本發(fā)明屬于計(jì)算機(jī)視覺與人工智能領(lǐng)域,具體涉及一種基于不確定性增強(qiáng)的用于牙齒與牙髓分割網(wǎng)絡(luò)的損失函數(shù)計(jì)算方法及裝置。
背景技術(shù):
1、在深度學(xué)習(xí)的圖像分割任務(wù)中,損失函數(shù)在指導(dǎo)模型訓(xùn)練中發(fā)揮關(guān)鍵作用。圖像分割的目標(biāo)是將圖像劃分成不同的區(qū)域或類別,如語義分割中的目標(biāo)對象與背景。為了實(shí)現(xiàn)這一目標(biāo),損失函數(shù)需準(zhǔn)確評(píng)估預(yù)測結(jié)果與實(shí)際標(biāo)簽之間的差異。常見的損失函數(shù)包括交叉熵?fù)p失(cross-entropy?loss)和dice系數(shù)損失(dice?coefficient?loss)。交叉熵?fù)p失是一種衡量實(shí)際類別與預(yù)測概率之間差異的損失函數(shù),適用于多類分割問題。dice系數(shù)損失則衡量預(yù)測區(qū)域與真實(shí)區(qū)域之間的重疊比例,常用于醫(yī)學(xué)影像分割等領(lǐng)域。綜合來說,選擇合適的損失函數(shù)能夠有效解決不同任務(wù)和數(shù)據(jù)集的具體需求,提高模型的分割性能。近期的研究也聚焦于組合損失、多尺度損失和自適應(yīng)損失,以進(jìn)一步優(yōu)化模型。然而,提出的這些損失函數(shù)并不能很好的解決cbct影像中牙齒與牙髓分割邊界容易出現(xiàn)丟失的問題,其原因主要在于這些損失函數(shù)并沒有考慮到牙齒與牙髓分割的邊界存在大量低置信度的區(qū)域,并且這些區(qū)域在整個(gè)目標(biāo)分割體積中所占比例很小,導(dǎo)致網(wǎng)絡(luò)在訓(xùn)練階段無法有效關(guān)注到這些區(qū)域。故此,迫切需要一種針對牙齒與牙髓高精度分割的損失函數(shù)。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明提出一種基于不確定性增強(qiáng)的用于牙齒與牙髓分割網(wǎng)絡(luò)的損失函數(shù)計(jì)算方法及裝置,旨在增強(qiáng)網(wǎng)絡(luò)模型在訓(xùn)練過程中對牙齒與牙髓弱小細(xì)節(jié)區(qū)域的關(guān)注程度,同時(shí)提高網(wǎng)絡(luò)模型對低置信度預(yù)測區(qū)域的判別能力。
2、第一方面,本發(fā)明提出一種基于不確定性增強(qiáng)的用于牙齒與牙髓分割網(wǎng)絡(luò)的損失函數(shù)計(jì)算方法,包括以下步驟:
3、步驟1:通過softmax計(jì)算出輸入骨干網(wǎng)絡(luò)的cbct圖像的牙齒與牙髓分割預(yù)測概率圖,其中表示類別;
4、步驟2:獲取cbct圖像的牙齒與牙髓的分割掩碼真值標(biāo)簽,并對其進(jìn)行one-hot編碼,從而得到二值掩碼真值標(biāo)簽;
5、步驟3:根據(jù)網(wǎng)絡(luò)輸出的每一類的分割預(yù)測概率譜計(jì)算每一個(gè)類別的不確定度加權(quán)譜,如下式所示:
6、每一個(gè)類別的不確定度加權(quán)譜,其中,表示不確定度閾值超參;
7、步驟4:利用計(jì)算得到的每一個(gè)類別的不確定度加權(quán)譜計(jì)算不確定度增強(qiáng)損失,如下式:
8、,式中,是不確定度增強(qiáng)損失,表示進(jìn)行元素級(jí)求和。
9、進(jìn)一步地,根據(jù)實(shí)際效果與實(shí)際應(yīng)用場景,對進(jìn)行微調(diào);的設(shè)定范圍為,當(dāng)為0.3時(shí),損失函數(shù)計(jì)算預(yù)測置信度低于0.8的區(qū)域的損失,當(dāng)為0.45時(shí),損失函數(shù)計(jì)算置信度低于0.95的區(qū)域的損失。
