本发明涉及图像处理,尤其涉及一种基于自监督学习的脑血管分割方法及相关设备。
背景技术:
1、脑血管分割是基于医学影像的图像分析技术,旨在从头部影像数据中准确地分割出脑血管的轮廓。脑血管分割在脑血管疾病的诊断、治疗、脑功能研究等领域都具有重要的应用价值。
2、近年来,基于深度模型,例如卷积神经网络(convolutional neural networks,cnn),全卷积神经网络(u-net),transformer神经网络及其改进的,血管分割方法逐渐用于脑血管分割。
3、但是,现有脑血管分割方法需要大量的高质量标注数据。获取高质量标注数据需要耗费专业医生大量的时间与精力,成本高昂,且存在大量的主观差异,数据规模较小。因此,导致现有脑血管分割方法的分割精度不高。
技术实现思路
1、本发明提供一种基于自监督学习的脑血管分割方法及相关设备,用以解决现有技术中分割精度不高的缺陷,实现精确分割脑血管。
2、本发明提供一种基于自监督学习的脑血管分割方法,包括:
3、获取待分割的脑血管图像;
4、将所述待分割的脑血管图像输入脑血管分割模型,获取脑血管分割图像;
5、其中,所述脑血管分割模型通过以下方式获取:
6、基于血管重建和血管对比学习两种自监督任务对脑血管分割模型中的编码器进行预训练;所述血管重建任务和血管对比学习任务是基于无标注的脑血管图像构建的;
7、基于所述预训练的参数对所述脑血管分割模型中的编码器进行初始化,并基于有标注的脑血管图像对所述脑血管分割模型进行训练,得到所述脑血管分割模型。
8、在一些实施例中,所述基于血管重建和血管对比学习两种自监督任务对脑血管分割模型中的编码器进行预训练,包括:
9、对所述脑血管图像进行随机血管掩盖,并基于所述编码器和解码器对掩盖血管进行重建,获取重建损失;
10、将锚样本、正样本和负样本输入所述编码器和线性层后进行对比,获取对比损失;所述锚样本为随机选取的脑血管图像,所述正样本为所述随机选取的脑血管图像对应的增广图像,所述负样本为除所述随机选取的脑血管图像之外的其他脑血管图像;
11、基于所述重建损失和所述对比损失对所述编码器进行预训练。
12、在一些实施例中,所述对所述脑血管图像进行随机血管掩盖,包括:
13、对所述脑血管图像进行血管增强,得到血管增强图像;
14、对所述血管增强图像进行随机选取,得到血管概率图像;
15、根据随机掩盖区域对所述血管概率图像进行掩盖;所述随机掩盖区域包含血管区域。
16、在一些实施例中,在所述根据随机掩盖区域对所述血管概率图像进行掩盖之前,包括:
17、对所述血管概率图像进行二值化和骨架化处理,获取血管中心线;
18、以所述血管中心线上随机选取的种子点为中心,以预设长度为半径,获取所述随机掩盖区域。
19、在一些实施例中,所述将锚样本、正样本和负样本输入所述编码器和线性层后进行对比,获取对比损失,包括:
20、将所述锚样本、所述正样本和所述负样本输入所述编码器和所述线性层,获取所述锚样本对应的嵌入向量、所述正样本对应的嵌入向量和所述负样本对应的嵌入向量;
21、将所述锚样本对应的嵌入向量与所述正样本对应的嵌入向量进行对比,获取正样本对的余弦相似性;
22、将所述锚样本对应的嵌入向量与所述负样本对应的嵌入向量进行对比,获取负样本对的余弦相似性;
23、基于所述正样本对的余弦相似性和所述负样本对的余弦相似性,获取所述对比损失。
24、在一些实施例中,在所述对所述脑血管图像进行随机血管掩盖之前,还包括:
25、获取原始血管造影图像;
26、对所述原始血管造影图像进行去颅骨和偏置场校正操作,获取所述脑血管图像。
27、在一些实施例中,所述血管重建任务对应的损失函数由l1损失函数和多尺度结构相似性损失函数组成。
28、本发明还提供一种基于自监督学习的脑血管分割装置,包括:
29、第一获取模块,用于获取待分割的脑血管图像;
30、第二获取模块,用于将所述待分割的脑血管图像输入脑血管分割模型,获取脑血管分割图像;
31、其中,所述脑血管分割模型通过以下方式获取:
32、基于血管重建和血管对比学习两种自监督任务对脑血管分割模型中的编码器进行预训练;所述血管重建任务和血管对比学习任务是基于无标注的脑血管图像构建的;
33、基于所述预训练的参数对所述脑血管分割模型中的编码器进行初始化,并基于有标注的脑血管图像对所述脑血管分割模型进行训练,得到所述脑血管分割模型。
34、本发明还提供一种电子设备,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计算机程序时实现如上述任一种所述基于自监督学习的脑血管分割方法。
35、本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于自监督学习的脑血管分割方法。
36、本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于自监督学习的脑血管分割方法。
37、本发明提供的基于自监督学习的脑血管分割方法及相关设备,一方面,采用自监督预训练方式,充分利用大量无标注的脑血管图像的内在表示信息,缓解有标注的脑血管图像不足的问题;另一方面,血管重建任务引导多任务自监督模型充分学习脑血管的几何形态特征和灰度特征,血管对比学习任务使得多任务自监督模型能够更好地提取血管的特征表达,为脑血管分割模型提供具有强大的特征捕捉能力和表达能力的编码器,以提高脑血管分割精度。
1.一种基于自监督学习的脑血管分割方法,其特征在于,包括:
2.根据权利要求1所述的基于自监督学习的脑血管分割方法,其特征在于,所述基于血管重建和血管对比学习两种自监督任务对脑血管分割模型中的编码器进行预训练,包括:
3.根据权利要求2所述的基于自监督学习的脑血管分割方法,其特征在于,所述对所述脑血管图像进行随机血管掩盖,包括:
4.根据权利要求3所述的基于自监督学习的脑血管分割方法,其特征在于,在所述根据随机掩盖区域对所述血管概率图像进行掩盖之前,包括:
5.根据权利要求2所述的基于自监督学习的脑血管分割方法,其特征在于,所述将锚样本、正样本和负样本输入所述编码器和线性层后进行对比,获取对比损失,包括:
6.根据权利要求2所述的基于自监督学习的脑血管分割方法,其特征在于,在所述对所述脑血管图像进行随机血管掩盖之前,还包括:
7.根据权利要求1所述的基于自监督学习的脑血管分割方法,其特征在于,所述血管重建任务对应的损失函数由l1损失函数和多尺度结构相似性损失函数组成。
8.一种基于自监督学习的脑血管分割装置,其特征在于,包括:第一获取模块,用于获取待分割的脑血管图像;
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于自监督学习的脑血管分割方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于自监督学习的脑血管分割方法。