一种胃萎缩区域分割系统、电子设备及可读存储介质

本发明涉及图像处理，特别是涉及一种胃萎缩区域分割系统、电子设备及可读存储介质。

背景技术：

1、胃癌的演变过程主要分为正常胃黏膜，慢性浅表性胃炎，慢性萎缩性的胃炎，肠上皮化生异型增生，胃癌。通过判断胃镜下萎缩性胃炎的严重程度，可以在早期预测胃癌发生的概率。随着消化内镜技术和人工智能技术的发展，使用经过训练的深度学习模型对胃萎缩区域分割预测已然成为可能。

2、然而，胃镜图像的语义分割需要相关的专业人员进行大量的像素级人工标注，那么胃镜图像的标注成本较高，导致用作训练模型的数据成本十分高昂，进而严重影响模型预测的准确性。

技术实现思路

1、为了解决上述问题，本发明提出了一种胃萎缩区域分割系统、电子设备及可读存储介质，降低胃镜图像的标注成本，提升胃萎缩区域分割预测的准确性。

2、为了实现上述目的，本发明采用如下技术方案：

3、第一方面，本发明提供一种胃萎缩区域分割系统，包括：

4、数据获取模块，被配置为获取胃萎缩图像、胃非萎缩图像和胃萎缩区域的像素级标注图像；

5、伪标签生成模块，被配置为根据胃萎缩图像和胃非萎缩图像对图像分类模型进行多次训练，以生成像素级伪标签图像；其中，所述图像分类模型的最后一层卷积层设置为多种扩张度不同的空洞卷积，每次训练时，采用扩张度不同的空洞卷积生成融合定位图，基于多次训练的融合定位图得到最终定位图，在最终定位图中划定显著区域，由此得到像素级伪标签图像；

6、可信伪标签筛选模块，被配置为根据像素级伪标签图像筛选可信的像素级伪标签图像；

7、图像分割模块，被配置为根据可信的像素级伪标签和像素级标注图像训练图像分割模型，根据待测胃镜数字图像，采用训练后的图像分割模型，得到胃萎缩区域分割预测结果。

8、作为可选择的实施方式，在所述数据获取模块中，还包括：

9、获取原始胃镜数字图像，对原始胃镜数字图像经特征提取后进行聚类，对每类原始胃镜数字图像进行清洗后进行图像级标注和像素级标注，从而得到胃萎缩图像、胃非萎缩图像和胃萎缩区域的像素级标注图像。

10、作为可选择的实施方式，在所述伪标签生成模块中，还包括：

11、每次训练时，采用扩张度不同的空洞卷积生成定位图，将每轮训练后生成的定位图加权求和得到融合定位图，对多次训练得到的融合定位图中像素点取最大值，由此得到最终定位图，将最终定位图中的值大于设定阈值的区域认定为显著区域，由此得到像素级伪标签图像。

12、作为可选择的实施方式，使用类激活映射算法为扩张度不同的空洞卷积分别生成定位图，所述类激活映射算法使用全局平均池化代替全连接层后，再连接一层线性分类层，以通过训练得到一组线性分类权重，基于线性分类权重对最后一层卷积层得到的特征图加权求和得到定位图。

13、作为可选择的实施方式，在所述可信伪标签筛选模块中，还包括：

14、设置可信阈值，将超出可信阈值的像素级伪标签图像设置为第一组可信的像素级伪标签图像；

15、批量生成和每张胃非萎缩图像相对应且全部像素值为0的伪标签图像，将伪标签图像设置为第二组可信的像素级伪标签图像；

16、将第一组可信的像素级伪标签图像和第二组可信的像素级伪标签图像按比例合并为可信的像素级伪标签图像。

17、作为可选择的实施方式，在所述图像分割模块中，还包括：

18、对图像分割模型的训练设置加权损失函数；

19、所述加权损失函数为对伪标签损失函数赋权后和标注标签损失函数的和；

20、所述注标签损失函数和伪标签损失函数均为交叉熵损失函数与dice损失函数的和。

21、作为可选择的实施方式，在所述图像分割模块中，还包括：

22、对图像分割模型进行训练时，通过编码器进行特征提取和下采样，使用嵌套结构对特征语义接近的编码器和解码器进行跳跃连接，把编码器和解码器相对应的语义特征进行融合，通过解码器进行上采样，经过多轮迭代训练，得到训练后的图像分割模型。

23、作为可选择的实施方式，所述图像分割模型中共享一个编码器，不同层的特征由解码器还原，且在特征层上添加加权损失函数。

24、第二方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成胃萎缩区域分割方法；所述胃萎缩区域分割方法包括：

25、获取胃萎缩图像、胃非萎缩图像和胃萎缩区域的像素级标注图像；

26、根据胃萎缩图像和胃非萎缩图像对分类模型进行多次训练，以生成像素级伪标签图像；其中，所述分类模型的最后一层卷积层设置为多种扩张度不同的空洞卷积，每次训练时，采用扩张度不同的空洞卷积生成融合定位图，基于多次训练的融合定位图得到最终定位图，在最终定位图中划定显著区域，由此得到像素级伪标签图像；

27、根据像素级伪标签图像筛选可信的像素级伪标签图像；

28、根据可信的像素级伪标签和像素级标注图像训练分割模型，根据待测胃镜数字图像，采用训练后的分割模型，得到胃萎缩区域分割预测结果。

29、第三方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成胃萎缩区域分割方法；所述胃萎缩区域分割方法包括：

30、获取胃萎缩图像、胃非萎缩图像和胃萎缩区域的像素级标注图像；

31、根据胃萎缩图像和胃非萎缩图像对分类模型进行多次训练，以生成像素级伪标签图像；其中，所述分类模型的最后一层卷积层设置为多种扩张度不同的空洞卷积，每次训练时，采用扩张度不同的空洞卷积生成融合定位图，基于多次训练的融合定位图得到最终定位图，在最终定位图中划定显著区域，由此得到像素级伪标签图像；

32、根据像素级伪标签图像筛选可信的像素级伪标签图像；

33、根据可信的像素级伪标签和像素级标注图像训练分割模型，根据待测胃镜数字图像，采用训练后的分割模型，得到胃萎缩区域分割预测结果。

34、与现有技术相比，本发明的有益效果为：

35、本发明提出一种胃萎缩区域分割系统、电子设备及可读存储介质，根据胃萎缩图像和胃非萎缩图像生成像素级伪标签图像，并筛选可信的像素级伪标签图像，根据可信的像素级伪标签和像素级标注图像训练图像分割模型，以对胃萎缩区域进行分割预测，降低胃镜图像的标注成本，可自动分割出胃镜数字图像的胃萎缩区域，提升胃萎缩区域分割预测的准确性。

36、由于像素级人工标注成本远高于图像级人工标注，但像素级人工标注要比图像级人工标注精细很多，更利于模型训练，如果不使用人工标注的话，模型预测能力会极大减弱。所以，本发明将传统的只利用像素级人工标注数据的方法，改进为同时利用图像级人工标注和像素级人工标注数据的方法，在保证模型预测准确性几乎不变的情况下，利用图像级人工标注替代了部分像素级人工标注，可以有效减少所需的像素级人工标注数据，减少人工标注成本，在一定的成本下实现了更高的模型性能。

37、本发明利用图像级标注生成像素级伪标签，图像级标注是标注整张图像的所属类别，像素级伪标签是对标注图像上每个像素点都进行标注，显然图像级标注和像素级伪标签的标注精度相差很大，所以，本发明在生成像素级伪标签时可显著提高生成质量。

38、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。