基于对比学习的CT影像自监督胰腺分割模型构建方法与流程

本技术涉及图像分割，具体地，涉及一种基于对比学习的ct影像自监督胰腺分割模型构建方法。

背景技术：

1、精确的ct影像胰腺器官分割技术是胰腺的病理诊断、疾病治疗和癌症放疗计划中的一项非常基本且重要的任务。准确分割的胰腺器官可以为医生的实际临床诊断提供许多有价值的信息，例如病患胰腺器官的大小、位置、边界状态、多器官的空间关系等等。此外，胰腺器官分割在后续的具体临床治疗过程中也发挥着不可替代的作用，特别是在以放疗为基础的癌症和肿瘤治疗中。对患病器官的精确分割可以有效地减轻对癌症区域附近的健康器官的潜在影响。在临床实践中，胰腺器官的准确分割通常由肿瘤学专家或放射科医师手动进行。然而，上述方式依赖于专业的医疗人员逐切片地手动进行细致的标注和仔细的核查，一例病患影像的手动分割过程往往需要耗费数个小时才能完成。因此，这是一个极为耗时且容易出错的过程。此外，由于不同检测设备的成像质量和不同病患胰腺的解剖结构之间的差异，对于经验尚浅的医师来说，快速、准确地手动分割大量病患的胰腺器官影像是一项十分具有挑战性的任务。

2、近年来，随着深度学习等技术的不断发展，基于深度网络的胰腺自动分割技术得到了广泛的关注。但是，胰腺的精确分割任务中存在着诸多难点问题。首先，胰腺体积较小，在整个腹部ct体积扫描中占比不足0.5％，具有严重的类别不均衡问题，难以在训练过程中提取到有效的特征；其次，胰腺存在着形状、方向和长径比等较大的形态学变化，难以通过一些低级别特征对其进行有效的分割；除此之外，胰腺周围大量的器官和丰富的软组织造成了较大的背景干扰，难以辨别其模糊的器官边界。目前，领域内主流的全监督学习方法的性能严重依赖于代价极为高昂的人工标注，因此，现有的方法往往受限于标注数据的规模，导致难以提取到足够的有效特征。

技术实现思路

1、为了克服现有技术中的至少一个不足，本技术提供一种基于对比学习的ct影像自监督胰腺分割模型构建方法。

2、第一方面，提供一种基于对比学习的ct影像自监督胰腺分割模型构建方法，包括：

3、基于原始训练数据集对编码器进行自监督预训练，得到训练后的编码器；原始训练数据集中的样本包括正常人的腹部增强ct影像切片和非正常人的腹部增强ct影像切片；

4、将训练后的编码器的参数迁移到编码器，基于标注数据集对编码器-解码器结构进行微调，得到微调后的编码器-解码器结构；标注数据集中的样本为对非正常人的腹部增强ct影像切片进行标注后的数据；微调后的编码器-解码器结构即为构建得到的基于对比学习的ct影像自监督胰腺分割模型。

5、在一个实施例中，基于原始训练数据集对编码器进行自监督预训练，得到训练后的编码器，包括：

6、对原始训练数据集中的样本进行数据增强，将样本转换为空间变换图像和色彩变换图像；

7、将空间变换图像和色彩变换图像输入到编码器中，得到第一特征表示和第二特征表示；

8、将第一特征表示和第二特征表示输入到mlp，得到第三特征表示和第四特征表示；

9、基于第三特征表示和第四特征表示构建对比学习损失函数，基于对比学习损失函数进行自监督预训练，得到训练后的编码器。

10、在一个实施例中，对比学习损失函数为：

11、

12、其中，lcons为对比学习损失函数，为第k个样本的第三特征，为第k个样本的第四特征，sim()为求点积，k表示样本标号，m为原始训练数据集中的样本个数，t为标准化温标的测量值。

