一种PELD术中图像的神经根轻量化分割方法及系统

本发明属于医学内窥镜图像语义分割，尤其涉及一种peld术中图像的神经根轻量化分割方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、腰椎经皮内窥镜椎间盘切除术（peld）是当前主流的脊柱微创术式，术中实时、精准分割神经根对于规避医源性损伤、保障手术安全至关重要。术中智能导航核心方案为基于深度学习的医学内镜分割模型，现有模型包括纯卷积网络、纯transformer网络及cnn-transformer混合网络。

3、传统纯卷积网络如u-net、deeplab系列依赖局部卷积提取特征，固定感受野难以建模长距离全局依赖，面对peld术中纤细条状、灰度与脂肪/黄韧带高度重叠的神经根时，易出现目标漏检和分割区域断裂。纯transformer网络如swin-unet虽具备全局建模能力，但参数量庞大、推理速度缓慢，难以满足术中实时处理需求，不利于临床设备部署。

4、cnn-transformer混合架构如segformer、feedformer、u-mixformer等兼顾局部细节提取与全局上下文建模，但仍存在显著缺陷：解码器仅采用单向特征传递，缺少跨层级特征回传与迭代优化机制，无法针对细长、低对比度的微弱神经根进行特征提纯；无法应对术中遮挡、金属反光、出血等复杂干扰，对弱特征挖掘不足，导致分割轮廓漂移、锯齿及边界残缺；损失函数仅约束区域重叠度，无法同步优化区域完整性与轮廓平滑度。

5、此外，现有轻量化方案普遍采用编码器优化、解码器简单拼接上采样的设计思路，忽视边界精细重建，在多干扰、弱目标、标注样本有限的真实场景下分割精度不足，易误导术者操作，增加神经误伤风险。同时边界优化方法也多停留在浅层修正，无法从根源解决遮挡引起的分割畸变。

技术实现思路

1、为克服上述现有技术的不足，本发明提供了一种peld术中图像的神经根轻量化分割方法及系统，旨在解决现有模型在脊柱内镜临床标注稀缺、器械遮挡、灰度重叠及反光干扰场景下，存在分割漏检、断裂、边界偏移等系列缺陷，以及参数量大、推理延迟高、实时性不足等容易误导手术操作的问题。

2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

3、本发明第一方面提供了一种peld术中图像的神经根轻量化分割方法，包括：

4、获取经伦理审批的peld临床术中内镜原始视频帧并执行标准化预处理，构建图像训练样本；

5、搭建并初始化轻量化混合分割网络，包括mit-b0轻量化分层编码器、多层全局迭代查询细化解码器以及迭代区域边界损失计算单元；

6、预先配置训练超参数，利用所述图像训练样本对轻量化混合分割网络展开迭代训练；其中，每层全局迭代查询细化解码器完成粗对齐、掩码提纯和精细校正三阶段多尺度特征迭代细化；迭代区域边界损失计算单元对多层全局迭代查询细化解码器的输出进行分层区域与边缘联合监督；每轮训练完成前向推理后反向更新全部网络参数；

7、持续训练直至达到预设最大迭代次数或满足早停条件，保存验证集指标最优的网络权重，加载最优模型对术中实时内镜视频帧执行推理，输出神经根分割可视化图像。

8、作为进一步的技术方案，所述标准化预处理包括：

9、对原始视频帧进行尺寸统一缩放调整分辨率；对图像进行归一化处理；采用随机缩放、随机裁剪、水平翻转、旋转、亮度偏移、边缘零填充进行在线增广；按比例划分为训练集、验证集、测试集。

10、作为进一步的技术方案，所述mit-b0轻量化分层编码器将图像训练样本经过四次连续下采样，输出四层多尺度编码器特征。

11、作为进一步的技术方案，每层全局迭代查询细化解码器独立搭建全局特征池，构建高层语义自上而下传导、浅层细化特征自下而上反馈的双向多尺度特征迭代交互机制。

12、作为进一步的技术方案，所述预先配置训练超参数，超参数包括：adamw优化器初始学习率、权重衰减系数、掩码截断阈值、irb损失区域平衡权重、irb损失边界平衡权重、验证间隔迭代轮数、早停容忍迭代轮数、全局最大训练迭代次数。

