[发明专利]一种基于深度学习的X射线图像交互式分割方法

权利要求书

1.一种基于深度学习的X射线图像交互式分割方法，其特征在于，所述方法包括以下步骤：

S1获取X射线图像，用户用多边形大致勾勒出缺陷的区域，并对缺陷区域中的缺陷中心点处设置前景点；

S2利用基于深度学习的交互式分割模型，以多边形掩模、前景点和背景点为输入进行第一次推理得出分割结果；

S3分析第一次分割的结果，如果分割结果可以达到检测标准，结束分割；

S4如果分割结果未达到检测标准，则用户在过分割的区域中心位置处设置背景点，在欠分割的区域中心设置前景点；

S5将交互信息再次输入到交互式分割模型中进行推理，得出分割结果；

S6迭代上述步骤，直到得到满意的分割结果，然后输出最终分割结果；

基于深度学习的交互式分割模型的主干网络采用了编码-解码的结构，在编码器中的输入有图像、多边形掩码和首次选中的点，其中首次选中的点的定义为目标区域的中心，若一个区域中有多个目标，则可以选取多个点，在解码器中除了特征图作为输入外，还有辅助点和首次选中点作为解码模块的输入。

2.根据权利要求1所述的基于深度学习的X射线图像交互式分割方法，其特征在于，所述方法中，基于深度学习的交互式分割模型的主干网络采用了编码-解码的结构，在编码器中的输入有图像、多边形掩码和首次选中的点，解码器有深层特征和浅层特征两个输入，在通道维度进行级联后通过卷积层、ReLu和批归一化层的处理后输出特征图。

3.根据权利要求2所述的基于深度学习的X射线图像交互式分割方法，其特征在于，所述方法中，首次选中的点的定义为目标区域的中心，在解码器中将特征图、辅助点和首次选中点作为解码模块的输入，其中辅助点为根据模型首次分割的结果，在过分割区域设置背景点和在欠分割区域设置前景点作为辅助点来指导模型后续的分割。

4.根据权利要求1所述的基于深度学习的X射线图像交互式分割方法，其特征在于，所述方法中，采用静态的点击点生成策略来生成前景点和背景点来指导模型训练，对于前景点的选择，针对一个缺陷目标，选取距边界最大的欧式距离处选择，对选择好的位置进行一个随机的微小的扰动，对于背景点的选取，在背景区域随机选择背景点或在缺陷区域附近选择背景点。

5.根据权利要求4所述的基于深度学习的X射线图像交互式分割方法，其特征在于，所述方法中，对生成的交互点进行高斯处理，以每个交互点为中心，半径为5个像素点形成的范围内进行高斯分布，在训练过程中，交互式分割模型有六个通道的输入，图像为三个通道，多边形掩码、高斯化处理的前景点和背景点分别为一个通道。

6.根据权利要求1所述的基于深度学习的X射线图像交互式分割方法，其特征在于，所述方法中，基于深度学习的交互式分割模型使用迭代式训练方法，将输入分三个阶段逐步增加辅助信息，在第一阶段将图像和多边形掩码作为辅助输入来指导模型关注全局的信息；在第二和三阶段，依次增加前景点和背景点的信息使模型。

7.根据权利要求1所述的基于深度学习的X射线图像交互式分割方法，其特征在于，所述方法中，进行模型训练时，包括如下流程：

T1准备好少量的带有像素级缺陷标注的X射线图像数据集；

T2根据像素级的标注信息，人工增加对应缺陷区域的多边形掩码信息；

T3根据多边形的掩码信息裁剪原始图像和对应的标签掩码，得到的图像和标签掩码调整大小至224224；

T4根据标签的信息，利用静态的点击点生成策略生成对应的前景点和背景点，并将多边形掩码、前景点、背景点与裁剪的图像作为模型输入；

T5动态的点击点生成策略根据当前模型的输出结果与标签的差异，生成对应的辅助点，并将辅助点信息与原本的交互点结合构成新的模型的输入；

T6模型生成的结果与实际标签的结果通过交叉熵损失函数计算得到损失值，并基于此损失值进行反向传播更新模型的参数；

T7分割模型的性能评价指标采用mIoU作为评估标准，而交互式分割模型的评价指标采用平均点击数。

8.根据权利要求7所述的基于深度学习的X射线图像交互式分割方法，其特征在于，所述方法中，将多边形掩码、前景点、背景点与裁剪的图像作为模型输入时，根据专利中的迭代式训练方法，在不同的阶段，选择对应的信息作为模型的输入对交互式分割模型进行前向传播。