1.一种基于像素级对比学习的小样本医学图像分割方法,其特征在于,包括:获取并处理不同器官的MRI图像数据,将非心脏器官的MRI图像数据作为训练集和验证集,将心脏MRI图像数据作为测试集,训练集、验证集和测试集分别包括支持集和查询集;
将所述非心脏器官的MRI图像数据输入至双分支网络小样本学习分割模型,利用条件分支提取支持集特征向量,所述支持集特征向量通过激励和压缩后,再传递给分割分支以分割查询集图像;
利用像素级对比学习方法优化所述双分支网络小样本学习分割模型,包括,在条件分支与分割分支的瓶颈块中利用多层感知机网络获取支持集像素级特征和查询集像素级特征;
计算查询集像素级特征中每一个像素点样本分别与支持集像素级特征中像素点样本的欧氏距离,表示为:其中,q(i,j)为查询集像素级特征像素点样本坐标,k(m,n)为支持集像素级特征像素点样本坐标,m为支持集像素级特征像素点样本的横坐标,i为查询集像素级特征像素点样本的横坐标,n为支持集像素级特征像素点样本的纵坐标,j为查询集像素级特征像素点样本的纵坐标;
计算对比学习损失函数,将对比学习损失函数结果和交叉熵损失函数相结合,获取最终混合损失函数;
其中,计算对比学习损失函数,包括根据划分好的正负样本计算对比学习损失函数,表示为:其中,q为查询集像素级特征数据,k为支持集像素级特征数据,P为正样本集合,N为负样本集合,为正样本,为负样本,τ为温度超参数,M为正样本的数量,Lcpc为对比损失函数值;
使用训练好的双分支网络小样本学习分割模型对测试集数据进行预测,获取分割预测结果。
2.如权利要求1所述的基于像素级对比学习的小样本医学图像分割方法,其特征在于,处理不同器官的MRI图像数据,包括,过滤所述不同器官的MRI图像数据中不含分割目标的切片数据,并对所述不同器官的MRI图像数据进行几何变换和亮度变换。
3.如权利要求2所述的基于像素级对比学习的小样本医学图像分割方法,其特征在于,利用条件分支提取支持集特征向量,所述支持集特征向量通过激励和压缩后,再传递给分割分支以分割查询集图像,包括,条件分支与分割分支均包含四个编码器、一个瓶颈块和四个解码器;
将支持集特征向量进行激励和压缩表示为:
其中,ucon为条件分支卷积块输出的特征向量,useg为分割分支卷积块输出的特征向量,P(·)为1*1*1的卷积操作,σ(·)为sigmoid函数,为激励和压缩后的输出。
4.如权利要求3所述的基于像素级对比学习的小样本医学图像分割方法,其特征在于,还包括,将得到的欧氏距离进行归一化处理,设定阈值Τ初步确定支持集像素级特征中像素点样本的正负样本集合;
经过两个瓶颈块的支持集特征和查询集特征通过1*1的卷积处理后得到两组特征向量,计算所述两组特征向量的余弦相似度,获取相似度矩阵过滤假负样本,更新正负样本集合。
5.如权利要求4所述的基于像素级对比学习的小样本医学图像分割方法,其特征在于,将对比学习损失函数结果和交叉熵损失函数相结合,获取最终混合损失函数,包括,交叉熵损失函数表示为:
其中,yi为心脏MRI标签图,p(yi)为心脏MRI预测图,N为标签数量,L为交叉熵损失函数值;
将对比学习函数和交叉熵损失函数进行结合,获取混合损失函数表示为:LM=L+Lcpc
其中,L为交叉熵损失函数值,Lcpc为对比损失函数值,LM为混合损失函数。
6.一种基于像素级对比学习的小样本医学图像分割的系统,应用于权利要求1-5任一项所述的方法,其特征在于,包括,数据预处理模块,用于获取并处理不同器官的MRI图像数据,将非心脏器官的MRI图像数据作为训练集和验证集,将心脏MRI图像数据作为测试集,训练集、验证集和测试集分别包括支持集和查询集;
双分支网络模型模块,用于将所述非心脏器官的MRI图像数据输入至双分支网络小样本学习分割模型,利用条件分支提取支持集特征向量,所述支持集特征向量通过激励和压缩后,再传递给分割分支以分割查询集图像;
像素级对比学习模块,用于利用像素级对比学习方法优化所述双分支网络小样本学习分割模型;
损失函数计算模块,用于计算对比学习损失函数,将对比学习损失函数结果和交叉熵损失函数相结合,获取最终混合损失函数;
预测模块,用于使用训练好的双分支网络小样本学习分割模型对测试集数据进行预测,获取分割预测结果。
7.一种电子设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至5任意一项所述基于像素级对比学习的小样本医学图像分割方法的步骤。
8.一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至5任意一项所述基于像素级对比学习的小样本医学图像分割方法的步骤。