[发明专利]一种基于小样本分割的医学图像自动标注方法及系统

权利要求书

1.一种基于小样本分割的医学图像自动标注方法，其特征在于，包括以下步骤：

S1、获取医学影像原始图像，取出部分样本，对包含目标物体的图像进行手工标注，制作相应的标签，形成用于训练的数据集；

S2、根据模型参数设置要求，调整数据集，对数据集图像尺寸和通道做批量化调整，并划分为查询集和支持集，查询集。查询集表示需要进行标注的图像的集合，支持集表示已经带有标注的图像的集合；

S3、采用图像数据增强方法增强图像的表达能力，提升数据的鲁棒性；

S4、构建Siamese-DCNet孪生深层对比网络，将数据输入Resnet50的双分支，进行初步特征抽取得到查询分支结果和支持分支结果，将支持分支结果与真实标注结合去除背景信息，对得到的查询分支结果、去除背景信息的支持分支结果进行余弦相似度计算，得到查询分支的初步预测结果并进行优化迭代，细化目标的标注，得到整个Siamese-DCNet的端到端网络，最后对模型进行训练，根据评价指标来优化确定最佳模型结果；

S5、加载训练后得到的最佳模型权重，对未标注的图像进行自动标注。

2.根据权利要求1所述的一种基于小样本分割的医学图像自动标注方法，其特征在于，所述步骤S1中，获取医学影像中带有目标的真实图像数据并从各个类别中等比例随机抽取20％的样本作为训练数据；使用开源工具labelme，标注出图像中的目标得到相应格式的标签，得到标准的数据样本，即一张原始图像以及一张真实标签掩码Mask；将标注后的训练数据按照10:1划分训练集和验证集。

3.根据权利要求2所述的一种基于小样本分割的医学图像自动标注方法，其特征在于，所述步骤S2中，对训练集和验证集尺寸和通道调节，其中原始图像的宽度、高度、通道数为473×473×3，掩码Mask的宽度、高度、通道数为473×473×1；根据Siamese-DCNet的双分支结构设计，随机采样部分数据作为查询集，根据采样出的查询集中目标的类别，再次采样与查询集类相同的的数据作为支持集，最终形成用于训练的两个数据集合。

4.根据权利要求1所述的一种基于小样本分割的医学图像自动标注方法，其特征在于，步骤S3中，采用的图像增强技术包括：水平垂直翻转和旋转、缩放、随机剪裁。

5.根据权利要求4所述的一种基于小样本分割的医学图像自动标注方法，其特征在于，所述随机剪裁的计算过程为：

其中，M_new表示随机剪裁后的图像，M_old表示原始图像，表示原始图像经过剪裁后的高度，表示原始图像经过剪裁后的宽度，s表示原始图像尺寸，m表示随机获取的间隔,m∈(0，473×1.5-473)。

6.根据权利要求1-5任一项所述的一种基于小样本分割的医学图像自动标注方法，其特征在于，所述步骤S4中，Siamese-DCNet网络具体包括：

S401、特征抽取模块：该模块由两个Resnet50网络构成的双分支特征抽取结构，包括一个查询分支和一个支持分支，查询分支用于提取未标注图片特征信息，支持分支用于生成目标关键信息；

S402、余弦相似度计算模块：该模块首先将支持集的掩码与支持分支所得的特征图进行元素相乘去除目标以外的无效信息，处理后的支持集进行全局平均池化操作得到的特征图的尺寸通道数为1×1×256，之后再进行上采样将特征图还原至尺寸通道数为41×41×256；将得到的支持集的特征图与查询分支生成的特征图计算空间位置的距离；

S403、迭代模块：将每一轮的预测结果保存，在下一轮预测时与下一轮的预测结果叠加，不断迭代细化边缘信息；

S404、模型训练：整个训练过程根据查询集的真实掩码，采用交叉熵Cross-Entropy作为损失函数来计算更新误差。