一种融合不确定性量化的脑肿瘤MRI概率性检测方法及系统
本发明涉及医学影像处理,具体为一种融合不确定性量化的脑肿瘤mri概率性检测方法及系统。
背景技术:
1、磁共振成像是脑肿瘤筛查、定位和随访分析中的重要非侵入式成像方式。随着临床影像数据量持续增长,单纯依赖人工阅片容易受到经验差异、疲劳程度和图像质量波动的影响,导致检测效率和一致性难以进一步提升。基于深度学习的目标检测模型能够自动定位病灶区域,因而在医学影像辅助分析中具有较高应用价值。
2、yolo系列单阶段检测算法具有推理速度快、部署便利、端到端训练等优势,已被用于脑肿瘤mri图像中的病灶定位和类别识别。然而,现有yolo检测器通常输出确定性的边界框坐标和类别置信度,其边界框仅为点估计,无法反映图像噪声、运动伪影、扫描设备差异、低信噪比以及肿瘤边界模糊所导致的位置测量不确定性。当mri图像质量下降或病灶边界不清晰时,确定性检测器仍可能给出高置信度的错误预测或过窄的边界框,从而形成过度自信的检测结果。
3、现有改进型yolo方法多从轻量化骨干网络、多尺度特征融合、注意力增强或检测头结构优化等角度提高检测精度,但多数方法仍未在检测头中显式建模边界框坐标的不确定性,也缺乏在不改变定位结果的前提下对类别置信度进行校准的机制。对于医学影像场景而言,检测结果不仅需要给出“是否存在肿瘤”和“肿瘤位于何处”,还需要给出模型对该检测结果的可信程度和空间容差范围,因此,针对上述问题提出一种融合不确定性量化的脑肿瘤mri概率性检测方法及系统。
技术实现思路
1、本发明的目的在于提供一种融合不确定性量化的脑肿瘤mri概率性检测方法及系统,以解决上述背景技术中提出的问题。
2、为实现上述目的,本发明提供如下技术方案:
3、作为本发明所述一种融合不确定性量化的脑肿瘤mri概率性检测方法及系统的一种可选方案,其中:一种融合不确定性量化的脑肿瘤mri概率性检测方法及系统,所述方法包括如下步骤:
4、s1、获取脑肿瘤mri图像及对应标注信息,所述标注信息包括肿瘤类别标签和肿瘤边界框标签;
5、s2、对所述脑肿瘤mri图像进行尺寸归一化和强度归一化处理,得到标准化输入图像;
6、s3、构建高斯yolo检测网络,所述高斯yolo检测网络包括输入层、yolov8主干特征提取网络、panet颈部多尺度特征融合网络和概率检测头;
7、s4、将所述标准化输入图像输入所述yolov8主干特征提取网络,提取不同尺度的肿瘤图像特征;
8、s5、将所述不同尺度的肿瘤图像特征输入所述panet颈部多尺度特征融合网络,得到小尺度检测特征、中尺度检测特征和大尺度检测特征;
9、s6、将所述小尺度检测特征、中尺度检测特征和大尺度检测特征分别输入所述概率检测头,同步输出分类、边界框均值向量和逐坐标方差向量;
10、s7、采用包含分类损失、定位损失和高斯负对数似然损失的总损失函数训练所述高斯yolo检测网络;
11、s8、在验证集上对所述分类进行温度缩放校准,得到校准后的类别置信度;
12、s9、在推理阶段基于所述校准后的类别置信度、所述边界框均值向量和所述逐坐标方差向量生成脑肿瘤检测结果及高斯容差带。
13、作为本发明所述一种融合不确定性量化的脑肿瘤mri概率性检测方法及系统的一种可选方案,其中:步骤s2中所述强度归一化处理采用如下公式:
14、
15、其中,表示归一化后图像在第行、第列、第个通道处的像素值;表示原始图像在第行、第列、第个通道处的像素值;表示像素行索引;表示像素列索引;表示图像通道索引;表示第个通道的像素均值;表示第个通道的像素标准差;表示用于避免分母为零的微小正数。
16、作为本发明所述一种融合不确定性量化的脑肿瘤mri概率性检测方法及系统的一种可选方案,其中:所述yolov8主干特征提取网络包括依次连接的初始卷积层、第一c2f特征层、第二c2f特征层、第三c2f特征层以及sppf空间金字塔池化层;所述panet颈部多尺度特征融合网络包括自顶向下上采样拼接融合层和自底向上特征融合层;所述概率检测头分别连接所述panet颈部多尺度特征融合网络输出的小尺度检测特征、中尺度检测特征和大尺度检测特征。
