本技術(shù)一般涉及醫(yī)療影像分割，尤其涉及一種基于半監(jiān)督學習的腦腫瘤分割方法及腦腫瘤分割系統(tǒng)。

背景技術(shù)：

1、腦腫瘤的早期診斷和精準治療是提高患者生存率和改善生活質(zhì)量的關(guān)鍵。醫(yī)學影像技術(shù)（如磁共振成像，mri）在腦腫瘤的發(fā)現(xiàn)和評估中發(fā)揮了重要作用。通過對醫(yī)學影像數(shù)據(jù)的精確分割，能夠輔助醫(yī)生識別腫瘤區(qū)域，評估腫瘤大小、形態(tài)及位置，為后續(xù)的治療計劃制定和療效監(jiān)測提供可靠依據(jù)。近年來，基于深度學習的自動分割方法在醫(yī)學圖像領域取得了顯著進展，其利用計算機對圖像特征進行自動提取，顯著提高了分割的效率和精度。然而，這些方法通常依賴于大量高質(zhì)量的標注數(shù)據(jù)，而醫(yī)學影像數(shù)據(jù)的標注過程復雜且耗費人力，難以滿足臨床實際需求。

2、半監(jiān)督學習技術(shù)為解決上述問題提供了新的可能。通過充分利用大量未標注數(shù)據(jù)與少量標注數(shù)據(jù)，半監(jiān)督學習能夠在降低標注成本的同時，顯著提升模型的學習能力。已有的半監(jiān)督方法大多基于卷積神經(jīng)網(wǎng)絡，例如unet及其變體，這使得網(wǎng)絡缺乏對全局特征的關(guān)注。近期，transformer變體在視覺任務中的應用為醫(yī)學圖像分割任務帶來了新的思路。與卷積神經(jīng)網(wǎng)絡不同，transformer能夠更有效地捕獲全局特征，通過自注意力機制建立不同區(qū)域之間的長距離依賴關(guān)系，從而更好地處理腦腫瘤的復雜形態(tài)和模糊邊界，但卻嚴重依賴于大規(guī)模的高質(zhì)量標注數(shù)據(jù)。因此，我們提供一種基于半監(jiān)督學習的腦腫瘤分割方法及腦腫瘤分割系統(tǒng)以解決上述問題。

技術(shù)實現(xiàn)思路

1、鑒于現(xiàn)有技術(shù)中的上述缺陷或不足，期望提供一種提高模型的魯棒性與分割精度的基于半監(jiān)督學習的腦腫瘤分割方法及腦腫瘤分割系統(tǒng)。

2、第一方面，本技術(shù)提供一種基于半監(jiān)督學習的腦腫瘤分割方法，包括以下步驟：

3、獲取mri圖像數(shù)據(jù)集合，對所述mri圖像數(shù)據(jù)集合進行預處理，并按照第一預設比例對預處理后的mri圖像數(shù)據(jù)集合進行劃分，得到訓練數(shù)據(jù)集合和測試數(shù)據(jù)集合；所述mri圖像數(shù)據(jù)集合包括多例模態(tài)圖像數(shù)據(jù)；所述訓練數(shù)據(jù)集合包括按照第二預設比例劃分的標注數(shù)據(jù)和未標注數(shù)據(jù)；

4、根據(jù)卷積神經(jīng)網(wǎng)絡和transformer模型，構(gòu)建分割模型；所述分割模型包括cnn子網(wǎng)和transformer子網(wǎng)；所述cnn子網(wǎng)和所述transformer子網(wǎng)的解碼器均添加有金字塔預測結(jié)構(gòu)；

