[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

说明书

本发明请求保护一种基于小样本分割的医学图像自动标注方法及系统，医学图像分割的进行需要大量带标注的数据，而标注新的数据过程繁琐单一，但却又需要大量人工来进行手工标注工作，增加了数据集的成本。本发明基于小样本分割技术，提出了一种自动标注网络结构Siamese‑DCNet(孪生深层对比网络)，利用双分支结构，包括一个查询分支和支持分支，分别对未标注的图像和已经标注的图像进行初步提取特征，利用双分支所得的结果，结合已知标注，去掉标注之外不重要的信息，通过计算余弦相似度来预测一个初步的标注，并输入一个迭代优化模块，经过几次迭代的细化得到最终的标注结果。本发明仅需要少量的带标注的图像，就能够实现相同场景其他所有图像的自动标注。

技术领域

本发明属于深度学习、图像处理，医学图像分割，自动标注技术领域，特别是涉及一种基于小样本分割的医学图像自动标注方法。

背景技术

在医学图像领域，医学图像的标注结果能够辅助医学工作者对病人病情做出合理判断，制定相应的诊断方法。近年来，随着深度学习图像分割技术在众多计算机视觉应用中(例如，自动驾驶、医学影像、遥感技术)的广泛应用，越来越多的图像数据需要被用于训练深度学习模型。然而由于医学图像中的目标大小不一，姿势形态各异，边界不明显，因而对图像的标注是一项十分耗时费力的工作。除此之外，为了满足真实场景的需要，图像标注的准确性也十分重要，一旦出现错误的标注结果，很有可能影响诊断结果。采用人工标注的方法很难做到大规模的数据集标注，并且存在标注结果不精准的现象，因而需要探索一些自动标注方法。

为了实现医学图像自动标注，有以下几种解决方案：1、基于生成模型的自动标注方法。但是对图像标注任务而言，生成数据的似然函数可能不够优化，不足以准确地捕捉图像特征和标签之间内在的非线性依赖关系。此外，在这类模型中存在许多参数，参数估计过程往往带来较高的计算成本。2、基于判别模型的自动标注方法。忽略了标签和视觉图像特征之间的关系并且在大数据集上具有较差的可扩展性，当词汇集较大，尤其当训练图像的标签不完整或存在噪声时，标注性能不尽人意。3、基于最近邻模型的自动标注方法。这种方法往往仅根据图像视觉特征来计算测试图像和训练图像的相似性。而且当训练图像样例数量有限时，最近邻方法可能效果欠佳。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种实现医学图像分割领域数据集的自动标注、减小数据集成本、同时提升标注准确率的基于小样本分割的医学图像自动标注方法及系统。本发明的技术方案如下：

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。

进一步的，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。