17、作为本发明所述一种融合不确定性量化的脑肿瘤mri概率性检测方法及系统的一种可选方案,其中:步骤s6中所述概率检测头将第i个候选框表示为如下多元高斯分布:
18、
19、
20、
21、其中,表示第i个候选框对应的随机边界框向量;i表示候选框索引;表示均值为、协方差矩阵为的多元高斯分布;表示第i个候选框的边界框均值向量;表示第i个候选框中心点横坐标的均值;表示第i个候选框中心点纵坐标的均值;表示第i个候选框宽度的均值;表示第i个候选框高度的均值;上标表示向量转置;表示第i个候选框的协方差矩阵;表示由对角元素构造对角矩阵的运算;表示第i个候选框中心点横坐标的预测方差;表示第i个候选框中心点纵坐标的预测方差;表示第i个候选框宽度的预测方差;表示第i个候选框高度的预测方差。
22、作为本发明所述一种融合不确定性量化的脑肿瘤mri概率性检测方法及系统的一种可选方案,其中:所述逐坐标方差向量通过对数方差重参数化获得,计算公式为:
23、
24、
25、其中,表示第个候选框在坐标维度d上的裁剪后对数方差;表示第个候选框在坐标维度d上的原始对数方差预测值;d表示坐标维度,取值集合为{x,y,w,h};x表示边界框中心点横坐标维度;y表示边界框中心点纵坐标维度;w表示边界框宽度维度;h表示边界框高度维度;表示对数方差允许的最小值;表示对数方差允许的最大值;表示取较小值运算;表示取较大值运算;表示第个候选框在坐标维度d上的预测方差;表示自然指数函数;
26、所述高斯负对数似然损失为:
27、
28、其中,表示高斯负对数似然损失;表示参与损失计算的匹配候选框数量;表示匹配候选框索引;d表示坐标维度索引;d表示坐标维度集合,d={x,y,w,h};x表示边界框中心点横坐标维度;y表示边界框中心点纵坐标维度;w表示边界框宽度维度;h表示边界框高度维度;表示第i个候选框在坐标维度d上的裁剪后对数方差;表示与第i个候选框匹配的真实边界框在坐标维度d上的真实值;表示第i个候选框在坐标维度d上的预测均值;表示真实坐标值与预测均值之间误差的平方。
29、作为本发明所述一种融合不确定性量化的脑肿瘤mri概率性检测方法及系统的一种可选方案,其中:步骤s7中所述总损失函数为:
30、
31、其中,l表示总损失函数;表示分类损失;表示定位损失;表示高斯负对数似然损失;表示定位损失权重系数;表示高斯负对数似然损失权重系数。
32、作为本发明所述一种融合不确定性量化的脑肿瘤mri概率性检测方法及系统的一种可选方案,其中:步骤s8中所述温度缩放校准采用如下公式:
33、
34、其中,表示温度缩放后第i个候选框属于第c个类别的校准概率;i表示候选框索引;c表示类别索引;t表示温度缩放参数,且t为大于0的标量;表示第i个候选框在第c个类别上的分类logit;j表示类别求和索引;c表示肿瘤类别数量;表示第i个候选框在第j个类别上的分类;
35、所述温度缩放参数通过最小化期望校准误差获得,计算公式为:
36、
37、
38、其中,表示优化得到的温度缩放参数;表示使目标函数取得最小值的自变量求解运算;t表示待优化的温度缩放参数;t>0表示温度缩放参数为正数;表示在温度参数为t时计算得到的期望校准误差;m表示置信度区间的数量;m表示置信度区间索引;表示第m个置信度区间内的样本集合;表示第m个置信度区间内的样本数量;n表示用于计算校准误差的样本总数量;表示第m个置信度区间内样本的平均检测正确率;表示第m个置信度区间内样本的平均校准置信度;绝对值符号表示取检测正确率与平均校准置信度之间差值的非负大小。
39、作为本发明所述一种融合不确定性量化的脑肿瘤mri概率性检测方法及系统的一种可选方案,其中:步骤s9中基于校准后的类别置信度和逐坐标方差向量计算不确定性感知排序分数:
40、
41、
