本發(fā)明涉及一種醫(yī)學影像處理技術(shù)，具體來說是一種顯著性參考和解耦的食管腫瘤ct影像擴散分割方法。

背景技術(shù)：

1、隨著醫(yī)學影像技術(shù)的飛速發(fā)展，ct（計算機斷層掃描）因其高分辨率、無創(chuàng)性和全面性，已成為診斷食管腫瘤的重要工具。食管腫瘤的影像分割技術(shù)對病灶的精確識別和定位至關(guān)重要，為臨床治療方案的制定提供了重要依據(jù)。然而，食管腫瘤的分割任務(wù)存在諸多挑戰(zhàn)，包括腫瘤組織與周圍正常組織的信號相似性、腫瘤邊界的模糊性以及圖像偽影和噪聲的干擾。這些因素顯著增加了分割過程中的誤檢和漏檢風險，給傳統(tǒng)手工特征的分割方法帶來了極大的技術(shù)瓶頸。

2、近年來，深度學習的醫(yī)學圖像分割技術(shù)取得了顯著進展，尤其是卷積神經(jīng)網(wǎng)絡(luò)（cnn）在特征提取和目標分割方面展現(xiàn)了卓越的性能。然而，由于cnn?的局部感受野限制，其在處理長程依賴關(guān)系和復(fù)雜邊界區(qū)域時表現(xiàn)不足。此外，ct圖像中的偽影和噪聲進一步限制了模型對特征的準確捕捉，導致分割結(jié)果的精度和魯棒性下降。盡管一些研究引入了全局上下文建模技術(shù)以改進分割效果，但在高噪聲條件下仍難以滿足臨床需求。

3、擴散模型作為一種新興的生成式模型，在圖像生成與去噪任務(wù)中展現(xiàn)了優(yōu)異的性能，通過模擬前向噪聲添加與反向去噪過程，能夠逐步恢復(fù)圖像細節(jié)并消除噪聲。然而，擴散模型與醫(yī)學圖像分割任務(wù)的結(jié)合仍處于探索階段。針對上述問題，本發(fā)明提出了一種顯著性參考和解耦學習框架，通過將顯著性偽標注與擴散模型相結(jié)合，構(gòu)建分割與去噪解耦的多任務(wù)學習框架，有效提升了分割網(wǎng)絡(luò)在邊界識別、抗噪性和全局信息建模方面的能力，從而為食管腫瘤ct圖像的精準分割提供了創(chuàng)新性解決方案。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提出了一種顯著性參考和解耦的食管腫瘤ct影像擴散分割方法。通過顯著性偽標注的分割網(wǎng)絡(luò)與條件擴散模型的去噪網(wǎng)絡(luò)相結(jié)合，構(gòu)建一個分割與去噪任務(wù)解耦的多任務(wù)學習框架，顯著提升腫瘤區(qū)域分割精度。為了實現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：

2、一種顯著性參考和解耦的食管腫瘤ct影像擴散分割方法，其特征在于，包括以下步驟：

3、11）顯著性參考和解耦的食管腫瘤ct影像擴散分割網(wǎng)絡(luò)的準備工作：對食管腫瘤ct影像數(shù)據(jù)進行預(yù)處理，包括歸一化、裁剪、顯著性標簽生成及優(yōu)化步驟，確保輸入數(shù)據(jù)的一致性及顯著區(qū)域標注的準確性；

4、12）構(gòu)建顯著性參考和解耦的食管腫瘤ct影像擴散分割網(wǎng)絡(luò)的分割網(wǎng)絡(luò)和擴散網(wǎng)絡(luò)：構(gòu)建輸入為預(yù)處理后的ct圖像及顯著性偽標簽的分割網(wǎng)絡(luò)，網(wǎng)絡(luò)由多層編碼器、解碼器、跳躍連接模塊以及顯著性特征融合模塊組成；擴散模型，構(gòu)建輸入為加噪ct圖像及顯著性偽標簽的擴散網(wǎng)絡(luò)；擴散網(wǎng)絡(luò)包含多層卷積模塊，完成正向添加和反向去噪操作；具體步驟如下：

