一种图像零交互自动分割方法及系统
本发明涉及医学图像分析与计算机视觉,具体涉及一种图像零交互自动分割方法及系统。
背景技术:
1、医学图像(如超声、ct、mri、病理切片等)的精准分割是计算机辅助诊断与智能医疗领域的核心环节。近年来,以分割一切模型(segment anything model,sam)为代表的视觉基础模型在自然图像上展现了强大的交互式分割能力,其通过在海量医学数据上进行领域适配(如medsam、sam-med2d等)后,为医学影像分析带来了显著的泛化能力提升。然而,在实际临床场景(如大规模超声筛查)中,往往要求在零人工交互条件下完成全自动分割,而这类模型的推理接口本身依赖用户提供的精确空间提示,其分割质量对提示的准确性与语义纯度高度敏感;因此,如何在无人工干预的前提下,自动生成有效的提示信号并保障分割质量,成为该领域亟需解决的关键问题。
2、现有方法提出将自动化锚点部署构建为在先验概率场中采样或从初始预测掩码中提取几何中心/边界框的离散规则操作;具体地,该类方法通常先通过一个辅助网络或先验头输出病灶位置的全局概率响应图,对该概率图执行峰值检测或质心计算,从中提取一个或少数几个响应最强的坐标点作为全局主锚点;以该主锚点为中心裁剪局部感兴趣区域,并在该区域内进一步执行峰值搜索或随机采样,以部署辅助锚点;最终,将这些自动提取的正向坐标点作为稀疏提示输入分割模型(如sam及其医学适配版本)的解码器,以期在无人工交互条件下驱动模型完成分割预测。
3、然而,现有方案将自动锚点部署视为在主锚点邻近区域内执行峰值搜索或随机采样的局部操作;而由于超声图像所固有的散斑噪声、低对比度、病灶与背景边界模糊性,使得仅凭局部视图在缺乏全局结构上下文的情况下极易产生伪高响应;这导致辅助锚点可能被吸引至病灶外的背景纹理区域或病灶内的次优位置,产生主锚点准确、辅助锚点偏移的系统性失效模式;该偏移一旦发生,错误部署的辅助锚点将向后续计算中注入矛盾的空间信号,导致超声等边界模糊模态下的分割精度严重下降。
技术实现思路
1、针对现有技术中全局概率场信息丢弃导致解码器缺乏形状上下文、辅助锚点易被边界模糊区误导产生偏移,导致超声等边界模糊模态下的分割精度严重下降的不足,本发明提出一种图像零交互自动分割方法及系统,通过全局图与局部图的分离优化实现双图解耦,形成从精确定位到全局形状再到背景否定的完整空间信息梯度,在零交互条件下提高了图像的分割精度,从而解决现有技术存在的问题。
2、一种图像零交互自动分割方法,包括以下步骤:
3、获取待分割医学图像;将待分割医学图像输入图像编码器中,输出全局先验概率场和全局先验不确定性场;
4、在所述全局先验概率场中提取全局主锚点,并对所述全局先验概率场的整体空间分布实施仿射校准,生成稠密冷场掩码;以全局主锚点为中心,在图像编码器的浅层投影特征上裁剪感兴趣区域;将感兴趣区域内的局部特征输入经三环层次监督训练的安全场学习分支,输出局部安全场;在局部安全场内,结合从全局先验不确定性场中裁剪出的局部不确定性场计算综合安全得分;基于综合安全得分的贪心调度策略部署辅助锚点;
5、将所述全局主锚点和辅助锚点作为稀疏点提示,将所述稠密冷场掩码作为稠密掩码提示,联合输入解码器的提示编码器中生成最终的分割掩码预测,以实现医学图像分割。
6、进一步地,所述将待分割医学图像输入图像编码器中,输出全局先验概率场和全局先验不确定性场,具体包括以下步骤:
7、将所述待分割医学图像输入图像编码器,经前向传播获得多个编码器中间层的特征图;选取预设数量的编码器中间层特征图,依次上采样至相同空间分辨率并沿通道维度拼接,得到融合特征图;
8、将所述融合特征图输入粗粒度先验概率头,输出粗粒度先验概率图;其中,所述粗粒度先验概率头由卷积层和投影层级联组成;
9、将所述融合特征图与所述粗粒度先验概率图拼接后输入门控热图细化头,输出全局先验概率场和全局先验不确定性场;其中,所述门控热图细化头包含基于空间注意力机制的门控模块和细化解码器。
10、进一步地,在所述全局先验概率场中提取全局主锚点,并对所述全局先验概率场的整体空间分布实施仿射校准,生成稠密冷场掩码,具体包括以下步骤:
11、在全局先验概率场中,通过层次化空间滤波提取响应最强的锚点作为全局主锚点;其中,若全局先验概率场的最大响应值低于预设低置信度阈值,则标记为低置信度状态;
12、对全局先验概率场的整体空间分布实施仿射校准,将其映射为稠密冷场掩码对数值域;其过程表示为:
13、;
14、其中为稠密冷场掩码在像素位置处的对数值,为全局先验概率场在像素位置处的概率值,为校准斜率参数且,校准输出落于区间。
15、进一步地,所述安全场学习分支的三环层次监督训练过程,具体包括以下步骤:
16、对所述感兴趣区域内的真实标注掩码进行欧几里得距离变换,获得所述感兴趣区域内每一像素到真实标注掩码边界的距离值;