42、其中,表示第i个候选框的平均空间方差;表示第i个候选框中心点横坐标的预测方差;表示第i个候选框中心点纵坐标的预测方差;表示第i个候选框宽度的预测方差;表示第i个候选框高度的预测方差;分母4表示参与平均的坐标维度数量;表示第i个候选框的不确定性感知排序分数;表示第i个候选框在其预测类别上的温度缩放后校准概率;表示方差惩罚系数,且为非负数;分母中的1表示基础归一化项;
43、步骤s9中根据所述不确定性感知排序分数进行非极大值抑制,后处理结果表示为:
44、
45、其中,表示非极大值抑制后保留的检测结果集合;表示非极大值抑制运算;表示第i个候选框的边界框区域;表示第i个候选框的不确定性感知排序分数;表示第i个候选框的预测肿瘤类别;表示第i个候选框的协方差矩阵;i表示候选框索引;表示进入后处理的候选框数量;表示非极大值抑制的交并比阈值。
46、作为本发明所述一种融合不确定性量化的脑肿瘤mri概率性检测方法及系统的一种可选方案,其中:步骤s9中所述高斯容差带表示为:
47、
48、其中,表示第i个检测结果在尺度系数k下的高斯容差带集合;i表示检测结果索引;k表示容差带尺度系数;x表示容差带内任一候选边界框中心点横坐标;y表示容差带内任一候选边界框中心点纵坐标;w表示容差带内任一候选边界框宽度;h表示容差带内任一候选边界框高度;表示第i个检测结果中心点横坐标的均值;表示第i个检测结果中心点纵坐标的均值;表示第i个检测结果宽度的均值;表示第i个检测结果高度的均值;表示第i个检测结果中心点横坐标的预测标准差;表示第i个检测结果中心点纵坐标的预测标准差;表示第i个检测结果宽度的预测标准差;表示第i个检测结果高度的预测标准差;绝对值符号表示对应坐标差值的非负大小。
49、作为本发明所述一种融合不确定性量化的脑肿瘤mri概率性检测方法及系统的一种可选方案,其中:包括:图像获取模块,用于获取脑肿瘤mri图像及对应标注信息;
50、预处理模块,用于对脑肿瘤mri图像进行尺寸归一化和强度归一化处理;
51、特征提取模块,用于通过yolov8主干特征提取网络提取不同尺度的肿瘤图像特征;
52、多尺度融合模块,用于通过panet颈部多尺度特征融合网络融合不同尺度的肿瘤图像特征;
53、概率检测模块,用于通过概率检测头同步输出分类、边界框均值向量和逐坐标方差向量;
54、模型训练模块,用于采用包含分类损失、定位损失和高斯负对数似然损失的总损失函数训练高斯yolo检测网络;
55、置信度校准模块,用于在验证集上对分类进行温度缩放校准;
56、后处理模块,用于基于校准后的类别置信度和逐坐标方差向量进行候选框筛选;
57、结果输出模块,用于输出脑肿瘤类别、边界框位置、校准置信度、逐坐标方差和高斯容差带;
58、所述概率检测模块包括分类分支、边界框均值分支和方差分支;所述分类分支输出各肿瘤类别的分类,所述边界框均值分支输出边界框中心点横坐标均值、中心点纵坐标均值、宽度均值和高度均值,所述方差分支输出边界框中心点横坐标方差、中心点纵坐标方差、宽度方差和高度方差;
59、所述结果输出模块还用于在平均空间方差超过预设阈值时输出不确定性提示信息,使检测结果同时包含肿瘤定位结果和空间不确定性提示。
60、与现有技术相比,本发明的有益效果是:
61、本发明将yolo边界框回归建模为多元高斯分布预测,不仅输出肿瘤边界框位置,还输出逐坐标方差,使肿瘤定位结果具备可量化的空间不确定性;采用负对数似然损失联合优化边界框均值和方差,使模型在图像退化、边界模糊或低信噪比条件下能够主动增大预测方差,减少过度自信的错误输出;采用温度缩放对分类进行后验校准,在不改变边界框坐标和方差的情况下改善置信度校准性;基于校准置信度和预测方差进行后处理,使候选框筛选不再仅依赖分类概率,有助于抑制高不确定性误检结果;在保持yolo单阶段检测效率的同时,输出类别、位置、置信度和高斯容差带,能够为脑肿瘤mri辅助检测提供更直观、可解释的结果。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com