5、121）構(gòu)建顯著性參考和解耦的食管腫瘤ct影像擴散分割網(wǎng)絡(luò)的分割網(wǎng)絡(luò)，其步驟如下：

6、1211）構(gòu)建空間降采樣結(jié)構(gòu)，空間降采樣結(jié)構(gòu)包括一個編碼器模塊，由4層下采樣單元組成，每層具體結(jié)構(gòu)如下：

7、12111）兩個3*3卷積層，步長設(shè)置為1，填充方式為same；

8、12112）每層卷積層后加入一個relu線性激活單元進行激活；

9、12113）一個最大池化層，核大小為2*2；

10、1212）構(gòu)建空間上采樣結(jié)構(gòu)，空間上采樣結(jié)構(gòu)包括一個解碼器模塊，由4層上采樣單元組成，每層具體結(jié)構(gòu)如下：

11、12121）一個反卷積層，卷積核大小為2*2；

12、12122）兩個3*3卷積層，步長設(shè)置為1，填充方式為same；

13、12123）每層卷積層后加入一個relu線性激活單元進行激活；

14、1213）構(gòu)建降采樣結(jié)構(gòu)和上采樣結(jié)構(gòu)的交互結(jié)構(gòu)，具體結(jié)構(gòu)如下：

15、12131）使用四個跳躍連接，將每層下采樣層的輸出的特征圖與上采樣層的輸出拼接起來；

16、12132）最后一層下采樣后再經(jīng)過兩個3*3卷積層；

17、1214）構(gòu)建顯著性融合模塊，其具體結(jié)構(gòu)如下：

18、12141）顯著性偽標簽通過跳躍連接嵌入解碼器每一層，融合公式如下：

19、，

20、其中，表示融合后的解碼器特征，表示融合前解碼器特征，表示顯著性偽標簽特征，λ=0.5表示顯著性特征的權(quán)重；

21、具體步驟如下：

22、ct影像經(jīng)過顯著性檢測網(wǎng)絡(luò)得到顯著性偽標簽；

23、顯著性偽標簽經(jīng)過四層編碼器結(jié)構(gòu)，與分割網(wǎng)絡(luò)的編碼器結(jié)構(gòu)一致；

24、再通過跳躍連接把每個經(jīng)過編碼器層的顯著性偽標簽和分割網(wǎng)絡(luò)編碼器的輸入拼接起來；

25、122）構(gòu)建顯著性參考和解耦的食管腫瘤ct影像擴散分割網(wǎng)絡(luò)的擴散網(wǎng)絡(luò)，其步驟如下：

26、1221）正向擴散過程：正向擴散過程逐步向輸入ct圖像添加高斯噪聲，使其從結(jié)構(gòu)化數(shù)據(jù)逐漸變?yōu)殡S機噪聲，具體公式如下：

27、，

28、其中=，表示信號強度；[0.0001，0.02]，為每步添加噪聲的強度；n為正態(tài)分布；采用線性方差時間表，經(jīng)過t=1000步擴散，初始圖像轉(zhuǎn)變?yōu)橥耆S機噪聲；

29、1222）反向去噪過程：反向去噪通過神經(jīng)網(wǎng)絡(luò)預(yù)測噪聲并逐步還原圖像，公式如下：

30、，

31、其中是方差，代表擴散過程中的噪聲規(guī)模；是均值，表示從當前噪聲圖像預(yù)測出下一步的中心位置；

32、均值計算公式為：

33、，

34、其中，是神經(jīng)網(wǎng)絡(luò)預(yù)測的噪聲分布；是累計的信號強度；

35、反向生成從隨機噪聲開始，逐步去噪生成還原的圖像；

36、1223）顯著性參考和解耦的食管腫瘤ct影像擴散分割方法的擴散網(wǎng)絡(luò)采用unet的編碼器-解碼器架構(gòu)，并結(jié)合時間嵌入和殘差塊進行設(shè)計，其具體結(jié)構(gòu)如下：

