一种心脏CT图像半监督分割方法、设备及介质

本发明涉及人工智能，尤其涉及一种心脏ct图像半监督分割方法、设备及介质。

背景技术：

1、心脏ct图像分割对于心血管疾病的临床诊断与手术规划具有重要价值，但心脏解剖结构复杂且各子结构边界模糊，加之高质量的像素级标注依赖大量专业人力，导致标注样本稀缺，使得该任务面临严峻挑战。

2、现有技术中，为缓解对大规模标注数据的依赖，发展出基于一致性正则化的半监督分割框架，其基本思想是在未标注数据上施加预测一致性约束以挖掘潜在的结构信息。然而，上述方案通常对不同增强视角下的预测输出赋予相同的约束强度，而无法对伪标签本身的质量进行有效甄别。当网络对形态复杂或边界模糊的心脏区域作出低置信度预测时，所引入的伪标签噪声仍会被同等地参与模型参数更新，导致模型过度拟合有限标注样本的局部模式。

3、在临床应用场景下，上述缺陷使得分割结果中解剖不合理的形变或区域误判时有发生，且这种偏差往往需要经验丰富的医师进行耗时的人工校正。

技术实现思路

1、本发明提供了一种心脏ct图像半监督分割方法、设备及介质，旨在解决的技术问题是：如何提供一种能够在标注数据受限的前提下实现三维心脏ct图像高精度自动分割的有效解决方案。

2、第一方面，本发明提供了一种心脏ct图像半监督分割方法，其包括：

3、获取带标注的心脏ct图像数据集和未标注的心脏ct图像数据集；

4、构建半监督分割模型，所述半监督分割模型包括形状自编码器、教师网络和学生网络，所述教师网络和所述学生网络共享相同的分割主干网络，所述分割主干网络以编码器-解码器为基础框架，并在瓶颈层配置特征融合模块，所述特征融合模块包括用于非线性映射的第一子模块和用于长程依赖捕获的第二子模块；

5、利用所述带标注的心脏ct图像数据集预训练所述形状自编码器，获得冻结的形状先验投影器；

6、将所述未标注的心脏ct图像数据集中的未标注样本输入所述教师网络，得到教师网络预测结果；

7、将所述教师网络预测结果输入所述冻结的形状先验投影器，得到形状校正结果，将所述形状校正结果作为教师投影输出，并基于所述教师网络预测结果与所述形状校正结果之间的差异构建置信度图；

8、对所述未标注样本施加预设的强增强操作，得到强增强样本；将所述强增强样本输入所述学生网络，得到学生网络预测结果；

9、将所述学生网络预测结果输入所述冻结的形状先验投影器，得到学生投影输出；

10、基于所述置信度图，计算所述学生投影输出与所述教师投影输出之间的置信度加权一致性损失，并基于总损失优化所述半监督分割模型的参数，所述总损失包括所述置信度加权一致性损失、基于带标注数据的预测结果确定的基础监督损失以及基于形状先验约束确定的形状先验损失。