17、根据所述距离值将所述感兴趣区域内的像素划分为安全核心区、风险边界区、缓冲忽略区和远场背景区,并赋予差异化的目标值与有效性标记;其中,所述安全核心区位于真实标注掩码内部且满足距离值的像素,其监督目标值,有效性标记;核心比例;各连通区域内部的最大内距所述风险边界区位于内部但满足的像素,其目标值,有效性标记;所述缓冲忽略区位于外部且在病灶边界向外扩张预设宽度的缓冲带内的像素,其目标值,有效性标记;所述远场背景区位于所述缓冲忽略区之外的像素,其目标值,有效性标记,按预设比例选取其中响应值自高至低排序前比例的像素作为硬负样本集参与损失计算;
18、以所述安全核心区的加权二元交叉熵损失与所述远场背景区中高响应像素的加权二元交叉熵损失之和作为三环层次监督损失,对所述安全场学习分支进行训练。
19、进一步地,所述三环层次监督损失表示为:
20、;
21、其中,安全核心区的加权核心损失为;远场背景区硬负样本损失为;为核心损失权重,为远场背景损失权重,为局部安全场在像素位置处的值,为逐像素二元交叉熵损失。
22、进一步地,所述贪心调度策略使用的综合安全得分为:
23、
24、其中为局部安全场在像素位置处的值,为感兴趣区域内裁剪自全局先验不确定性场的局部不确定性场在处的值,为不确定性抑制强度参数且。
25、进一步地,所述贪心调度策略还以候选锚点与已部署锚点之间的空间距离作为调整项,对所述综合安全得分进行修正,具体包括以下步骤:
26、按自高至低排序,选取得分最高者作为第一辅助锚点;
27、在部署第一辅助锚点后,以为中心、动态排斥半径为半径剔除候选区域内的圆域;所述动态排斥半径,为候选区域的总面积,为候选区域内的最大综合安全得分,为排斥强度因子;
28、在剔除后的剩余候选区域中,引入归一化距离惩罚项:
29、;
30、其中为已选锚点集合,表示中的任一已选锚点坐标,表示剔除操作后的剩余候选区域,表示欧氏距离;表示待计算距离的候选像素坐标,表示剩余候选区域中的任一候选像素坐标;
31、修正后的得分为:
32、
33、其中为空间分散强度参数且,并取最高者作为第二辅助锚点;
34、通过基于综合安全得分的贪心调度策略依次部署第一辅助锚点和第二辅助锚点。
35、进一步地,还包括:从所述全局先验概率场中满足的背景低置信区域采样至少一个阴性抑制点,与所述稀疏点提示和所述稠密掩码提示一并输入所述解码器;为预设背景阈值。
36、进一步地,所述提示编码器中对稀疏点提示和稠密掩码提示进行统一编码的过程,具体包括以下步骤:
37、将所述全局主锚点、所述辅助锚点的坐标与标签信息作为稀疏点提示,对各稀疏提示点的坐标进行位置编码,并根据其标签信息添加标签嵌入,得到各稀疏提示点的嵌入向量;将所有稀疏提示点的嵌入向量拼接为稀疏嵌入张量;
38、将所述稠密冷场掩码作为稠密掩码提示,依次通过两个卷积层逐级降尺度后,经过投影层压缩输出稠密嵌入张量;
39、将所述稀疏嵌入张量与所述稠密嵌入张量进行拼接,得到所述提示特征;
40、通过在图像编码器输出的图像特征与提示特征之间进行迭代信息交互,生成最终的分割掩码预测。
41、本发明还包括一种图像零交互自动分割系统,包括:
42、获取模块,用于获取待分割医学图像;将待分割医学图像输入图像编码器中,输出全局先验概率场和全局先验不确定性场;
43、辅助锚点部署模块,用于在所述全局先验概率场中提取全局主锚点,并对所述全局先验概率场的整体空间分布实施仿射校准,生成稠密冷场掩码;以全局主锚点为中心,在图像编码器的浅层投影特征上裁剪感兴趣区域;将感兴趣区域内的局部特征输入经三环层次监督训练的安全场学习分支,输出局部安全场;在局部安全场内,结合从全局先验不确定性场中裁剪出的局部不确定性场计算综合安全得分;基于综合安全得分的贪心调度策略部署辅助锚点;
44、分割模块,用于将所述全局主锚点和辅助锚点作为稀疏点提示,将所述稠密冷场掩码作为稠密掩码提示,联合输入解码器的提示编码器中生成最终的分割掩码预测,以实现医学图像分割。
45、本发明提供了一种图像零交互自动分割方法,具备以下有益效果:
46、本发明通过以全局主锚点为中心裁剪感兴趣区域,引入独立于全局定位路径的安全场学习分支,该分支经三环层次监督训练后能够对边界模糊区域保持不确定性、对背景伪响应保持抑制,并结合全局先验不确定性场对辅助锚点的部署位置进行认知安全性的综合评判,确保辅助锚点仅部署于模型具有确定性认知的安全区域,从而系统性避免了辅助锚点被背景噪声或贴边区域误导而产生偏移的系统性失效模式;该方法最终通过稀疏正锚点、稠密冷场掩码与阴性抑制点的多模态异构提示联合输入,形成从精确定位到全局形状再到背景否定的完整空间信息梯度,在零交互条件下提高了超声等边界模糊模态下的分割精度与鲁棒性。
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