1.一种基于特征相关性的骨肉瘤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图像病变区域灰度图像,对图像进行预处理并标注制作成数据集;
构建基于特征相关性的目标检测模型;
利用数据集对目标检测模型进行训练,获得训练好的目标检测模型;
采用训练好的目标检测模型实现骨肉瘤CT图像病变区域检测;
所述目标检测模型为卷积神经网络,卷积神经网络的Backbone部分包括依次连接的第一单元和若干交替模块,第一单元与交替模块均包括CBS结构,用于对输入的骨肉瘤CT图像多次提取特征;卷积神经网络的Neck部分采用相互融合的FPN网络和PANET网络,Neck部分接收Backbone部分输出的特征,获取多个维度特征图并输出;卷积神经网络的Head部分采用CBS结构,接收Neck部分输出的多个维度特征图,获取基于全局信息的检测图像并输出;
所述第一单元采用两个CBS结构对骨肉瘤CT图像进行低层次特征的提取,并引入SE注意力机制,第一单元提取特征的过程包括以下步骤:首先,通过全局平均池化将每个通道的特征图压缩为一个标量,得到全局的特征描述,具体计算公式如下:其中,zc表示第c个通道的全局描述向量,H和W分别表示特征图的高度和宽度,xc(i,j)表示输入特征图在第c个通道的第(i,j)个像素值;
其次,得到每个通道的全局描述后,通过两个全连接层和激活函数对全局描述进行处理,生成每个通道的权重,表示为:sc=σ(W2·δ(W1·zc));
其中,sc表示重新校准后的通道权重向量,W1和W2表示全连接层的权重矩阵,σ表示Sigmoid激活函数,δ表示ReLU激活函数;
最后,将所得通道权重重新映射回每个通道的特征图,通过逐个元素相乘方式对每个通道的特征进行重新加权,得到的图像尺寸为320×320×64,表示为:其中,表示经过SE模块重新校准后的第c个通道的特征图,xc表示输入特征图在第c个通道的特征图;
所述利用数据集对目标检测模型进行训练,包括采用自蒸馏模块接收Backbone部分输出的特征,构建多分支蒸馏路径,引导交替模块获得与其下一个交替模块相近性能;
所述自蒸馏模块引导交替模块获得与其下一个交替模块相近性能的过程包括以下步骤:获得上层交替模块的输出采用1×1自适应卷积调整器对其进行调整,表示为:其中,表示上层交替模块的卷积调整器,表示卷积参数;
获得中层交替模块的输出采用1×1自适应卷积调整器对其进行调整,表示为:其中,表示应用于中层交替模块的卷积调整器,表示卷积参数;
获得下层交替模块的输出Fguide,计算Fguide与之间的L2范数和Fguide与之间的L2范数,并构建自蒸馏损失,表示为:其中,Lossself表示总的自蒸馏损失,表示第k个单独的自蒸馏损失项,||·||2表示L2范数;
所述利用数据集对目标检测模型进行训练,训练的总体损失loss表示为:Loss=αLossobj+βLossGIoU+λLossclc+ηLossself;
其中,Lossobj表示置信度损失,Lossclc表示分类损失,Lossself表示自蒸馏损失,α、β、λ和η分别表示置信度权重、矩形框权重、分类权重和自蒸馏权重;LossGIoU表示GIoU损失,表示为:其中,A表示预测框,B表示真实框,C表示包含A和B的最小闭合区域,|·|表示面积。
2.根据权利要求1所述的基于特征相关性的骨肉瘤CT图像病变区域检测方法,其特征在于,所述对图像进行预处理并标注制作成数据集,预处理包括去除骨肉瘤CT图像的标注、增强图像对比度。
3.根据权利要求2所述的基于特征相关性的骨肉瘤CT图像病变区域检测方法,其特征在于,所述增强图像对比度,表示为:y*=Zlog[y+1];
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Z用于确保变换后的图像灰度动态范围落在合理的灰度范围内。
4.根据权利要求1所述的基于特征相关性的骨肉瘤CT图像病变区域检测方法,其特征在于,所述交替模块包括依次连接的上层交替模块、中层交替模块和下层交替模块;上层交替模块包括依次连接的C3结构、CBS结构、C3结构;中层交替模块为一个CBS结构;下层交替模块包括依次连接的C3结构、CBS结构、C3结构和快速空间金字塔池化结构。
