本发明涉及轮廓分割，具体的是基于中性粒细胞簇及演化神经网络的分割方法及系统。
背景技术：
1、近年来，随着人工智能技术的发展，基于人工智能的前列腺分割模型可自动化分割前列腺超声图像，为医生提供便捷同时，也节省了医患的时间成本。为了解决由于超声图像质量低和阴影伪影带来的挑战，xu等人提出了一种具有阴影增强和阴影辍学两种新机制的阴影一致性半监督学习方法，但其分割的准确性受到系统误差的影响，且模型的鲁棒性较差。jiang等人将基于配准的粗分割方法与基于集成深度卷积网络的精细分割方法相结合，开发了一种从粗到细的前列腺分割框架，但该框架需要大量的计算资源，难以实现。wang等人将深度神经网络与注意力模块相结合，使用卷积神经网络不同层中编码的互补信息实现经直肠超声图像中的前列腺分割，然而，该方法的细化步骤无法耦合相邻特征节点，模型泛化能力弱。因此，需要提高超声图像中前列腺分割的准确性和效率。
技术实现思路
1、为解决上述背景技术中提到的不足，本发明的目的在于提供基于中性粒细胞簇及演化神经网络的分割方法及系统。
2、第一方面，本发明的目的可以通过以下技术方案实现：基于中性粒细胞簇及演化神经网络的分割方法，方法包括以下步骤：
3、获取采样点集合，对采样点集合进行标准化处理，得到标准采样点集合，将标准采样点集合映射到中性粒领域内，得到数据集，对数据集进行过滤得到过滤后的数据集；
4、对于过滤后的数据集进行判断并带宽更新，判断过滤后的数据集的簇是否符合要求，如符合要求则分类全部点集，并保留剩余点集，得到处理后的数据集；
5、获取第一主成分线，将处理后的数据集内的数据点投影至第一主成分线上进行映射分类，得到数据序列，将数据序列输入至预先建立的基于relu模型内进行分割，输出得到可解释性轮廓。
6、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述采样点集合为n个d维采样点集合xn＝{x1,...,xn},xi∈rd，采样点的矩阵表达形式为x＝[x1,...,xn]t，对采样点集合进行标准化处理的过程为：使用z评分标准化的方式将采样点集合调整到设定集合的范围内，其中，采样点(xi,yi)的标准化后的坐标(x′i,y′i)表达形式为：
7、
8、
9、其中：xmax和xmin为采样点x轴的最大和最小坐标，xi为采样点；ymax和ymin为采样点y轴的最大和最小坐标，yi为采样点。
10、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述将标准采样点集合映射到中性粒领域内，得到数据集，将数据集分为真集tc、不确定集ic、和假集fc；
11、其中：
12、
13、
14、
15、其中：g(x,y)和gd(x,y)分别在点(x,y)的不同颜色通道上，gd(x,y)和gd(x,y)分别表示在点(x,y)的强度和梯度值，gdmin和gdmin分别表示最小、最大强度；gdmin和gdmin分别表示最小、最大梯度值。
16、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述对数据集进行过滤得到过滤后的数据集的过程：
17、使用不确定性滤波器过滤点集，保留真集tc，其中滤波器是根据ic(x,y)值进行设定：
18、
19、σi＝f(ic(x,y))＝a×ic(x,y)+b
20、其中：gic(x,y)为滤波器的核函数，σi为确定核函数形状的标准差，f(·)为映射的不确定性等级，a和b是线性函数中的参数。
21、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述对于过滤后的数据集进行判断并带宽更新的过程：
22、判断未分簇点数目是否小于预设阈值，如果是，则自适应选择一组未分类像素点；即计算未分类像素点到曲线的距离，选择1/2的距离最短的未分类像素点，再更新带宽。
23、如果不是，随机选择一组未分类像素点，然后进行像素点过滤；计算未分类像素点到曲线的平均距离lm及点到曲线的距离l1，当l1>lm，则过滤像素点，再更新带宽。
24、更新带宽，带宽取值取决于ic
25、bw(x,y)＝ic(x,y)×(tcmax-tcmin)
26、其中：tcmax和tcmin分别为在当前簇下tc的最大、最小值。
27、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述判断过滤后的数据集的簇是否符合要求，如符合要求则分类全部点集，并保留剩余点集，得到处理后的数据集的过程：
