基于提示学习的零样本脑病灶分割方法、系统、设备和介质

本发明涉及医学影像图像处理，特别涉及一种基于提示学习的零样本脑病灶分割方法、系统、设备和介质。

背景技术：

1、脑部病灶分割是一种基于医学影像数据的图像分割技术，旨在自动识别出脑部影像中的病灶(如肿瘤、卒中、出血等)，并将其从正常脑组织中分离出来。该技术对于精确诊断和治疗脑部疾病非常重要。

2、脑部病灶分割通常使用计算机图形学、机器学习、深度学习等技术来实现。其中，深度学习技术通常采用卷积神经网络(cnn)来训练模型，从而实现自动分割。在训练模型时，需要使用大量的医学影像数据进行训练，以提高模型的准确性和泛化能力。

3、脑部病灶分割技术可以帮助医生更快速地发现病灶、更准确地测量其大小、形状和位置，并且可以在治疗前后进行比较，以评估治疗效果。该技术已广泛应用于临床医疗中，成为脑部疾病诊断和治疗的重要工具之一。

4、有关脑部病灶分割的任务方法大多依赖于有监督学习，即需要大量的人工病灶标注作为模型训练的数据[1]。标注数据需要花费大量的时间成本，从而半监督[2]与自监督方法相继被提出，即可以充分利用大量的无标注数据作为辅助训练模型，但是仍然无法摆脱标注数据的依赖。一些无监督方法[4]也开始蓬勃发展，例如自编码器，例如autoencoder(ae)[4]和variational autoencoder(vae)[4]或者fanogan[5]等。但是这些方法都是基于自回归任务的模型，这些方法在训练阶段通过只学习重建健康的脑图像，让模型掌握健康图像的特征空间。在测试阶段当出入患有脑病灶的病人图像时，模型仍然会按照健康图像的特征学习重建出该患者的健康脑图，并通过输入的脑病灶图像与模型出处的重建“健康图像”计算差值，并通过阈值将差值图像转变为脑病灶的标注。这些方法能够完全摆脱对于标注数据的依赖，但是需要人为先验知识的干预，例如阈值的选取，切具有复杂的模型后处理过程；该后处理过程目的为了去除局部小连通区域的噪声，让分割结果更为圆滑，但是也不可避免地在一些小病灶处造成了分割遗漏的现象，对于脑病灶外的其他脑补病灶分割任务，尤其是带有弥散分布小病灶的任务来说具有很大的困难，表现欠佳。

5、由上述可知，现有技术存在以下缺陷：

6、1.传统的无监督脑病灶分割方法往往需要先验阈值来分割出病灶，这可能会导致分割结果不准确。

7、2.传统的无监督脑病灶分割方法通常需要进行复杂的后处理，如形态学操作等，这可能会降低算法的性能。

8、3.不具有良好的泛化能力，需要在不同的数据集上进行预测，需要进行微调或重新训练。

9、参考文献

10、[1]isensee f,jaeger p f,kohl s a a,et al.nnu-net:a self-configuringmethod for deep learning-based biomedical image segmentation[j].naturemethods,2021,18(2):203-211；

11、[2]cui w,liu y,li y,et al.semi-supervised brain lesion segmentationwith an adapted mean teacher model[c]//international conference oninformation processing in medical imaging.springer,cham,2019:554-565；

12、[3]zhang x,xie w,huang c,et al.self-supervised tumor segmentationthrough layer decomposition[j].arxiv preprint arxiv:2109.03230,2021；

13、[4]baur c,wiestler b,albarqouni s,et al.deep autoencoding models forunsupervised anomaly segmentation in brain mr images[c]//international miccaibrainlesion workshop.springer,cham,2018:161-169；

14、[5]schlegl t,p,waldstein s m,et al.f-anogan:fast unsupervisedanomaly detection with generative adversarial networks[j].medical imageanalysis,2019,54:30-44。

技术实现思路

1、本发明针对现有技术的缺陷，提供了一种基于提示学习的零样本脑病灶分割方法、系统、设备和介质。能够仅在使用无人工标注的数据上训练就能够完成脑补病灶分割任务，并且能够直接泛化到不同的数据集上也不需要微调再训练等操作。

