1.一种基于特征蒸馏的多尺度骨肉瘤CT图像病变区域检测方法,其特征在于,包括以下步骤:获取骨肉瘤CT图像并进行预处理,获得数据集;
构建基于特征蒸馏的卷积神经网络作为病变区域检测模型;
基于数据集训练病变区域检测模型;
利用训练好的病变区域检测模型实现多尺度骨肉瘤CT图像病变区域检测;
所述病变区域检测模型包括依次连接的Backbone部分、Neck部分和Head部分;Backbone部分包括特征提取模块、自蒸馏模块和通道相关性关系蒸馏模块,特征提取模块采用若干个由上至下依次布置的交替模块对输入模型的CT图像进行多次特征提取,并输出多个维度的特征信息,自蒸馏模块和通道相关性关系蒸馏模块基于多个维度的特征信息构建损失函数;Neck部分采用相互融合的FPN网络和PANET网络接收多个维度的特征信息,输出多个维度的特征图;Head部分采用CBS结构接收多个维度的特征图,输出基于全局信息的预测图像;
所述特征提取模块包括三个由上至下依次布置的交替模块;上层交替模块包括C3结构、CBS结构和C3结构;中层交替模块包括CBS结构;下层交替模块包括C3结构、CBS结构、C3结构和SPPF结构;
所述自蒸馏模块接收三个交替模块输出的特征信息,构建多分支蒸馏路径,基于各分支的自蒸馏损失构建总自蒸馏损失,具体包括以下步骤:首先,获得上层交替模块中CBS模块的输出
其中,
其次,获得上层交替模块中C3模块的输出
其中,
再次,获得中层交替模块的输出
其中,
最后,获得下层交替模块的输出F
其中,||·||
2.根据权利要求1所述的基于特征蒸馏的多尺度骨肉瘤CT图像病变区域检测方法,其特征在于,所述预处理包括去除骨肉瘤CT图像四周的标注信息并增强图像对比度,增强对比度的计算公式表示为:y
其中,y为原始图像像素点的值,y*为对应增强处理后的像素值,log表示对数函数,常数C用于使变换后的图像的灰度动态范围符合要求。
3.根据权利要求1所述的基于特征蒸馏的多尺度骨肉瘤CT图像病变区域检测方法,其特征在于,所述通道相关性关系蒸馏模块接收中层交替模块输出的特征信息和下层交替模块输出的特征信息,构建通道相关性损失以引导上层交替模块和中层交替模块在特征层面获得与下层交替模块相近的性能,以及引导中层交替模块从通道相关性层面获得与下层交替模块相近的特征提取能力。
4.根据权利要求3所述的基于特征蒸馏的多尺度骨肉瘤CT图像病变区域检测方法,其特征在于,所述通道相关性关系蒸馏模块构建通道相关性损失的过程包括以下步骤:首先,计算下层交替模块的输出F
其中,
其次,计算
其中,
最后,计算
5.根据权利要求1所述的基于特征蒸馏的多尺度骨肉瘤CT图像病变区域检测方法,其特征在于,所述Neck部分获得多个维度的特征图的过程包括以下步骤:下层交替模块的输出作为FPN网络的输入,该输入依次经过CBS结构和上采样后,与中层交替模块的输出进行匹配和维度拼接,拼接结果再依次通过C3结构和CBS结构后完成特征融合,作为初始融合特征图;
初始融合特征图继续进行上采样后,与上层交替模块的输出进行匹配和维度拼接,拼接结果再通过C3结构完成特征融合,作为第一层维度特征图输入到Head部分;
第一层维度特征图经过CBS结构后,与初始融合特征图进行匹配和维度拼接,拼接结果再通过C3结构完成特征融合,融合结果作为第二层维度特征图输入到Head部分;
第二层维度特征图经过CBS结构后,与下层交替模块的输出经过CBS结构的特征图进行匹配和维度拼接,拼接结果再通过C3结构完成特征融合,融合结果作为第三层维度特征图输入Head部分。
6.根据权利要求1所述的基于特征蒸馏的多尺度骨肉瘤CT图像病变区域检测方法,其特征在于,基于数据集训练病变区域检测模型的过程中,采用的损失函数loss表示为:其中,Loss