CT影像的腹部器官和泛癌病灶全自动分割方法、系统、设备及介质与流程

本发明属于计算机视觉的，具体涉及一种ct影像的腹部器官和泛癌病灶全自动分割方法、系统、设备及介质。

背景技术：

1、腹部器官癌症的诊断在临床实践中面临着一项重要挑战。通常，医生需要在腹部ct扫描图像上手动标记病变或器官，以进行评估。这一过程非常耗时，而且由于腹部器官的结构复杂性，标注变得更加复杂。目前，虽然有一些高质量的公开可用肿瘤数据集，但它们通常只支持特定类型的癌症研究，而实际临床中存在多种腹部器官和多种癌症类型。这导致了部分标注和注释问题，但尚无面向腹部ct扫描的通用部分标注数据集，用于处理各种器官和全癌症分割任务。这为医疗图像分析领域提出了一项重要挑战。

2、与本发明相关的现有技术和缺点有：传统意义上，存在如基于灰度级别的方法《knowledge-based organ identification from ct images》、live wire分割方法《efficient semiautomatic segmentation of 3d objects in medical》和数学拟合方法《abdominal image segmentation using three dimensional deformable models》。虽然这些方法在分割任务中比手动分割方法更高效，但是传统方法的实现需要手动设计相关特征，才能保证算法的分割精度。与传统方法相比，深度学习方法能表现出更高的准确性和更好的泛化能力，尽管基于完全监督学习方法的各种研究，例如《lvit:language meetsvision transformer in medical image segmentation.》，在单一数据中心中实现了最先进的性能，这些数据中心的数据集的数据样本量较小或标注的类别过于单一。此外，大多数最先进的方法不能轻松在其他具有不平衡注释的数据集中验证和泛化。

3、为了解决这一问题，本发明采用半监督学习的核心理念，巧妙地利用未标记的器官样本，以提高模型性能。半监督学习的独特之处在于它综合了监督学习和无监督学习的优势，通过有效结合已标记和未标记数据，不仅可以提高模型性能，还可以降低数据标记成本，使模型具备更强的泛化能力。这对于处理大规模数据集和标记数据稀缺的情况尤为重要。然而，半监督学习可能会受到不正确伪标签的干扰，这可能会降低性能。

4、通常，一种解决性能下降问题的方法是选择高置信度的预测结果。但是，这种方法会导致大量未标记数据被排除在训练过程之外，从而导致模型的训练不足。此外，这也会导致低质量的伪标签未能充分用于模型训练。

技术实现思路

1、本发明的主要目的在于克服现有技术的缺点与不足，提供一种ct影像的腹部器官和泛癌病灶全自动分割方法、系统、设备及介质，通过引入真实标签来过滤伪标签的相关部分，避免了错误伪标签的误导训练，同时，通过设置自适应权重计算模块，计算调整真实标签的权重，从而实现平衡伪标签与真实标签，增强网络泛化能力。

2、为了达到上述目的，本发明采用以下技术方案：

3、第一方面，本发明提供了一种ct影像的腹部器官和泛癌病灶全自动分割方法，包括下述步骤：

4、收集并预处理ct影像数据及其原始的真实标签，获取不完全标注的数据集；

5、使用伪标签生成器对不完全标注的数据集生成腹部器官及病灶的伪标签；利用标签填充模块过滤伪标签中不包含在真实标签中的类别区域，完成过滤后与真实标签融合获取混合标注，根据混合标注对ct影像进行感兴趣区域划分，生成感兴趣区域图像集；

6、对感兴趣区域图像集采用随机窗口方法进行切块处理，生成包含信息的图像块；设置自适应权重计算模块和自适应网络；利用自适应权重计算模块移动伪标签权重的部分权重至隐藏权重，得到自适应权重；将图像块与自适应权重进行匹配；利用图像块及相应的自适应权重训练自适应网络，获取训练好的自适应网络；

7、利用训练好的自适应网络对待分割的ct影像数据进行分割，获取分割结果。

8、作为优选的技术方案，所述预处理，包括以下步骤：

9、将所有ct影像数据及其原始的真实标签的像素间距重采样，根据hounsfield单位截取图像矩阵并归一化，得到归一化的图像矩阵；

10、根据真实标签和伪标签生成的前景标记对归一化的图像矩阵进行裁剪；

11、将经过裁剪的图像矩阵进行数据增强，包括随机弹性变化、随机旋转、随机缩放、标准化、高斯噪声、高斯平滑、对比度和数值反转。

12、作为优选的技术方案，所述使用伪标签生成器对不完全标注的数据集生成腹部器官病灶的伪标签，具体为：利用伪标签生成器计算腹部器官的掩码，将不完全标注的数据集中的图像矩阵裁剪并利用图像矩阵的坐标随机窗口裁剪为小块，获取伪标签。