28、分类本组未分类像素点至现有簇中，如果现无簇，则自成1组簇；如有簇，判断未分类像素点的tcnew值是否在确定簇的[0,tc]范围之间，如是，划分为选定的簇中；否则删除；
29、判断当前簇是否稳定，如果是，进行下一步，否则再次判断未分簇点数目是否小于预设阈值；
30、判断是否全部分簇，如果是，进行下一步，否则对数据集再次进行过滤；
31、分类全部点集；
32、保留剩余点集，并作为多边形线算法的输入点集，得到处理后的数据集。
33、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述将处理后的数据集内的数据点投影至第一主成分线上进行映射分类，得到数据序列的过程：
34、设f是一条以v＝{v1,…,vk+1}为顶点集，以s＝{s1,…,sk}为边的多边形线段集组成的曲线，其中si以vi和vi+1为顶点；
35、vi＝{p∈pn:δ(p,vi)＝δ(p,f),δ(p,vi)＜δ(p,vm),m＝1,2...i-1}
36、
37、p表示数据点，pn表示n个数据点组成的数据点集合
38、在顶点优化步中，优化各个顶点的位置：
39、gn(vj)＝n-1*δn(vj)+λ*(k+1)-1*p(vj)
40、g表示距离惩罚函数，λ表示曲率惩罚因子
41、基于顶点优化步中顶点的优化，si以vi和vi+1为顶点，线段位置随之更新：
42、通过将数据集投影到贪婪主曲线来实现数据集的投影索引{t1,t2,…,tn}，根据从小到大的投影指标ti的顺序，对数据集(xi,yi)进行依次排序，投影指标表示为：
43、tf(xi)＝sup{t:||xi-f(t)||＝infτ||xi-f(τ)||}
44、sup(x)是取上限函数，inf(x)是取下限函数
45、所得的数据序列由有序投影指标和点坐标组成，数据序列表示为：{(t,(xi,yi)),i＝1,2,…,n,0≤t1<t2<…<tn≤1}；t为投影指标，(xi,yi)为点的横、纵坐标。
46、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述预先建立的基于relu模型如下：
47、
48、其中，vx和vy表示顶点x和y轴坐标；f表示轮廓线，s表示隐含层神经元个数；w1和w2表示从输入层到隐含层和从隐含层到输出层的权值；ax表示隐含层神经元的输出阈值；bx1表示输出神经元的输出阈值1；bx2表示输出神经元的输出阈值2。
49、第二方面，为了达到上述目的，本发明公开了基于中性粒细胞簇及演化神经网络的分割系统，包括：
50、集合处理模块，用于获取采样点集合，对采样点集合进行标准化处理，得到标准采样点集合，将标准采样点集合映射到中性粒领域内，得到数据集，对数据集进行过滤得到过滤后的数据集；
51、数据处理模块，用于对于过滤后的数据集进行判断并带宽更新，判断过滤后的数据集的簇是否符合要求，如符合要求则分类全部点集，并保留剩余点集，得到处理后的数据集；
52、轮廓分割模块，用于获取第一主成分线，将处理后的数据集内的数据点投影至第一主成分线上进行映射分类，得到数据序列，将数据序列输入至预先建立的基于relu模型内进行分割，输出得到可解释性轮廓。
53、结合第二方面，在第二方面的某些实现方式中，该系统还包括：所述集合处理模块内采样点集合为n个d维采样点集合xn＝{x1,...,xn},xi∈rd，采样点的矩阵表达形式为x＝[x1,...,xn]t，对采样点集合进行标准化处理的过程为：使用z评分标准化的方式将采样点集合调整到设定集合的范围内，其中，采样点(xi,yi)的标准化后的坐标(x′i,y′i)表达形式为：
54、
55、
56、其中：xmax和xmin为采样点x轴的最大和最小坐标，xi为采样点；ymax和ymin为采样点y轴的最大和最小坐标，yi为采样点；
57、或者集合处理模块内将标准采样点集合映射到中性粒领域内，得到数据集，将数据集分为真集tc、不确定集ic、和假集fc；
58、其中：
59、
60、
61、
62、其中：g(x,y)和gd(x,y)分别在点(x,y)的不同颜色通道上，gd(x,y)和gd(x,y)分别表示在点(x,y)的强度和梯度值，gdmin和gdmin分别表示最小、最大强度；gdmin和gdmin分别表示最小、最大梯度值；
63、或者集合处理模块内所述对数据集进行过滤得到过滤后的数据集的过程：