5.根据权利要求4所述的基于特征相关性的骨肉瘤CT图像病变区域检测方法,其特征在于,所述Neck部分获取多个维度特征图的过程包括以下步骤:接收上层交替模块的输出、中层交替模块的输出和下层交替模块的输出;
下层交替模块的输出依次经过CBS结构和上采样后与中层交替模块的输出匹配后进行维度拼接,拼接结果再依次通过C3结构和CBS结构后得到第一融合特征;对第一融合特征继续进行上采样后与上层交替模块的输出匹配后进行维度拼接,拼接结果再通过C3结构得到第二融合特征,作为第一层输出特征图输出到Head部分;
将第二融合特征经过CBS结构后与第一融合特征匹配后进行维度拼接,拼接结果再通过C3结构得到第三融合特征,作为第二层输出特征图输出到Head部分;
将第三融合特征经过CBS结构后与下层交替模块的输出经过CBS结构的输出匹配后进行维度拼接,拼接结果再通过C3结构得到第四融合特征,作为第三层输出特征图输出到Head部分。
6.一种基于特征相关性的骨肉瘤CT图像病变区域检测系统,其特征在于,包括:数据集获取模块,用于获取骨肉瘤CT图像病变区域灰度图像,对图像进行预处理并标注制作成数据集;
模型构建模块,用于构建基于特征相关性的目标检测模型;
模型训练模块,用于利用数据集对目标检测模型进行训练,获得训练好的目标检测模型;
模型应用模块,用于采用训练好的目标检测模型实现骨肉瘤CT图像病变区域检测;
所述目标检测模型为卷积神经网络,卷积神经网络的Backbone部分包括依次连接的第一单元和若干交替模块,第一单元与交替模块均包括CBS结构,用于对输入的骨肉瘤CT图像多次提取特征;卷积神经网络的Neck部分采用相互融合的FPN网络和PANET网络,Neck部分接收Backbone部分输出的特征,获取多个维度特征图并输出;卷积神经网络的Head部分采用CBS结构,接收Neck部分输出的多个维度特征图,获取基于全局信息的检测图像并输出;
所述第一单元采用两个CBS结构对骨肉瘤CT图像进行低层次特征的提取,并引入SE注意力机制,第一单元提取特征的过程包括以下步骤:首先,通过全局平均池化将每个通道的特征图压缩为一个标量,得到全局的特征描述,具体计算公式如下:其中,zc表示第c个通道的全局描述向量,H和W分别表示特征图的高度和宽度,xc(i,j)表示输入特征图在第c个通道的第(i,j)个像素值;
其次,得到每个通道的全局描述后,通过两个全连接层和激活函数对全局描述进行处理,生成每个通道的权重,表示为:sc=σ(W2·δ(W1·zc));
其中,sc表示重新校准后的通道权重向量,W1和W2表示全连接层的权重矩阵,σ表示Sigmoid激活函数,δ表示ReLU激活函数;
最后,将所得通道权重重新映射回每个通道的特征图,通过逐个元素相乘方式对每个通道的特征进行重新加权,得到的图像尺寸为320×320×64,表示为:其中,表示经过SE模块重新校准后的第c个通道的特征图,xc表示输入特征图在第c个通道的特征图;
所述利用数据集对目标检测模型进行训练,包括采用自蒸馏模块接收Backbone部分输出的特征,构建多分支蒸馏路径,引导交替模块获得与其下一个交替模块相近性能;
所述自蒸馏模块引导交替模块获得与其下一个交替模块相近性能的过程包括以下步骤:获得上层交替模块的输出采用1×1自适应卷积调整器对其进行调整,表示为:其中,表示上层交替模块的卷积调整器,表示卷积参数;
获得中层交替模块的输出采用1×1自适应卷积调整器对其进行调整,表示为:其中,表示应用于中层交替模块的卷积调整器,表示卷积参数;
获得下层交替模块的输出Fguide,计算Fguide与之间的L2范数和Fguide与之间的L2范数,并构建自蒸馏损失,表示为:其中,Lossself表示总的自蒸馏损失,表示第k个单独的自蒸馏损失项,||·||2表示L2范数;
所述利用数据集对目标检测模型进行训练,训练的总体损失loss表示为:Loss=αLossobj+βLossGIoU+λLossclc+ηLossself;
其中,Lossobj表示置信度损失,Lossclc表示分类损失,Lossself表示自蒸馏损失,α、β、λ和η分别表示置信度权重、矩形框权重、分类权重和自蒸馏权重;LossGIoU表示GIoU损失,表示为:其中,A表示预测框,B表示真实框,C表示包含A和B的最小闭合区域,|·|表示面积。