(i)为输入图像i对应的掩码半径，h
i
和w
i
分别为输入图像的长度和宽度，γ为设定的超参数；此外，标注的ground truth为：式中，s
b
和分别为背景像素和第i个标记的肿瘤对象的位置坐标；用于泛洪填充的圆掩模的集合定义为：式中，c为使用下角标变量作为中心、使用上角标变量作为半径的圆；之后结合边缘特征图，将图像分成多个连通的区域：式中，f(i)为泛洪填充后获得的连通区域，e(i)为边缘特征图，e(
·
)表示边缘检测器，i为输入图像。
6.根据权利要求1所述的一种面向ct影像的肿瘤分割方法，其特征在于，所述步骤s4中cnn和transformer的混合模型包括embedding部分、encoder部分和decoder部分，其中，embedding部分使用resnet来抽取3个stage的特征图，再基于transformer进行patch_embedding；encoder部分包括12个attention encode block，每个block都依照vision transformer的设定，即attention模块和mlp模块；decoder部分由两个组件组成，一个vit解码器和一个近似边缘检测器。7.根据权利要求6所述的一种面向ct影像的肿瘤分割方法，其特征在于，所述vit解码器包括四个级联卷积层，每层都有批处理归一化(bn)层、relu激活层和上采样层，以编码器部分的特征输出作为输入，并将各层解码器的相应特征表示为d＝{d
i
|i＝1,2,3,4}。8.根据权利要求7所述的一种面向ct影像的肿瘤分割方法，其特征在于，所述近似边缘检测器的输出为：f
e
＝σ(cat(r3,d2))其中，σ代表一个3
×
3的卷积层，该卷积层包括bn和relu层。9.根据权利要求4所述的一种面向ct影像的肿瘤分割方法，其特征在于，所述步骤s4中训练过程具体为：第一轮训练使用弱监督标签进行训练，训练的输入为：2d预处理之后的ct切片图像、预处理之后的边缘图像以及ct图像长宽对齐的弱标签图；模型训练采用sgd优化器，学习率根据训练epoch进行自适应衰减，每10个epoch进行一次衰减，衰减比率为0.1，并采用二元交叉熵损失、局部交叉熵损失和门控crf损失，对于边缘解码器分支，使用二元交叉熵损失来约束e：其中，y为真实标签，e表示边缘图，r和c表示图像的行坐标和列坐标，而解码器分支则使用局部交叉熵损失和门控crf损失，局部交叉熵损失设计的目的是让模型只关注确定区域而忽略不确定区域：其中，j表示标记区域，g表示ground truth，s表示预测的肿瘤图；门控crf损失为：其中，k
i
为像素i周围的k
×
k范围所覆盖的区域，d(i,j)定义为：d(i,j)＝|s
i-s
j
|其中，s
i
和s
j
为位置i和j处s的置信度值，|
·
|表示l1距离，f(i,j)为高斯核带宽滤波器：
其中，为归一化的权值，i(
·
)和pt(
·
)为像素的灰度值和像素的位置，σ
pt
和σ
i
为控制高斯核尺度的超参数，由此定义总损失函数为：l
final
＝α1l
bce
+α2l
pbce
+α3l
gcrf
其中，α1，α2，α3分别为二元交叉熵损失、局部交叉熵损失和门控crf损失对应的权重；第二轮训练使用第一轮训练生成的新的修正标签作为ground truth来监督模型，对其分割能力进行进一步优化，这种自监督的训练方式可以有效地增强模型对医疗影像语义的理解，提升肿瘤的分割精度，将第二轮训练后得到的模型作为最终的分割模型。10.一种面向ct影像的肿瘤分割系统，其特征在于，包括医学图像预处理模块、边缘检测模块、弱标签生成模块和cnn-vit混合分割模块，所述图像预处理模块用于对ct影像图像进行预处理，以及将医学图像数据集划分为测试集和训练集，将3d格式的数据转化为2d数据；所述边缘检测模块基于rcf网络模型，通过多尺度卷积，并结合设定的阈值参数来获取图像的边缘信息；所述弱标签生成模块采用点标注作为监督信号输入，在边缘图像上通过自适应泛洪填充算法得到弱标签；所述cnn-vit混合分割模块采用混合embedding模式，并将边缘加入解码器，设置三种损失函数组合进行第一轮训练，再使用第一轮生成的标签作为新的监督训练第二轮得到最终的分割模型。
技术总结
本发明涉及一种面向CT影像的肿瘤分割方法及其系统，该方法包括：获取CT肿瘤图像数据集；采用基于多尺度卷积的边缘检测网络模型，从2D数据中提取图像边缘；通过提取的边缘、检测框的位置，基于自适应泛洪填充和自适应梯度选取，获得弱监督标签；采用CNN和Transformer的混合模型，并使用近似边缘解码器，首先利用弱监督标签进行第一轮训练，经过联合损失函数进行修正结果；之后将修正结果作为第二轮训练的标签，训练得到最终的分割模型；将实际待分割的CT肿瘤图像预处理后输入分割模型，输出得到相应的分割结果。与现有技术相比，本发明能够高效准确生成标签后进行模型训练，从而解决全监督标注所产生的费时费力问题，提高分割任务的效率及准确性。务的效率及准确性。务的效率及准确性。
技术研发人员：张文强 魏徐峻 郭倩宇 高述勇 周新宇
受保护的技术使用者：复旦大学义乌研究院
技术研发日：2022.11.09
技术公布日：2023/3/28