13、在一个实施例中，基于标注数据集对编码器-解码器结构进行微调，得到微调后的编码器-解码器结构，包括：

14、将标注数据集中的样本输入到编码器中，编码器的输出输入到解码器中；

15、基于解码器的输出构建微调损失函数，基于微调损失函数进行模型微调，得到微调后的编码器-解码器结构。

16、在一个实施例中，微调损失函数为：

17、l＝lwce+αlfocal

18、其中，l为微调损失函数，lwce为交叉熵损失函数，lfocal为focal loss损失函数，α为损失函数贡献度；

19、

20、

21、其中，n为标注数据集中的样本数量，c为类别个数，wc为类别为c的权重，为类别为c的样本i的真实标签，为类别为c的样本i的解码器的输出；γ为调制参数。

22、第二方面，提供一种基于对比学习的ct影像自监督胰腺分割模型构建装置，包括：

23、自监督预训练模块，用于基于原始训练数据集对编码器进行自监督预训练，得到训练后的编码器；原始训练数据集中的样本包括正常人的腹部增强ct影像切片和非正常人的腹部增强ct影像切片；

24、微调模块，用于将训练后的编码器的参数迁移到编码器，基于标注数据集对编码器-解码器结构进行微调，得到微调后的编码器-解码器结构；标注数据集中的样本为对非正常人的腹部增强ct影像切片进行标注后的数据；微调后的编码器-解码器结构即为构建得到的胰腺分割模型。

25、在一个实施例中，自监督预训练模块，还用于：

26、对原始训练数据集中的样本进行数据增强，将样本转换为空间变换图像和色彩变换图像；

27、将空间变换图像和色彩变换图像输入到编码器中，得到第一特征表示和第二特征表示；

28、将第一特征表示和第二特征表示输入到mlp，得到第三特征表示和第四特征表示；

29、基于第三特征表示和第四特征表示构建对比学习损失函数，基于对比学习损失函数进行自监督预训练，得到训练后的编码器。

30、在一个实施例中，对比学习损失函数为：

31、

32、其中，lcons为对比学习损失函数，为第k个样本的第三特征，为第k个样本的第四特征，sim()为求点积，k表示样本标号，m为原始训练数据集中的样本个数。

33、在一个实施例中，微调模块，还用于：

34、将标注数据集中的样本输入到编码器中，编码器的输出输入到解码器中；

35、基于解码器的输出构建微调损失函数，基于微调损失函数进行模型微调，得到微调后的编码器-解码器结构。

36、在一个实施例中，微调损失函数为：

37、l＝lwce+αlfocal

38、其中，l为微调损失函数，lwce为交叉熵损失函数，lfocal为focal loss损失函数，α为损失函数贡献度；

39、

40、

41、其中，n为标注数据集中的样本数量，c为类别个数，wc为类别为c的权重，为类别为c的样本i的真实标签，为类别为c的样本i的解码器的输出；γ为调制参数。

42、第三方面，提供一种基于对比学习的ct影像自监督胰腺分割方法，包括：

43、将待分割胰腺ct影像输入到基于对比学习的ct影像自监督胰腺分割模型中，得到分割结果；

44、胰腺分割模型为根据前文得到的基于对比学习的ct影像自监督胰腺分割模型。

45、第四方面，提供一种计算机可读存储介质，其特征在于，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时，以实现上述的基于对比学习的ct影像自监督胰腺分割模型构建方法，或者实现上述的基于对比学习的ct影像自监督胰腺分割方法。

46、第五方面，提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时，以实现上述的基于对比学习的ct影像自监督胰腺分割模型构建方法，或者实现上述的基于对比学习的ct影像自监督胰腺分割方法。

47、相对于现有技术而言，本技术具有以下有益效果：本技术的模型构建方法所构建的胰腺分割模型，解决了现有技术因为标注数据规模的限制，难以对ct影像中的分割类别不均衡，胰腺较大的形态学变化和模糊的器官边界进行有效处理的问题；以自监督学习的方式，在缓解目前主流的深度网络对于代价高昂的数据获取与数据标注成本的依赖的同时，进一步提升了ct影像中胰腺器官的分割性能。