5、將所述訓練數(shù)據(jù)集合和所述測試數(shù)據(jù)集合輸入至所述分割模型，利用所述cnn子網(wǎng)和所述transformer子網(wǎng)分別對相同的所述未標注數(shù)據(jù)進行推理，得到所述cnn子網(wǎng)和所述transformer子網(wǎng)分別對應的第一預測結(jié)果；同時利用所述cnn子網(wǎng)和所述transformer子網(wǎng)分別對相同的所述標注數(shù)據(jù)進行推理，得到所述cnn子網(wǎng)和所述transformer子網(wǎng)分別對應的第二預測結(jié)果；

6、根據(jù)所述標注數(shù)據(jù)和對應的所述第二預測結(jié)果，計算得到所述cnn子網(wǎng)和所述transformer子網(wǎng)分別對應的監(jiān)督損失；根據(jù)兩個所述第一預測結(jié)果分別生成偽標簽并相互指導學習與更新參數(shù)，得到優(yōu)化后的分割模型；并基于雙重不確定感知策略，在所述優(yōu)化后的分割模型中根據(jù)所述未標注數(shù)據(jù)和所述標注數(shù)據(jù)生成偽監(jiān)督損失的權(quán)重；

7、基于sgd優(yōu)化算法對所述優(yōu)化后的分割模型的權(quán)重進行更新，迭代預設次數(shù)并保存模型權(quán)重；并利用所述測試數(shù)據(jù)進行測試，得到多個測試權(quán)重，選取測試效果最好的對應的測試權(quán)重作為最優(yōu)權(quán)重。

8、根據(jù)本技術(shù)實施例提供的技術(shù)方案，對所述mri圖像數(shù)據(jù)集合進行預處理，具體包括以下步驟：

9、將每例所述模態(tài)圖像數(shù)據(jù)中的與腦部無關(guān)的背景區(qū)域進行裁剪并對裁剪后的圖像數(shù)據(jù)進行歸一化處理，得到預處理后的mri圖像數(shù)據(jù)集合。

10、根據(jù)本技術(shù)實施例提供的技術(shù)方案，在得到訓練數(shù)據(jù)集合和測試數(shù)據(jù)集合之后，將所述訓練數(shù)據(jù)集合和所述測試數(shù)據(jù)集合輸入至所述分割模型之前，還包括以下步驟：

11、對所述訓練數(shù)據(jù)集合和所述測試數(shù)據(jù)集合的所有數(shù)據(jù)進行進行數(shù)據(jù)增強操作，得到增強后的訓練數(shù)據(jù)集合和測試數(shù)據(jù)集合。

12、根據(jù)本技術(shù)實施例提供的技術(shù)方案，所述cnn子網(wǎng)對應的監(jiān)督損失根據(jù)以下公式計算得到：

13、；

14、其中，為cnn子網(wǎng)對應的監(jiān)督損失，為cnn子網(wǎng)對應的解碼器數(shù)量，為解碼器層數(shù)，為交叉熵損失，為dice損失，為第i層解碼器的多尺度預測結(jié)果，為標注數(shù)據(jù)的標簽。

15、根據(jù)本技術(shù)實施例提供的技術(shù)方案，基于雙重不確定感知策略，在所述優(yōu)化后的分割模型中根據(jù)所述未標注數(shù)據(jù)和所述標注數(shù)據(jù)生成偽監(jiān)督損失的權(quán)重，還具體包括以下步驟：

16、對比所述cnn子網(wǎng)和所述transformer子網(wǎng)的最后一層級解碼器預測的dice得分，得到對比結(jié)果，根據(jù)所述對比結(jié)果以及所述cnn子網(wǎng)和所述transformer子網(wǎng)的性能生成第一權(quán)重和第二權(quán)重；

17、根據(jù)所述cnn子網(wǎng)和所述transformer子網(wǎng)相應的預測結(jié)果，確定相應的不確定估計圖，并計算每個預測結(jié)果和多尺度預設平均值之間的kullback-leibler散度，將多個所述kullback-leibler散度求平均再依據(jù)偽標簽將體素分為前景區(qū)域和背景區(qū)域；對所述前景區(qū)域和所述背景區(qū)域分別計算不確定度均值，根據(jù)所述不確定均值和指數(shù)函數(shù)生成第三權(quán)重和第四權(quán)重；