13、作为优选的技术方案，所述标签填充模块包括标签填充器和roi选择器；

14、所述标签填充器将伪标签中与真实标签对应的部分区域删除，将真实标签与过滤后的伪标签融合，形成混合标签；

15、所述roi选择器根据混合标签界定roi边缘框，通过roi边缘框将未标注的ct影像数据和带混合标签的ct影像数据进行划分与截取，获取感兴趣区域图像集。

16、作为优选的技术方案，所述图像块包括真实标签块和伪标签块；

17、所述自适应权重的获取过程，具体为：

18、初始化损失函数权重，设定自适应因子ξada；

19、利用自适应因子ξada更新伪标签块权重，将部分的伪标签权重进行隐藏，保存为伪标签自适应权重wpseudo，并获取隐藏权重w；

20、将隐藏权重w添加到真实标签权重中，获取真实标签自适应权重wtrue；

21、联合伪标签自适应权重wpseudo和真实标签自适应权重wtrue。

22、作为优选的技术方案，所述自适应网络包括编码器和解码器；所述编码器包括卷积、下采样和激活函数，所述解码器包括卷积、上采样和跳层连接。

23、作为优选的技术方案，所述利用图像块及相应的自适应权重训练自适应网络，具体为：

24、将图像块输入自适应网络中，经过预测获取四维矩阵，其中第一维度表示预测矩阵中，对于每一个类别的预测概率所对应的通道编号；

25、以自适应权重作为dice loss和ce loss的权，获取组合损失函数；根据图像块的种类，将自适应权重作为组合损失函数的权，并将多个类别图像块的加权组合损失求和，经处理后获取自适应损失；

26、利用自适应损失计算预测矩阵和带有混合标签的图像块的损失，将损失计算结果反向传播并更新自适应网络参数，完成一次迭代；

27、多次迭代计算，直到参数收敛时，训练完成。

28、第二方面，本发明还提供了一种ct影像的腹部器官和泛癌病灶全自动分割系统，应用于所述的ct影像的腹部器官和泛癌病灶全自动分割方法，包括预处理模块、标注与划分模块、网络训练模块以及分割模块；

29、所述预处理模块，用于收集并预处理ct影像数据及其原始的真实标签，获取不完全标注的数据集；

30、所述标注与划分模块，用于使用伪标签生成器对不完全标注的数据集生成腹部器官及病灶的伪标签；利用标签填充模块过滤伪标签中不包含在真实标签中的类别区域，完成过滤后与真实标签融合获取混合标注，根据混合标注对ct影像进行感兴趣区域划分，生成感兴趣区域图像集；

31、所述网络训练模块，用于对感兴趣区域图像集采用随机窗口方法进行切块处理，生成包含信息的图像块；设置自适应权重计算模块和自适应网络；利用自适应权重计算模块移动伪标签权重的部分权重至隐藏权重，得到自适应权重；将图像块与自适应权重进行匹配；利用图像块及相应的自适应权重训练自适应网络，获取训练好的自适应网络；

32、所述分割模块，用于利用训练好的自适应网络对待分割的ct影像数据进行分割，获取分割结果。

33、第三方面，本发明提供了一种电子设备，所述电子设备包括：

34、至少一个处理器；以及，

35、与所述至少一个处理器通信连接的存储器；其中，

36、所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的ct影像的腹部器官和泛癌病灶全自动分割方法。

37、第四方面，本发明提供了一种计算机可读存储介质，存储有程序，所述程序被处理器执行时，实现所述的ct影像的腹部器官和泛癌病灶全自动分割方法。

38、本发明与现有技术相比，具有如下优点和有益效果：

39、(1)本发明利用标签填充模块过滤伪标签中部分区域，完成过滤后与真实标签融合获取混合标注，一方面能够更好地划分感兴趣区域，另一方面能够避免错误伪标签的误导训练，从而提高模型训练的效率和鲁棒性。

40、(2)本发明通过利用自适应权重计算模块移动伪标签权重的部分权重至隐藏权重，得到自适应权重，实现平衡伪标签与真实标签，增强网络泛化能力。

41、(3)本发明以自适应权重作为dice loss和ce loss的权，同时根据图像块的种类，将自适应权重作为组合损失函数的权，并将多个类别图像块的加权组合损失求和，形成自适应损失方法来训练模型，减轻了不正确伪标签的误导。