37、12231）編碼器通過逐層下采樣提取多尺度特征，編碼器模塊包含以下組件：

38、122311）卷積層，每層包含兩個3*3卷積操作，卷積核填充方式為same，每個卷積層后接批歸一化bn和一個relu線性激活單元；

39、122312）最大池化層，用于下采樣，池化核大小為2*2；

40、12232）解碼器模塊通過逐層上采樣逐步恢復(fù)圖像尺寸，包含以下組件：

41、122321）一個反卷積層，采用2*2大小的反卷積和，回復(fù)特征圖的空間分辨率；

42、122322）卷積層，每層包含兩個3*3卷積操作，卷積核填充方式為same，每個卷積層后接批歸一化bn和一個relu線性激活單元；

43、12233）時間嵌入模塊，時間嵌入貫穿整個編碼器核解碼器，負責將時間信息t映射為特征向量，通過線性層然后經(jīng)過注入每層卷積的特征圖中，確保模型對每一步噪聲的動態(tài)感知能力；

44、12234）跳躍連接結(jié)構(gòu)，編碼器每層通過跳躍連接將對應(yīng)層的特征拼接到解碼器特征圖；

45、13）訓練顯著性參考和解耦的食管腫瘤ct影像擴散分割網(wǎng)絡(luò)：確保分割與去噪任務(wù)的互補優(yōu)化，結(jié)合交叉熵損失函數(shù)、dice損失函數(shù)、均方誤差函數(shù)以及一致性損失設(shè)計聯(lián)合優(yōu)化策略；

46、14）對顯著性參考和解耦的食管腫瘤ct影像擴散分割網(wǎng)絡(luò)的測試與求解：通過訓練好的網(wǎng)絡(luò)推理未標注數(shù)據(jù)，結(jié)合形態(tài)學操作提升分割邊界的精確度。

47、所述一種顯著性參考和解耦的食管腫瘤ct影像擴散分割方法模型的準備工作包括以下步驟：

48、21）數(shù)據(jù)歸一化：將ct圖像像素值歸一化到[0，1]區(qū)間，公式如下：

49、，

50、其中，和分別為輸入圖像像素值的最小值和最大值，是歸一化之后的ct圖像，是歸一化之前的ct圖像；

51、22）圖像裁剪：使用滑動窗口方法對ct圖像進行裁剪，窗口大小設(shè)置為256*256*64，步長為128，確保每次裁剪覆蓋整幅影像區(qū)域；

52、23）顯著性偽標注生成：采用resnet-50的顯著性檢測模型生成偽標簽，將顯著性得分高于0.5的像素標記為腫瘤區(qū)域，其余像素標記為背景；

53、24）顯著性偽標注優(yōu)化：對生成的顯著性偽標簽進行高斯模糊操作，模糊核大小為5*5，提升偽標注區(qū)域的連通性；

54、25）數(shù)據(jù)劃分：將處理后的數(shù)據(jù)按照7：3比例劃分為訓練集和驗證集，并保存為.nii格式，以供分割和擴散網(wǎng)絡(luò)的訓練。

55、所述訓練顯著性參考和解耦的食管腫瘤ct影像擴散分割網(wǎng)絡(luò)包括如下詳細步驟：

56、31）首先對數(shù)據(jù)進行預(yù)處理和加載，其中數(shù)據(jù)預(yù)處理與加載的詳細步驟如下：

57、311）將預(yù)處理后的ct圖像核顯著性標簽分別加載到數(shù)據(jù)加載器中；

58、312）輸入ct圖像進行歸一化處理，使其像素值分布再[0，1]區(qū)間；

59、313）顯著性偽標簽轉(zhuǎn)換為二值化形式，將顯著性偽標簽中大于0.5的像素值設(shè)為1，小于等于0.5的像素值設(shè)為0；

60、32）分割網(wǎng)絡(luò)正向傳播的詳細步驟如下：

61、321）將和作為輸入送到分割網(wǎng)絡(luò)的編碼器部分；

62、322）然后執(zhí)行編碼器結(jié)構(gòu)；

63、第一層編碼器執(zhí)行一個3*3卷積操作，輸入通道為3，輸出通道為64，然后一個線性relu激活單元，然后執(zhí)行一個3*3卷積操作，輸入通道為64，輸出通道為64，然后經(jīng)過一個線性relu激活單元得到未下采樣的特征圖a1；