2、为了实现以上发明目的，本发明采取的技术方案如下：

3、一种基于提示学习的零样本脑病灶分割方法，包括以下步骤：

4、s1：提示阶段，利用可获取的无病灶的健康核磁共振图像flair模态，然后根据医生对肿瘤与异常组织相比较而言的高低信号完成两种不同的提示方案，分别获取到验证集与训练集。

5、s2：学习阶段，根据设置不同的超参数，获得不同超参下的训练模型，具体地，零样本学习容易过拟合到训练数据的分布当中，而大的学习率(lr)在一定程度上可以有助于模型选择的过拟合问题，但是对于不同的数据集，超参数的选择与制定可能并不能很好的泛化，所以我们对不同超参数下训练得到模型进行集成。即设置不同学习率与训练代数组合模型。例如lr∈{0.1,0.01,0.001},训练代数epoch∈{10,20,50,100},其中验证集用于每个超参数组合下的模型选择。

6、s3：测试阶段，将得到的模型进行超参数集成从而获取最终用测试的模型，完成测试，得到最后的分割结果。

7、进一步地，s1具体如下：

8、给定没有肿瘤病灶的flair模态核磁共振图像集合其中xi表示第i张图像，n为图像的总数。对于每一个图像xi而言，去生成一个具有高信号或者低信号区域的合成图像x以及对应的标签y表示为如下：

9、x＝t(xi)⊙a+xi⊙(1-a)

10、

11、其中t(·)表示一种图像的灰度变换，a是一个范围在0到1内的加权图像。⊙代表像素级乘法。a是一个阈值，决定a与标签y之间的关系。

12、去模拟灰度高低的信息，经过模糊去降低对纹理的描述。t(·)表述为下所示：

13、t(xi)＝λblur(xi)

14、其中，λ用于控制高低信号的幅度分布范围。其0<λ<1时，信号置低，λ>1时信号置高。

15、进一步地，s1中对于肿瘤的形状即位置分布，首先生成一个频率为f的多面体，将一个二十面体的边缘细分f次，并将每个顶点投影到一个以原点为中心的单位半径的参数球上。而产生的肿瘤遮罩m需要全部分布在大脑当中。

16、进一步地，s2具体如下：

17、验证集修改了提示的细节，如式下：

18、t(xi)＝λxi

19、a＝m

20、a＝0

21、进一步地，s3中在nnu-net框架基础上，增大十倍学习率获取不同超参设置下的模型。并且将这些模型做集成得到最终的模型，用于在不用的测试集上测试。

22、本发明还公开了一种基于提示学习的零样本脑病灶分割系统，该系统能够用于实施上述的一种基于提示学习的零样本脑病灶分割方法，具体的，包括：提示模块、学习模块和测试模块；

23、提示模块，利用获取的无病灶的健康核磁共振图像flair模态，然后根据医生对肿瘤与异常组织相比较而言的高低信号完成两种不同的提示方案，分别获取到验证集与训练集。

24、学习模块，根据设置不同的超参数，获得不同超参下的训练模型，其中验证集用于模型选择。

25、测试模块，将得到的模型进行超参数集成从而获取最终用测试的模型，完成测试，得到最后的分割结果。

26、本发明还公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述一种基于提示学习的零样本脑病灶分割方法。

27、本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述一种基于提示学习的零样本脑病灶分割方法。

28、与现有技术相比，本发明的优点在于：

29、1.分割精度提高：本方法相较于传统医学图像无监督分割方法，在脑病灶分割任务上具有更高的准确率和召回率，dice指标在较性能最优的对照组相比dice在brats2021数据集与btflair数据集上分别提升了45.3％和59.8％；

30、2.效率提高：本方法无需人工标注数据，可以在不需要脑病灶图像的情况下，仅仅利用健康人的图像进行模型训练，从而大大提高了病灶分割的效率；

31、3.降低劳动强度：本方法不需要医生手动标注脑病灶图像，从而可以免去专业医生花费半天左右时间标注每张图像的劳动强度，减少了对人力财力的需求强度。