一种基于稀疏偏好学习的生物医学图像分割方法及系统
本发明涉及人工智能领域,尤其涉及一种基于稀疏偏好学习的生物医学图像分割方法及系统。
背景技术:
1、生物医学图像分割对于临床诊疗和科学研究中定量分析具有重要意义,有助于实现定量化、精准化分析。但现有基于人工智能的图像分割模型对数据分布较为敏感,因此在某一个图像域训练的模型应用在相似的但分布不同的数据域上,会有明显的分割性能下降。类似的现象也出现在分割大模型上。然而,在生物医学图像领域,同一类数据中分布差异非常普遍,可能的成因包括成像设备/技术的差异、成像协议的差异、组织不同等。例如,显微镜图像成像不同组织时,呈现明显的数据分布差异。因此,解决模型在不同数据域的适用和泛化能力是提升模型实用性的关键。
2、针对跨域分割问题,现在已经有了域自适应方法(domain adaptation method)。当前技术研究主要聚焦无监督域自适应方法并提出了基于对抗学习的算法、基于图像分割转换的方法、基于伪标签学习的方法以及基于图像重建的方法等等。因为这类方法无需目标域任何数据,在大多数任务上的实际分割性能还比较有限,限制了在实际生物研究和医疗场景中的应用。最重要的是,这类方法无法与医生/用户交互,无法将医生/用户的先验知识有效地融入分割任务中。当前研究也有少量工作提出了基于弱监督的域自适应方法,例如提出采用目标域图像上少量若干目标的点标注。这类方法有效提升了模型的性能,但广泛适用性不足。
技术实现思路
1、有鉴于此,本发明的目的在于提供一种基于稀疏偏好学习的生物医学图像分割方法及系统,以改善上述问题。
2、本发明实施例提供了一种基于稀疏偏好学习的生物医学图像分割方法,其包括:
3、s1:获取目标图像数据,并根据预设的初始分割模型对所述目标图像数据进行分割得到候选分割数据集;
4、s2:在所述候选分割数据集上,基于人类在少量区域的分割评价,构建稀疏偏好数据集;
5、s3:基于稀疏偏好数据集,利用稀疏偏好优化损失对所述初始分割模型进行优化训练,以实现迭代改进;其中,在每一轮迭代中,基于已经构建好的稀疏偏好数据集,通过优化稀疏偏好优化损失得到偏好校正的分割模型,并将其作为新的分割模型,重复s1和s2步骤构建新的稀疏偏好数据集;通过多轮迭代改进,实现模型偏好校正和提升,得到最终分割模型;
6、s4:采用所述最终分割模型对待分割的生物医学图像进行分割。
7、优选地,步骤s1具体包括:
8、s11: 给定目标图像数据,并选择一个分割模型作为初始分割模型;其中,所述初始分割模型为预训练好的分割大模型、基于transformer的模型或卷积神经网络模型;
9、s12: 将目标图像数据中的目标图像输入到初始分割模型进行分割,获取多个候选分割结果,从而得到候选分割数据集。
10、优选地,步骤s12中,获取多个候选分割结果的方式包括如下两种方式之一或其结合:
11、对目标图像数据内的目标图像进行多种数据增强以形成多个增强图像,并将增强图像输入初始分割模型得到不同候选分割结果;
12、基于阈值的方式,将单个输入的目标图像的概率分割预测取不同阈值得到不同候选分割结果。
13、优选地,所述数据增强包括对目标图像施加对比度调整、施加噪声、施加轻微模糊;所述阈值取0.4,0.5,0.6,0.7。
14、优选地,步骤s2具体包括:
15、将候选分割数据集的每张输入图像分割为k×k大小的图像块;
16、由人类根据分割结果从图像块中挑选若干重点关注的分割区域,并设置偏好评价;
17、在重点关注的分割区域的候选分割中挑选1个最优分割;对于未重点关注的区域,设置为无偏好;
18、根据设置结果获得稀疏偏好数据集。
19、优选地,步骤s3中,每一轮迭代改进都通过随机梯度下降算法优化如下稀疏偏好损失实现:
20、
21、其中为有偏好评价的图像块的标号,为图像块上最优分割,为图像上的其他候选分割,超参数控制偏离分割模型,为对中的数据求数学期望;稀疏偏好损失实际上是通过极大似然估计寻找最优的参数,使得生成的概率最大,同时偏离分割模型幅度较小;
22、优选地,当初始分割模型为预训练的分割大模型时,模型训练采用低秩适配层进行部分参数更新;当初始分割模型为transformer或卷积神经网络模型时,基于随机梯度下降算法进行全参数更新。
23、本发明实施例还提供了一种基于稀疏偏好学习的生物医学图像分割系统,包括:
24、初始分割单元,用于获取目标图像数据,并根据预设的初始分割模型对所述目标图像数据进行分割得到候选分割数据集;
25、评价单元,用于在所述候选分割数据集上,基于人类在少量区域的分割评价,构建稀疏偏好数据集;
26、迭代改进单元,用于基于稀疏偏好数据集,利用稀疏偏好优化损失对所述初始分割模型进行优化训练,以实现迭代改进;其中,在每一轮迭代中,基于已经构建好的稀疏偏好数据集,通过优化稀疏偏好优化损失得到偏好校正的分割模型,并将其作为新的分割模型,重复上述步骤构建新的稀疏偏好数据集;通过多轮迭代改进,实现模型偏好校正和提升,得到最终分割模型;
27、分割单元,用于采用所述最终分割模型对待分割的生物医学图像进行分割。
28、与现有技术相比,本发明至少具有如下有益效果:
29、1、实现了聚焦式偏好优化,充分考虑和利用了图像内分割质量和重要性的不均匀特性,可以通过重点关注区域引导模型微调调优。
30、2、显著降低人类标注难度:和整张图评价标注治疗相比,局部评价更为简单和容易,可以极大降低标注难度,提升人机交互便利性;
31、3、在较低标注成本下实现显著提升了模型性能和效率;
32、4、属于即插即用的方法,可以适用不同分割模型作为初始分割模型。
1.一种基于稀疏偏好学习的生物医学图像分割方法,其特征在于,包括:
2.根据权利要求1所述的基于稀疏偏好学习的生物医学图像分割方法,其特征在于,步骤s1具体包括:
3.根据权利要求1所述的基于稀疏偏好学习的生物医学图像分割方法,其特征在于,步骤s12中,获取多个候选分割结果的方式包括如下两种方式之一或其结合:
4.根据权利要求3所述的基于稀疏偏好学习的生物医学图像分割方法,其特征在于,所述数据增强包括对目标图像施加对比度调整、施加噪声、施加轻微模糊;所述阈值取0.4,0.5,0.6,0.7。
5.根据权利要求1所述的基于稀疏偏好学习的生物医学图像分割方法,其特征在于,步骤s2具体包括:
6.根据权利要求1所述的基于稀疏偏好学习的生物医学图像分割方法,其特征在于,步骤s3中,每一轮迭代改进都通过随机梯度下降算法优化如下稀疏偏好损失实现:
7.根据权利要求6所述的基于稀疏偏好学习的生物医学图像分割方法,其特征在于,当初始分割模型为预训练的分割大模型时,模型训练采用低秩适配层进行部分参数更新;当初始分割模型为transformer或卷积神经网络模型时,基于随机梯度下降算法进行全参数更新。
8.一种基于稀疏偏好学习的生物医学图像分割系统,其特征在于,包括:
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