13、作为进一步的技术方案，全局迭代查询细化解码器的粗对齐阶段，融合四层多尺度编码器特征与上层细化特征构建全局特征池，通过尺度统一变换、线性投影生成注意力查询、键、值特征，依托缩放点积注意力完成神经根粗定位；

14、全局迭代查询细化解码器的掩码提纯阶段，并行多尺度深度可分离卷积提取上下文特征，拼接后生成像素置信图并进行阈值截断，过滤脂肪、器械背景噪声并保留微弱神经像素；

15、全局迭代查询细化解码器的精细校正阶段，基于掩码提纯特征构建边缘增强分支生成更新查询，二次交叉注意力迭代校正神经畸变轮廓，细化特征回灌至全局特征池供下层解码器使用。

16、作为进一步的技术方案，所述迭代区域边界损失包含区域损失项与边界梯度损失项；区域损失项融合dice损失与focal损失强化微弱神经识别能力；边界梯度损失项依托sobel算子提取真值与预测梯度，仅在神经有效掩码内计算梯度误差；多层解码粗、细预测结果加权求和构成整体训练损失。

17、本发明第二方面提供了一种peld术中图像的神经根轻量化分割系统，包括：

18、数据获取模块，被配置为：获取经伦理审批的peld临床术中内镜原始视频帧并执行标准化预处理，构建图像训练样本；

19、网络构建初始化模块，被配置为：搭建并初始化轻量化混合分割网络，包括mit-b0轻量化分层编码器、多层全局迭代查询细化解码器以及迭代区域边界损失计算单元；

20、网络训练模块，被配置为：预先配置训练超参数，利用所述图像训练样本对轻量化混合分割网络展开迭代训练；其中，每层全局迭代查询细化解码器完成粗对齐、掩码提纯和精细校正三阶段多尺度特征迭代细化；迭代区域边界损失计算单元对多层全局迭代查询细化解码器的输出进行分层区域与边缘联合监督；每轮训练完成前向推理后反向更新全部网络参数；

21、术中实时推理模块，被配置为：持续训练直至达到预设最大迭代次数或满足早停条件，保存验证集指标最优的网络权重，加载最优模型对术中实时内镜视频帧执行推理，输出神经根分割可视化图像。

22、本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的一种peld术中图像的神经根轻量化分割方法中的步骤。

23、本发明第四方面提供了电子设备，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程序，所述处理器执行所述程序时实现如本发明第一方面所述的一种peld术中图像的神经根轻量化分割方法中的步骤。

24、以上一个或多个技术方案存在以下有益效果：

25、本发明设计giqr全局迭代查询细化模块，搭建全局特征池实现多层特征双向迭代回传优化，依托多尺度置信掩码自适应过滤术中各类背景干扰，针对性增强细长微弱神经根特征表达，从特征交互层面改善神经漏检、轮廓断裂缺陷。相较于仅采用单向特征融合的传统解码方案，能够更好地处理器械遮挡、低对比度的术中复杂视野，为脊柱外科医师提供稳定清晰的解剖参考，降低操作失误风险。

26、本发明构建irb迭代区域边界联合损失机制，分层同步约束区域完整性与边缘平滑特征，同时兼顾粗分割定位与精细轮廓校正，弥补现有损失仅关注区域重叠、缺少边缘梯度监督的不足。通过特征提纯模块与边界损失相互配合，双重优化神经分割拓扑结构，改善分割轮廓锯齿、边界偏移的固有缺陷。

27、本发明采用轻量化cnn-transformer混合整体架构，选用轻量主干搭配精简解码单元，在保障分割效果的前提下大幅降低模型参数量与推理开销，摆脱重型transformer网络依赖高端硬件、实时性不足的局限，可适配手术室内镜终端嵌入式部署，满足术中动态画面实时导航使用需求。

28、本发明配套适配脊柱内镜专属数据增广方案，针对临床标注样本稀缺的真实场景优化训练鲁棒性，同时模型具备通用内窥镜适配能力，无需主干微调即可迁移至胃肠息肉等其他内镜分割任务，算法适用场景更广，落地通用性更强。

29、本发明面向真实peld微创手术场景开发，依托临床手术影像构建专用标注数据集，整体网络围绕术中半遮挡、弱特征神经根识别需求设计，尤其能够辅助经验不足的年轻术者快速辨识神经结构，减少医源性神经损伤相关并发症，提升微创脊柱内镜手术整体安全水平。

30、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。