64、執(zhí)行最大池化操作，池化核大小為2*2，得到下采樣特征圖f1；

65、第二層編碼器執(zhí)行一個3*3卷積操作，輸入通道為64，輸出通道為128，然后一個線性relu激活單元，然后執(zhí)行一個3*3卷積操作，然后經(jīng)過一個線性激活單元relu，輸入通道為128，輸出通道為128，然后經(jīng)過一個線性relu激活單元得到未下采樣的特征圖a2；

66、執(zhí)行最大池化操作，池化核大小為2*2，得到下采樣特征圖f2；

67、第三層編碼器執(zhí)行一個3*3卷積操作，輸入通道為128，輸出通道為256，然后經(jīng)過一個線性relu激活單元，然后執(zhí)行一個3*3卷積操作，然后經(jīng)過一個線性relu激活單元，輸入通道為256，輸出通道為256，然后經(jīng)過一個線性relu激活單元得到未下采樣的特征圖a3；

68、執(zhí)行最大池化操作，池化核大小為2*2，得到下采樣特征圖f3；

69、第四層編碼器執(zhí)行一個3*3卷積操作，輸入通道為256，輸出通道為512，然后經(jīng)過一個線性relu激活單元，然后執(zhí)行一個3*3卷積操作，然后經(jīng)過一個線性relu激活單元，輸入通道為512，輸出通道為512，然后經(jīng)過一個線性relu激活單元得到未下采樣的特征圖a4；

70、執(zhí)行最大池化操作，池化核大小為2*2，得到下采樣特征圖f4；

71、通過跳躍連接將每一層輸出a1，a2，a3，a4傳遞到解碼器部分，進行多尺度融合；

72、323）執(zhí)行解碼器結(jié)構(gòu)；

73、第一層解碼器對f4執(zhí)行一個反卷積操作，輸出特征圖u4；

74、然后將u4和a4拼接后執(zhí)行兩個3*3卷積層，每個卷積層后接一個線性relu激活單元，輸入通道為512，輸出通道為256，得到輸出特征圖d3；

75、第二層解碼器對d3執(zhí)行一個反卷積操作，輸出特征圖u3；

76、然后將u3和a3拼接后執(zhí)行兩個3*3卷積層，每個卷積層后接一個線性relu激活單元，輸入通道為512，輸出通道為256，得到輸出特征圖d2；

77、第三層解碼器對d2執(zhí)行一個反卷積操作，輸出特征圖u2；

78、然后將u2和a2拼接后執(zhí)行兩個3*3卷積層，每個卷積層后接一個線性relu激活單元，輸入通道為512，輸出通道為256，得到輸出特征圖d1；

79、第四層解碼器對d1執(zhí)行一個反卷積操作，輸出特征圖u1；

80、然后將u1和a1拼接后執(zhí)行兩個3*3卷積層，每個卷積層后接一個線性relu激活單元，輸入通道為512，輸出通道為256，得到最終輸出的分割概率圖；

