1.一种医学图像分割模型训练方法,其特征在于,包括:
根据现有的医学图像对教师网络进行预训练,得到预训练完成的教师网络并作为第一教师网络;
利用第一教师网络对第一目标组织的医学图像序列进行推理,得到第一教师网络预测的概率图;
将现有的医学图像的标签转换为one-hot编码;
将现有的医学图像和one-hot编码的标签作为第一组数据,第一目标组织的医学图像和第一教师网络预测的概率图作为第二组数据,并同时输入至像素级置信度图生成网络,分别得到第一置信度图和第二置信度图;
确定像素级置信度图生成网络的总损失,以根据第一置信度图、第二置信度图和像素级置信度图生成网络的总损失对像素级置信度图生成网络进行训练;
将第一目标组织的医学图像序列中需要分割的图像输入到双流RGCN特征融合的学生网络中,得到学生网络预测的概率图和学生网络预测结果;
将第一目标组织的医学图像序列中需要分割的图像和第一教师网络预测的概率图输入至训练好的像素级置信度图生成网络,得到第三置信度图;
根据第三置信度图、学生网络预测的概率图和第一教师网络预测的概率图确定知识蒸馏损失,根据以下公式计算知识蒸馏损失Lsoft:;
其中,Td为表示蒸馏温度;w为医学图像的宽;h为医学图像的高;表示用于学生网络训练的第三置信度图的第i行第j列的值;DKL(·)表示KL散度;为第一教师网络预测的概率图在像素点(i,j)处的概率向量;为学生网络预测的概率图在像素点(i,j)处的概率向量;C'为概率值类型总数;表示第一教师网络预测的概率图的(i,j)处的第c'类概率值;表示学生网络预测的概率图的(i,j)处的第c'类概率值;
根据学生网络预测结果和医学图像的标签确定Ohem损失;
根据知识蒸馏损失和Ohem损失训练学生网络,并将训练好的学生网络作为医学图像分割模型。
2.根据权利要求1所述的医学图像分割模型训练方法,其特征在于,所述确定像素级置信度图生成网络的总损失,以根据第一置信度图、第二置信度图和像素级置信度图生成网络的总损失对像素级置信度图生成网络进行训练,包括:根据以下公式计算像素级置信度图生成网络的总损失LG:
;
其中,a'为逐像素损失Lα的系数;b'为相似度损失Lβ的系数;w为医学图像的宽;h为医学图像的高;表示用于训练置信度生成网络的第一置信度图的第j列的所有元素;表示全1矩阵;n为医学图像中的第n个小片段;t为医学图像中第n个小片段的第t帧;表示全一矩阵的第j列的所有元素;T表示矩阵的转置;表示第二置信度图i行j列处的置信度值;表示第一教师网络的概率图和标签计算得到的JS散度值;c为通道总数;表示one-hot编码形式的标签的通道k上像素坐标(i,j)处的概率;表示第一教师网络预测的概率图的通道k上像素坐标(i,j)处的概率。
3.根据权利要求1所述的医学图像分割模型训练方法,其特征在于,所述将第一目标组织的医学图像序列中需要分割的图像和第一教师网络预测的概率图输入至训练好的像素级置信度图生成网络,得到第三置信度图,包括:构建第三置信度图的表达式:
;
其中,n为医学图像中的第n个小片段;t为医学图像中第n个小片段的第t帧;表示通过置信度生成网络对叠加的图片进行处理;为第一目标组织的医学图像序列中需要分割的图像;⊕表示沿通道维度的叠加操作;为第一教师网络预测的概率图。
4.根据权利要求1所述的医学图像分割模型训练方法,其特征在于,所述根据学生网络预测结果和医学图像的标签确定Ohem损失,包括:根据以下公式计算Ohem损失:
;
其中,NS表示在损失计算过程中考虑的元素总数量;i为参与计算的第i个元素;IS(i)表示第i个参与计算的像素的交叉熵;LCE为通过标签和学生网络分割结果计算交叉熵获得的矩阵;表示现有的医学图像的one-hot编码形式的标签;Fseg为学生网络的预测结果;ICE为LCE展开后的向量形式;τdis为预设阈值;表示大于τdis的最小交叉熵损失值;ICE[:nmin]表示排序后从最大交叉熵值到最小交叉熵值组成的向量。
5.根据权利要求1所述的医学图像分割模型训练方法,其特征在于,所述根据知识蒸馏损失和Ohem损失训练学生网络,并将训练好的学生网络作为医学图像分割模型,包括:根据以下公式计算学生网络的总损失Ltotal:
;
其中,α为知识蒸馏损失Lsoft的系数;β为Ohem损失的系数;
以学生网络的总损失Ltotal训练学生网络,并将训练好的学生网络作为医学图像分割模型。
6.一种医学图像分割模型训练系统,其特征在于,包括:
预训练模块,用于根据现有的医学图像对教师网络进行预训练,得到预训练完成的教师网络并作为第一教师网络;
推理模块,用于利用第一教师网络对第一目标组织的医学图像序列进行推理,得到第一教师网络预测的概率图;
转换模块,用于将现有的医学图像的标签转换为one-hot编码;
第一生成模块,用于将现有的医学图像和one-hot编码的标签作为第一组数据,第一目标组织的医学图像和第一教师网络预测的概率图作为第二组数据,并同时输入至像素级置信度图生成网络,分别得到第一置信度图和第二置信度图;
第一确定模块,用于确定像素级置信度图生成网络的总损失,以根据第一置信度图、第二置信度图和像素级置信度图生成网络的总损失对像素级置信度图生成网络进行训练;
第二生成模块,用于将第一目标组织的医学图像序列中需要分割的图像输入到双流RGCN特征融合的学生网络中,得到学生网络预测的概率图和学生网络预测结果;
第三生成模块,用于将第一目标组织的医学图像序列中需要分割的图像和第一教师网络预测的概率图输入至训练好的像素级置信度图生成网络,得到第三置信度图;
第二确定模块,用于根据第三置信度图、学生网络预测的概率图和第一教师网络预测的概率图确定知识蒸馏损失,根据以下公式计算知识蒸馏损失Lsoft:;
其中,Td为表示蒸馏温度;w为医学图像的宽;h为医学图像的高;表示用于学生网络训练的第三置信度图的第i行第j列的值;DKL(·)表示KL散度;为第一教师网络预测的概率图在像素点(i,j)处的概率向量;为学生网络预测的概率图在像素点(i,j)处的概率向量;C'为概率值类型总数;表示第一教师网络预测的概率图的(i,j)处的第c'类概率值;表示学生网络预测的概率图的(i,j)处的第c'类概率值;
第三确定模块,用于根据学生网络预测结果和医学图像的标签确定Ohem损失;
训练模块,用于根据知识蒸馏损失和Ohem损失训练学生网络,并将训练好的学生网络作为医学图像分割模型。
7.一种计算机设备,其特征在于,包括处理器和存储器;其中,处理器执行存储器中保存的计算机程序时实现权利要求1-5任一项所述的医学图像分割模型训练方法的步骤。
8.一种计算机可读存储介质,其特征在于,用于存储计算机程序;计算机程序被处理器执行时实现权利要求1-5任一项所述的医学图像分割模型训练方法的步骤。
9.一种医学图像分割方法,其特征在于,包括:
获取第二目标组织的医学图像;
将第二目标组织的医学图像输入至医学图像分割模型,得到医学图像分割模型输出的第二目标组织的医学图像分割结果;其中,所述医学图像分割模型为按照权利要求1-5任一项所述的医学图像分割模型训练方法训练得到的。