18、利用所述第一權(quán)重、所述第二權(quán)重、所述第三權(quán)重和所述第四權(quán)重作為所述偽監(jiān)督損失的權(quán)重。

19、根據(jù)本技術(shù)實施例提供的技術(shù)方案，還包括以下步驟：

20、基于多尺度一致性約束，分別計算所述cnn子網(wǎng)的第一預測結(jié)果的第一平均值和所述transformer子網(wǎng)的第二預測結(jié)果的第二平均值；

21、根據(jù)所述第一平均值和所述第二平均值，計算得到多尺度一致性損失。

22、根據(jù)本技術(shù)實施例提供的技術(shù)方案，所述輸出損失值根據(jù)以下公式計算得到：

23、；

24、其中，為輸出損失值，為所述cnn子網(wǎng)和所述transformer子網(wǎng)的監(jiān)督損失之和，為權(quán)重系數(shù)，為第三權(quán)重，為第一權(quán)重，為cnn子網(wǎng)對應的偽監(jiān)督損失，第四權(quán)重，為第二權(quán)重，為transformer子網(wǎng)對應的偽監(jiān)督損失，為多尺度一致性損失。

25、第二方面，本技術(shù)提供一種基于半監(jiān)督學習的腦腫瘤分割系統(tǒng)，用于實現(xiàn)上述的一種基于半監(jiān)督學習的腦腫瘤分割方法，所述腦腫瘤分割系統(tǒng)包括：

26、用戶管理模塊，所述用戶管理模塊用于用戶登錄注冊，利用mysql數(shù)據(jù)庫存儲注冊信息并以bcrypt算法加密密碼；

27、數(shù)據(jù)加載模塊，所述數(shù)據(jù)加載模塊用于獲取mri圖像數(shù)據(jù)集合，對所述mri圖像數(shù)據(jù)集合進行預處理；

28、推理模塊，所述推理模塊用于基于sgd優(yōu)化算法對所述優(yōu)化后的分割模型的權(quán)重進行更新，迭代預設次數(shù)并保存模型權(quán)重；并利用所述測試數(shù)據(jù)進行測試，得到多個測試權(quán)重，選取測試效果最好的對應的測試權(quán)重作為最優(yōu)權(quán)重；

29、可視化模塊，所述可視化模塊用于對3d形態(tài)和2d切片進行展示，并支持回看歷史診斷結(jié)果；所述歷史診斷結(jié)果至少包括圖像和對應的批注。

30、由上述技術(shù)方案可知，本技術(shù)至少具有如下有益效果：

31、本技術(shù)提供一種基于半監(jiān)督學習的腦腫瘤分割方法，包括：獲取mri圖像數(shù)據(jù)集合，對mri圖像數(shù)據(jù)集合進行預處理，并按照第一預設比例對預處理后的mri圖像數(shù)據(jù)集合進行劃分，得到訓練數(shù)據(jù)集合和測試數(shù)據(jù)集合；mri圖像數(shù)據(jù)集合包括多例模態(tài)圖像數(shù)據(jù)；訓練數(shù)據(jù)集合包括按照第二預設比例劃分的標注數(shù)據(jù)和未標注數(shù)據(jù)；根據(jù)卷積神經(jīng)網(wǎng)絡和transformer模型，構(gòu)建分割模型；分割模型包括cnn子網(wǎng)和transformer子網(wǎng)；cnn子網(wǎng)和transformer子網(wǎng)的解碼器均添加有金字塔預測結(jié)構(gòu)；將訓練數(shù)據(jù)集合和測試數(shù)據(jù)集合輸入至分割模型，利用cnn子網(wǎng)和transformer子網(wǎng)分別對相同的未標注數(shù)據(jù)進行推理，得到cnn子網(wǎng)和transformer子網(wǎng)分別對應的第一預測結(jié)果；同時利用cnn子網(wǎng)和transformer子網(wǎng)分別對相同的標注數(shù)據(jù)進行推理，得到cnn子網(wǎng)和transformer子網(wǎng)分別對應的第二預測結(jié)果；根據(jù)標注數(shù)據(jù)和對應的第二預測結(jié)果，計算得到cnn子網(wǎng)和transformer子網(wǎng)分別對應的監(jiān)督損失；根據(jù)兩個第一預測結(jié)果分別生成偽標簽并相互指導學習與更新參數(shù)，得到優(yōu)化后的分割模型；并基于雙重不確定感知策略，在優(yōu)化后的分割模型中根據(jù)未標注數(shù)據(jù)和標注數(shù)據(jù)生成偽監(jiān)督損失的權(quán)重；基于sgd優(yōu)化算法對優(yōu)化后的分割模型的權(quán)重進行更新，迭代預設次數(shù)并保存模型權(quán)重；并利用所述測試數(shù)據(jù)進行測試，得到多個測試權(quán)重，選取測試效果最好的對應的測試權(quán)重作為最優(yōu)權(quán)重。