81、33）擴散網(wǎng)絡(luò)正向傳播的詳細步驟如下：

82、331）執(zhí)行高斯噪聲添加操作；

83、根據(jù)擴散步數(shù)t向輸入ct圖像i添加噪聲，生成；

84、332）執(zhí)行編碼器結(jié)構(gòu)：

85、經(jīng)過一個3*3卷積層，通道數(shù)從3轉(zhuǎn)為64；

86、經(jīng)過一個線性激活單元relu；

87、經(jīng)過一個3*3卷積層，通道數(shù)保持64；

88、經(jīng)過一個線性激活單元relu；

89、經(jīng)過一個2*2最大池化層，得到特征圖f1；

90、經(jīng)過一個3*3卷積層，通道數(shù)從64轉(zhuǎn)為128；

91、經(jīng)過一個線性激活單元relu；

92、經(jīng)過一個3*3卷積層，通道數(shù)保持128；

93、經(jīng)過一個線性激活單元relu；

94、經(jīng)過一個2*2最大池化層，得到特征圖f2；

95、經(jīng)過一個3*3卷積層，通道數(shù)從128轉(zhuǎn)為256；

96、經(jīng)過一個線性激活單元relu，得到特征圖a1；

97、經(jīng)過一個3*3卷積層，通道數(shù)保持256；

98、經(jīng)過一個線性激活單元relu，得到特征圖a2；

99、經(jīng)過一個2*2最大池化層，得到特征圖f3；

100、經(jīng)過一個3*3卷積層，通道數(shù)從256轉(zhuǎn)為512；

101、經(jīng)過一個線性激活單元relu，得到特征圖a3；

102、經(jīng)過一個3*3卷積層，通道數(shù)保持512；

103、經(jīng)過一個線性激活單元relu，得到特征圖a4；

104、經(jīng)過一個2*2最大池化層，得到特征圖f4；

105、333）通過跳躍連接把a1，a2，a3，a4，分別拼接f1，f2，f3，f4到解碼器；

106、334）執(zhí)行解碼器結(jié)構(gòu)：

107、f4經(jīng)過2*2反卷積層，將空間尺寸擴大一倍；

108、和a4拼接后經(jīng)過一個3*3卷積層，通道數(shù)從1024到512；

109、經(jīng)過一個線性激活單元relu；

110、經(jīng)過一個3*3卷積層，通道數(shù)從512到256；

111、經(jīng)過一個線性激活單元relu，得到輸出特征圖u3；

112、u3經(jīng)過2*2反卷積層，將空間尺寸擴大一倍；

113、和a3拼接后經(jīng)過一個3*3卷積層，通道數(shù)從512到256；

114、經(jīng)過一個線性激活單元relu；

115、經(jīng)過一個3*3卷積層，通道數(shù)從256到128；

116、經(jīng)過一個線性激活單元relu，得到輸出特征圖u2；

117、f4經(jīng)過2*2反卷積層，將空間尺寸擴大一倍；

118、和a2拼接后經(jīng)過一個3*3卷積層，通道數(shù)從256到128；

119、經(jīng)過一個線性激活單元relu；

120、經(jīng)過一個3*3卷積層，通道數(shù)從128到64；

121、經(jīng)過一個線性激活單元relu，得到輸出特征圖u1；

122、f4經(jīng)過2*2反卷積層，將空間尺寸擴大一倍；

123、和a1拼接后經(jīng)過一個3*3卷積層，通道數(shù)從128到64；

124、經(jīng)過一個線性激活單元relu；

125、經(jīng)過一個3*3卷積層，通道數(shù)從64到1；

126、經(jīng)過一個線性激活單元relu，得到最終去噪圖像；

127、34）將去噪圖像輸入分割網(wǎng)絡(luò)，得到優(yōu)化后的分割概率圖；

128、35）其中在分割網(wǎng)絡(luò)和擴散網(wǎng)絡(luò)正向傳播完成之后，進一步進行反向傳播與權(quán)重更新，具體步驟如下：

129、351）分別計算分割損失、去噪損失、一致性損失和總損失，具體步驟如下：

130、3511）計算分割損失，公式如下：

131、，

132、其中，為交叉熵損失，為dice損失，=0.5；

133、3512）計算去噪損失，公式如下：

134、，

135、其中，是期望值符號，代表真實噪聲，代表預(yù)測噪聲；