11、可选地，所述特征融合模块的第一子模块的处理流程，包括：

12、使输入特征依次经过第一标准卷积、第一kan层、第一深度卷积和第一线性层，形成第一处理路径；

13、使所述第一处理路径的输出依次经过第二标准卷积、第二kan层和第二深度卷积，形成第二处理路径；

14、从所述第一线性层的输出端分出一条旁路；

15、将所述旁路经relu门控后与所述第二处理路径的末端结果进行残差相加，得到第一子模块的输出特征。

16、可选地，所述特征融合模块的第二子模块包含多个dvsslayer，单个所述dvsslayer的处理流程，包括：

17、对输入特征进行线性映射，得到映射特征；

18、通过离散小波变换将所述映射特征分解为低频子带与多个高频子带；

19、将所述低频子带和各所述高频子带分别经非线性激活后，输入基于vmamba的状态空间单元进行序列建模，得到各子带对应的序列特征；

20、将各所述序列特征经门控融合后，得到融合特征；

21、通过逆离散小波变换将所述融合特征恢复到原始空间分辨率，得到恢复特征；

22、将所述恢复特征与所述输入特征进行残差相加，得到dvsslayer的输出特征。

23、可选地，所述利用所述带标注的心脏ct图像数据集预训练所述形状自编码器，包括：

24、利用所述带标注的心脏ct图像数据集训练三维感兴趣区域定位网络，得到训练后的三维感兴趣区域定位网络；

25、将所述带标注的心脏ct图像数据集中的原始ct图像输入所述训练后的三维感兴趣区域定位网络，通过所述三维感兴趣区域定位网络从所述原始ct图像中回归中心热力图、偏移图及三维尺度图，获得全心三维边界框；

26、利用所述全心三维边界框对所述原始ct图像进行裁剪和重采样，构建规范化的感兴趣区域数据集；

27、基于所述感兴趣区域数据集中的带标注样本，训练所述形状自编码器。

28、可选地，所述基于所述教师网络预测结果与所述形状校正结果之间的差异构建置信度图，包括：

29、计算所述教师网络预测结果与所述形状校正结果之间的逐体系绝对差值；

30、将所述逐体系绝对差值归一化至预设区间，得到所述置信度图，所述置信度图用于指示对应位置预测结果的可靠程度。

31、可选地，所述基于所述置信度图，计算所述学生投影输出与所述教师投影输出之间的置信度加权一致性损失，包括：

32、计算所述学生投影输出与所述教师投影输出之间的dice损失和交叉熵损失；

33、将所述dice损失和所述交叉熵损失与所述置信度图对应位置的权值进行加权求和，得到所述置信度加权一致性损失。

34、可选地，所述基于总损失优化所述半监督分割模型的参数，包括：确定所述总损失；以及利用所述总损失更新所述学生网络的参数；

35、所述确定所述总损失，包括：

36、获取所述学生网络对所述带标注的心脏ct图像数据集的带标注预测结果，并基于所述带标注预测结果与对应真实标注信息，确定所述基础监督损失；

37、将所述带标注预测结果输入所述冻结的形状先验投影器，得到带标注投影结果，并基于所述带标注预测结果与所述带标注投影结果之间的差异，确定所述形状先验损失；

38、获取所述置信度加权一致性损失；

39、将所述基础监督损失、所述形状先验损失和所述置信度加权一致性损失之和作为所述总损失；

40、所述利用所述总损失更新所述学生网络的参数，包括：利用所述总损失反向传播更新所述学生网络的参数。

41、可选地，所述方法还包括：更新所述教师网络的参数，所述更新所述教师网络的参数，包括：

42、获取当前迭代轮次中所述学生网络的更新后参数；

43、基于所述更新后参数和上一迭代轮次中所述教师网络的上一轮参数，执行指数滑动平均运算，得到当前迭代轮次中所述教师网络的当前轮参数；

44、将所述当前轮参数作为所述教师网络本轮更新的参数。

45、第二方面，本发明还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。

46、第三方面，本发明还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现上述方法。

47、本发明提供了一种心脏ct图像半监督分割方法、设备及介质，针对标注数据受限下三维心脏ct高精度自动分割的难题，构建了融合解剖形状先验的教师-学生半监督架构。在特征提取环节，分割主干网络瓶颈层配置的特征融合模块通过非线性映射与长程依赖捕获的协同作用，增强了模型对复杂三维心脏结构全局形态与局部边界的建模能力，弥补了有限标注样本难以支撑复杂特征学习的缺陷。进一步地，在半监督学习环节，利用预训练冻结的形状先验投影器对教师网络预测结果施加解剖约束以生成形状校正结果，将二者逐体系差异转化为置信度图，实现了对未标注样本伪标签可靠程度的分区域自适应评估。进一步地，在优化环节，将基础监督损失、形状先验损失与经置信度图加权的加权一致性损失联合构成总损失，既通过形状先验强制输出居解剖流形内从而抑制结构错误，又利用置信度图降低低质量伪标签的干扰权重，使模型在标注受限时仍能高效挖掘未标注数据中的结构信息，显著提升了分割精度与解剖合理性。