1.一种医学图像分割中的难样本处理算法,应用于对特定组织结构MRI图像中的难样本进行分割,其特征在于,包括以下步骤:步骤1、划分数据集,将数据集按照4:3:3划分为训练集、验证集和测试集;
步骤2、确定正样本为待分割区域,负样本为背景,确定数据集中待分割区域较小的样本图像为难样本;
步骤3、利用非侵入目标区域Cutout算法预处理方法对待分割的MRI图像进行数据扩增处理,获得与待分割区域相关度高的初始的训练模型;将得到的裁剪之后的图像,划分数据集,得到训练集数据、验证集数据和测试集数据;
步骤31、通过非侵入目标区域的Cutout算法确定训练集中的最近切割点,所述最近切割点由所有训练集的待分割区域中面积最大的一块决定的,是该区域中距离图像边缘最近的点;
步骤32、以最近切割点为顶点,与图像边缘一起形成矩形,不侵入前景区域,对所述的矩形进行切割,剩余部分即为经非侵入目标区域Cutout算法得到的增强数据;
步骤33、将切割后的训练集放入所述初始的训练模型中训练,让所述初始的训练模型在不影响模型学习待分割区域的位置信息和特征纹理的情况下,减少对冗余区域的特征的学习;
步骤4、将基于对比学习的医学图像分割网络的损失函数部分加入难样本召回损失函数,并利用所述医学图像分割网络对所述MRI图像数据集进行训练,获得最终的训练模型;如果训练任务中存在半监督任务或者其他下游任务中,在基于自训练的框架下,利用伪标签对无标签的数据集进行训练并获得最终的训练模型。
2.根据权利要求1所述的医学图像分割中的难样本处理算法,其特征在于,所述步骤4中的所述难样本召回损失函数如下所示:其中,TP代表了被模型预测正确的正样本,FN代表了被模型预测错误的正样本。
3.根据权利要求2所述的医学图像分割中的难样本处理算法,其特征在于,所述步骤4还包括:在使用难样本召回损失函数时,当正样本为小目标时,通过二值交叉损失函数与难样本损失函数相加,共同指导模型梯度下降,所述难样本召回损失函数与所述二值交叉损失函数的结合公式如下所示:Ltotal=LBCE+LRecall;
其中,LBCE代表二值交叉损失函数,LRecall代表难样本召回损失函数。