136、3513）執(zhí)行計算分割概率圖和去噪概率圖的一致性，公式如下：

137、，

138、其中是一致性損失，該損失項確保分割網(wǎng)絡(luò)和擴散網(wǎng)絡(luò)在輸出上的相互促進與協(xié)同；

139、3514）計算總損失：

140、綜合所有損失函數(shù)，公式如下：

141、，

142、其中，=0.3，=0.1，是分割損失，是去噪損失，是一致性損失；

143、352）進行梯度計算和權(quán)重更新，具體步驟如下：

144、3521）梯度計算：

145、根據(jù)執(zhí)行反向傳播，計算梯度；

146、3522）優(yōu)化器設(shè)置：

147、使用adam優(yōu)化器，學習率設(shè)置為0.001，權(quán)重衰減因子設(shè)置為0.0001；

148、353）設(shè)置訓練終止條件，其中具體設(shè)置為：

149、3531）每輪訓練完成后在驗證集上評估具體模型性能，記錄dice系數(shù)；

150、3532）若驗證集dice稀疏連續(xù)10次未提高，則終止訓練；

151、3533）若未達到訓練輪數(shù)上限，則繼續(xù)訓練。

152、所述測試與后處理包括以下操作步驟：

153、41）執(zhí)行分割網(wǎng)絡(luò)推理，具體步驟如下：

154、411）將測試ct圖像輸入訓練好的分割網(wǎng)絡(luò)，生成擴散分割概率圖；

155、412）對分割概率圖應(yīng)用sigmoid激活函數(shù)，將輸出歸一化到[0，1]；

156、413）設(shè)置分割閾值t=0.5，對分割概率圖進行二值化操作，得到分割結(jié)果；

157、42）執(zhí)行擴散網(wǎng)絡(luò)推理，具體步驟如下：

158、421）將測試ct圖像添加高斯噪聲，生成噪聲圖像，噪聲強度根據(jù)擴散步數(shù)t設(shè)置；

159、422）使用訓練好的擴散網(wǎng)絡(luò)逐步反向推力，還原初始ct圖像；

160、423）輸入還原后的圖像到分割網(wǎng)絡(luò)，生成優(yōu)化后的分割概率圖；

161、43）執(zhí)行分割結(jié)果融合操作，具體步驟如下：

162、融合分割網(wǎng)絡(luò)和去噪網(wǎng)絡(luò)的輸出，公式如下：

163、，

164、其中，=0.7，是權(quán)重，是最終輸出分割概率圖，是分割概率圖，是擴散分割概率圖；

165、44）執(zhí)行形態(tài)學后處理操作，具體步驟如下：

166、441）執(zhí)行膨脹操作，使用5*5的膨脹卷積對分割區(qū)域進行膨脹，填補小縫隙；

167、442）執(zhí)行腐蝕操作，使用3*3的腐蝕卷積對邊界區(qū)域進行腐蝕，去除孤立噪聲點；

168、45）進行連通域分析：

169、對二值分割結(jié)果進行連通域標記，保留面積大于500像素的連通域，將小于面積閾值的區(qū)域設(shè)為背景；

170、46）執(zhí)行邊界平滑操縱，操作如下：

171、使用高斯模糊，核大小為3*3對分割邊界進行平滑處理，減小鋸齒效應(yīng)，優(yōu)化分割輪廓；

172、47）執(zhí)行輸出可視化結(jié)果和保存輸出結(jié)果操作，具體步驟如下：

173、471）將處理后的分割結(jié)果與原始ct圖像疊加，生成可視化的分割結(jié)果；

174、472）輸出結(jié)果保存為png或.nii格式文件，供臨床分析使用。

175、有益效果

176、本發(fā)明通過顯著性參考和解耦學習的多任務(wù)分割框架，將顯著性偽標簽與擴散模型相結(jié)合，顯著提升了食管腫瘤ct圖像分割的準確性和魯棒性。利用擴散模型的逐步去噪能力，解決了傳統(tǒng)分割網(wǎng)絡(luò)在高噪聲環(huán)境下邊界識別困難的問題，并通過顯著性偽標簽強化了腫瘤區(qū)域與背景組織的特征差異，降低了誤檢與漏檢的風險。同時，分割與去噪任務(wù)和解耦設(shè)計使得網(wǎng)絡(luò)能夠獨立優(yōu)化每個任務(wù)，從而提高了整體分割性能和模型的泛化能力。本發(fā)明在提升分割精度的同時，具備高效的訓練與推理過程，能夠在復(fù)雜的臨床場景下提供穩(wěn)定、可靠的食管腫瘤分割結(jié)果，為后續(xù)的腫瘤診斷與治療規(guī)劃提供了重要的技術(shù)支持。