32、在數(shù)據(jù)利用方面，本技術(shù)采用半監(jiān)督學習策略，將訓練數(shù)據(jù)集合按第二預設比例劃分標注數(shù)據(jù)和未標注數(shù)據(jù)，在利用少量標注數(shù)據(jù)的同時，充分挖掘大量未標注數(shù)據(jù)中的信息，有效緩解了標注數(shù)據(jù)稀缺的問題，提升模型性能的同時降低數(shù)據(jù)標注成本。分割模型融合卷積神經(jīng)網(wǎng)絡（cnn）和transformer模型，構(gòu)建包含cnn子網(wǎng)和transformer子網(wǎng)的架構(gòu)，cnn子網(wǎng)和所述transformer子網(wǎng)的解碼器均添加有金字塔預測結(jié)構(gòu)；cnn擅長提取局部特征，可精準捕捉腦腫瘤的局部細節(jié)信息；transformer則在處理長序列數(shù)據(jù)和全局依賴關(guān)系上表現(xiàn)出色，能從整體把握圖像結(jié)構(gòu)，兩者結(jié)合使模型兼顧局部與全局特征，對復雜的腦腫瘤邊界及形狀分割更準確，提升分割精度。在模型架構(gòu)方面，本技術(shù)利用cnn子網(wǎng)和transformer子網(wǎng)對相同未標注數(shù)據(jù)和標注數(shù)據(jù)分別推理，根據(jù)預測結(jié)果計算監(jiān)督損失，并通過生成偽標簽相互指定學習與更新參數(shù)。這種方式促進兩個子網(wǎng)間信息交互，使模型在訓練中不斷優(yōu)化，提高對腦腫瘤特征的學習能力，增強模型的泛化性和穩(wěn)定性?；陔p重不確定感知策略生成偽監(jiān)督損失權(quán)重，根據(jù)未標注數(shù)據(jù)和標注數(shù)據(jù)特點動態(tài)調(diào)整權(quán)重，合理平衡監(jiān)督損失和偽監(jiān)督損失對模型訓練的影響，避免未標注數(shù)據(jù)中錯誤信息過度干擾模型，確保模型在利用未標注數(shù)據(jù)時能穩(wěn)定、有效地學習，進一步提升分割性能。采用sgd優(yōu)化算法更新分割模型的權(quán)重迭代預設次數(shù)并保存模型權(quán)重；并利用所述測試數(shù)據(jù)進行測試，得到多個測試權(quán)重，選取測試效果最好的對應的測試權(quán)重作為最優(yōu)權(quán)重朝著損失函數(shù)減小方向優(yōu)化，提高訓練效率，快速找到最優(yōu)權(quán)重，減少計算資源消耗和訓練時間。