10、進(jìn)一步地,所述方法還包括:
11、計(jì)算所述損失函數(shù)的梯度值;
12、基于所述梯度值更新網(wǎng)絡(luò)參數(shù);
13、利用更新后的網(wǎng)絡(luò)參數(shù)重復(fù)進(jìn)行所述損失函數(shù)的計(jì)算,直到損失函數(shù)小于等于預(yù)設(shè)值為止。
14、第二方面,本發(fā)明提出一種基于不確定性增強(qiáng)的用于牙齒與牙髓分割網(wǎng)絡(luò)的損失函數(shù)計(jì)算裝置,該裝置包括:
15、預(yù)測概率譜獲取模塊,用于獲取輸入骨干網(wǎng)絡(luò)的cbct圖像的牙齒與牙髓分割預(yù)測概率圖,其中表示類別;
16、分割掩碼真值標(biāo)簽計(jì)算模塊,用于獲取cbct圖像中牙齒與牙髓的二值掩碼真值標(biāo)簽;
17、不確定度加權(quán)譜獲取模塊,根據(jù)網(wǎng)絡(luò)輸出的每一類的分割預(yù)測概率譜計(jì)算不確定度加權(quán)譜,所述模塊利用下列公式計(jì)算:
18、,其中,表示不確定度閾值超參;
19、第一計(jì)算模塊,利用計(jì)算得到的每一個(gè)類別的不確定度加權(quán)譜計(jì)算不確定度增強(qiáng)損失,所述第一計(jì)算模塊,包括:
20、計(jì)算子模塊,利用下列公式計(jì)算所述不確定度增強(qiáng)損失:
21、,式中,是不確定度增強(qiáng)損失,表示進(jìn)行元素級(jí)求和。
22、進(jìn)一步地,所述裝置還包括:
23、第二計(jì)算模塊,用于計(jì)算所述損失函數(shù)的梯度值;
24、更新模塊,用于基于所述梯度值更新網(wǎng)絡(luò)參數(shù);
25、第三計(jì)算模塊,用于利用更新后的網(wǎng)絡(luò)參數(shù)重復(fù)進(jìn)行所述損失函數(shù)的計(jì)算,直到損失函數(shù)小于等于預(yù)設(shè)值為止。
26、本發(fā)明解決了在cbct影像中牙齒與牙髓分割邊界容易出現(xiàn)丟失的問題,使得牙齒與牙髓分割結(jié)果更準(zhǔn)確,在評(píng)價(jià)指標(biāo)dice系數(shù)上能夠?qū)崿F(xiàn)平均高達(dá)1%的提升,同時(shí)牙髓末端分割長度也延長了2-3mm,有效提高了模型的分割性能。
1.一種基于不確定性增強(qiáng)的用于牙齒與牙髓分割網(wǎng)絡(luò)的損失函數(shù)計(jì)算方法,其特征在于,包括以下步驟:
2.根據(jù)權(quán)利要求1所述的一種基于不確定性增強(qiáng)的用于牙齒與牙髓分割網(wǎng)絡(luò)的損失函數(shù)計(jì)算方法,其特征在于,根據(jù)實(shí)際效果與實(shí)際應(yīng)用場景,對進(jìn)行微調(diào);的設(shè)定范圍為,當(dāng)為0.3時(shí),損失函數(shù)計(jì)算預(yù)測置信度低于0.8的區(qū)域的損失,當(dāng)為0.45時(shí),損失函數(shù)計(jì)算置信度低于0.95的區(qū)域的損失。
3.根據(jù)權(quán)利要求1所述的一種基于不確定性增強(qiáng)的用于牙齒與牙髓分割網(wǎng)絡(luò)的損失函數(shù)計(jì)算方法,其特征在于,所述方法還包括:
4.一種基于不確定性增強(qiáng)的用于牙齒與牙髓分割網(wǎng)絡(luò)的損失函數(shù)計(jì)算裝置,其特征在于,該裝置包括:
5.根據(jù)權(quán)利要求4所述的一種基于不確定性增強(qiáng)的用于牙齒與牙髓分割網(wǎng)絡(luò)的損失函數(shù)計(jì)算裝置,其特征在于,所述裝置還包括: