一种用于肾脏高光谱图像密度分割的方法及系统

本发明涉及图像处理，尤其涉及一种用于肾脏高光谱图像密度分割的方法及系统。

背景技术：

1、随着医学影像技术的不断发展，高光谱成像（hsi）在生物医学领域的应用逐渐增多。高光谱成像技术能够在单次成像过程中获取多个波段的光谱信息，这些光谱信息对于识别和分析生物组织的化学和物理特性具有重要作用。在肾脏病理学中，精确分割和分析肾脏组织的密度分布对于诊断和治疗具有重要意义。

2、传统的肾脏图像处理方法主要依赖于单波段或少数波段的图像信息，难以充分利用高光谱成像提供的丰富光谱数据，导致分割精度不足，无法全面反映肾脏组织的复杂性。此外，现有的分割方法往往需要大量的人工干预和专业知识，操作繁琐且效率低下。

3、因此，亟需一种能够充分利用高光谱成像数据、提高肾脏图像分割精度、减少人工干预的自动化分割方法和系统。

技术实现思路

1、为了解决上述问题，本发明提出了一种用于肾脏高光谱图像密度分割的方法及系统，通过先进的图像处理算法，有效捕捉待分割图像的特征，从而提高分割精度。

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，本发明提供一种用于肾脏高光谱图像密度分割的方法，包括：

4、获取高光谱其他样本图像和待分割样本图像，将其他样本图像划分为有标签数据和无标签数据；

5、通过其他样本图像和待分割样本图像训练半监督学习模型，包括初步分割模型和生成对抗网络；所述初步分割模型用于基于所述有标签数据的特征性光谱特征，提取待分割样本图像的增强特征；将训练好的初步分割模型作为生成对抗网络的生成器，所述生成对抗网络用于生成无标签样本的分割预测样本，并判别分割预测样本的真伪；

6、将待分割图像输入至训练好的半监督学习模型，得到密度分割结果。

7、优选地，所述有标签数据为对其他样本图像进行特证圈画后得到带有标注的图像样本；所述无标签数据为对其他样本图像进行蒙特卡洛抽样后进行拼接得到的图像样本。

8、优选地，所述初步分割模型的训练过程，具体包括：

9、将有标签数据和待分割样本图像输入初步分割模型；

10、基于有标签数据的标注区域，提取特征性光谱特征；

11、通过特征性光谱特征对待分割样本图像进行处理，生成所述待分割样本图像的增强光谱特征，并基于所述增强光谱特征得到所述待分割样本图像的初步预测标签；

12、根据初步预测标签和所述有标签数据的真实标签计算第一损失函数，当第一损失函数最小时，得到训练好的初步分割模型。

13、优选地，所述基于有标签数据的标注区域，提取特征性光谱特征，具体包括：

14、基于有标签数据的标注区域，随机抽样选取多个像素，得到单像素光谱特征；

15、对所述标注区域进行单波段分割，将光谱信息发生突变的波段的中间波段区间作为单波段光谱特征；

16、将单像素光谱特征和单波段光谱特征进行融合，形成三维立体空间图像信息，构成特征性光谱特征。

17、优选地，所述通过特征性光谱特征对待分割样本图像进行处理，生成所述待分割样本图像的增强光谱特征，具体包括：

18、对待分割样本图像进行预处理；

19、基于相似率、接近率、连续率计算特征性光谱特征和预处理后待分割样本图像之间的距离，将距离小于设定阈值的待分割样本图像区域作为激活区域，得到增强特征。

20、优选地，所述相似率用于提取特征性光谱特征和预处理后待分割样本图像中图像块部分像素点，组合为像素集合，查询集合峰值和单像素点的整体趋向性；

21、所述接近率用于计算光谱信息在二维或三维空间的相对位置关系；

22、所述连续率用于计算单波段光谱的峰值分布、边缘方向信息。

23、优选地，所述生成对抗网络的训练过程，具体包括：

24、将训练好的初步分割模型作为生成对抗网络的生成器，将无标签数据输入生成器，生成分割预测样本；

25、将所述分割预测样本和有标签数据的标签样本一起输入到判别器，所述判别器用于判别分割预测样本的真伪，并根据第二损失函数对生成器和判别器进行优化，得到训练好的生成对抗网络。

26、第二方面，本发明提供一种用于肾脏高光谱图像密度分割的系统，包括：

27、数据获取模块，用于获取高光谱其他样本图像和待分割样本图像，将其他样本图像划分为有标签数据和无标签数据；

28、半监督学习模块，用于通过其他样本图像和待分割样本图像训练半监督学习模型，包括初步分割模型和生成对抗网络；所述初步分割模型用于基于所述有标签数据的特征性光谱特征，提取待分割样本图像的增强特征；将训练好的初步分割模型作为生成对抗网络的生成器，所述生成对抗网络用于生成无标签样本的分割预测样本，并判别分割预测样本的真伪；

29、分割结果输出模块，用于将待分割图像输入至训练好的半监督学习模型，得到密度分割结果。

30、第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的一种用于肾脏高光谱图像密度分割的方法中的步骤。

31、第四方面，本发明提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的一种用于肾脏高光谱图像密度分割的方法中的步骤。

32、与现有技术相比，本公开的有益效果为：

33、本发明首先训练初步分割模型，利用有标签数据的特征性光谱特征，提取待分割样本图像的增强特征，从而获取表达能力强的待分割样本特征；其次，在无监督学习过程中借助监督学习的成果，将初步分割模型作为生成器，将无标签样本图像拆分拼接后作为新的输入图像，以扩充训练样本，将其输入到生成器中，生成分割预测样本，通过生成-对抗损失函数对生成器和判别器进行交替训练，直至分割预测样本与真实标签不可区分，在带标记训练样本有限的情况下充分利用不带标记数据来提高网络的特征提取能力，显著提高分类精度。通过这种方法，本发明能够实现对肾脏高光谱图像的精确分割，为肾脏疾病的诊断和治疗提供了可靠的技术手段，具有重要的临床和研究意义。

34、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。

技术特征：

1.一种用于肾脏高光谱图像密度分割的方法，其特征在于，包括：

2.如权利要求1所述的一种用于肾脏高光谱图像密度分割的方法，其特征在于，所述有标签数据为对其他样本图像进行特证圈画后得到带有标注的图像样本；所述无标签数据为对其他样本图像进行蒙特卡洛抽样后进行拼接得到的图像样本。

3.如权利要求1所述的一种用于肾脏高光谱图像密度分割的方法，其特征在于，所述初步分割模型的训练过程，具体包括：

4.如权利要求3所述的一种用于肾脏高光谱图像密度分割的方法，其特征在于，所述基于有标签数据的标注区域，提取特征性光谱特征，具体包括：

5.如权利要求3所述的一种用于肾脏高光谱图像密度分割的方法，其特征在于，所述通过特征性光谱特征对待分割样本图像进行处理，生成所述待分割样本图像的增强光谱特征，具体包括：

6.如权利要求5所述的一种用于肾脏高光谱图像密度分割的方法，其特征在于：

7.如权利要求1所述的一种用于肾脏高光谱图像密度分割的方法，其特征在于，所述生成对抗网络的训练过程，具体包括：

8.一种用于肾脏高光谱图像密度分割的系统，其特征在于，包括：

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一项所述的一种用于肾脏高光谱图像密度分割的方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种用于肾脏高光谱图像密度分割的方法中的步骤。

技术总结本公开提出了一种用于肾脏高光谱图像密度分割的方法及系统，涉及图像处理技术领域。方法包括：获取高光谱其他样本图像和待分割样本图像，训练初步分割模型和生成对抗网络；初步分割模型用于基于有标签数据的特征性光谱特征，提取待分割样本图像的增强特征；将训练好的初步分割模型作为生成对抗网络的生成器，生成对抗网络用于生成无标签样本的分割预测标签，并判别分割预测标签的真伪；将待分割图像输入至训练好的半监督学习模型，得到密度分割结果。通过计算样本特征和待分割图像之间的距离，从而有效捕捉待分割图像的特征；通过对无标签样本进行变换拼接，扩充样本集，提高网络的特征提取能力，从而提高分类精度。技术研发人员：杨晓庆,王成红,张国霞,张贵慧受保护的技术使用者：山东第一医科大学第一附属医院（山东省千佛山医院）技术研发日：技术公布日：2024/10/17