64、使用不确定性滤波器过滤点集，保留真集tc，其中滤波器是根据ic(x,y)值进行设定：
65、
66、σi＝f(ic(x,y))＝a×ic(x,y)+b
67、其中：gic(x,y)为滤波器的核函数，σi为确定核函数形状的标准差，f(·)为映射的不确定性等级，a和b是线性函数中的参数；
68、优选地，数据处理模块内对于过滤后的数据集进行判断并带宽更新的过程：
69、判断未分簇点数目是否小于预设阈值，如果是，则自适应选择一组未分类像素点；即计算未分类像素点到曲线的距离，选择1/2的距离最短的未分类像素点，再更新带宽；
70、如果不是，随机选择一组未分类像素点，然后进行像素点过滤；计算未分类像素点到曲线的平均距离lm及点到曲线的距离l1，当l1>lm，则过滤像素点，再更新带宽。
71、更新带宽，带宽取值取决于ic
72、bw(x,y)＝ic(x,y)×(tcmax-tcmin)
73、其中：tcmax和tcmin分别为在当前簇下tc的最大、最小值；
74、优选地，数据处理模块内判断过滤后的数据集的簇是否符合要求，如符合要求则分类全部点集，并保留剩余点集，得到处理后的数据集的过程：
75、分类本组未分类像素点至现有簇中，如果现无簇，则自成1组簇；如有簇，判断未分类像素点的tcnew值是否在确定簇的[0,tc]范围之间，如是，划分为选定的簇中；否则删除；
76、判断当前簇是否稳定，如果是，进行下一步，否则再次判断未分簇点数目是否小于预设阈值；
77、判断是否全部分簇，如果是，进行下一步，否则对数据集再次进行过滤；
78、分类全部点集；
79、保留剩余点集，并作为多边形线算法的输入点集，得到处理后的数据集；
80、优选地，轮廓分割模块内将处理后的数据集内的数据点投影至第一主成分线上进行映射分类，得到数据序列的过程：
81、设f是一条以v＝{v1,…,vk+1}为顶点集，以s＝{s1,…,sk}为边的多边形线段集组成的曲线，其中si以vi和vi+1为顶点；
82、vi＝{p∈pn:δ(p,vi)＝δ(p,f),δ(p,vi)＜δ(p,vm),m＝1,2...i-1}
83、
84、p表示数据点，pn表示n个数据点组成的数据点集合
85、在顶点优化步中，优化各个顶点的位置：
86、gn(vj)＝n-1*δn(vj)+λ*(k+1)-1*p(vj)
87、g表示距离惩罚函数，λ表示曲率惩罚因子
88、基于顶点优化步中顶点的优化，si以vi和vi+1为顶点，线段位置随之更新：
89、通过将数据集投影到贪婪主曲线来实现数据集的投影索引{t1,t2,…,tn}，根据从小到大的投影指标ti的顺序，对数据集(xi,yi)进行依次排序，投影指标表示为：
90、tf(xi)＝sup{t:||xi-f(t)||＝infτ||xi-f(τ)||}
91、sup(x)是取上限函数，inf(x)是取下限函数
92、所得的数据序列由有序投影指标和点坐标组成，数据序列表示为：{(t,(xi,yi)),i＝1,2,…,n,0≤t1<t2<…<tn≤1}；t为投影指标，(xi,yi)为点的横、纵坐标；
93、优选地，轮廓分割模块内预先建立的基于relu模型如下：
94、
95、其中，vx和vy表示顶点x和y轴坐标；f表示轮廓线，s表示隐含层神经元个数；w1和w2表示从输入层到隐含层和从隐含层到输出层的权值；ax表示隐含层神经元的输出阈值；bx1表示输出神经元的输出阈值1；bx2表示输出神经元的输出阈值2。
96、本发明的有益效果：
97、本发明提出可解释性ai模型针对，提出“基于存储机制的演化算法”辅助ai进行训练、从而避免ai进入局部最优；并能够获得全局最优针对，提出“中性粒细胞簇模型”可以自动的获得曲线簇点，而不需要人为干预，提出光滑轮廓数学表达式，以最终优化轮廓光滑度，从而确保轮廓精度的提升。
1.基于中性粒细胞簇及演化神经网络的分割方法，其特征在于，方法包括以下步骤：
2.根据权利要求1所述的基于中性粒细胞簇及演化神经网络的分割方法，其特征在于，所述采样点集合为n个d维采样点集合xn＝{x1,...,xn},xi∈rd，采样点的矩阵表达形式为x＝[x1,...,xn]t，对采样点集合进行标准化处理的过程为：使用z评分标准化的方式将采样点集合调整到设定集合的范围内，其中，采样点(xi,yi)的标准化后的坐标(x′i,y′i)表达形式为：
3.根据权利要求1所述的基于中性粒细胞簇及演化神经网络的分割方法，其特征在于，所述将标准采样点集合映射到中性粒领域内，得到数据集，将数据集分为真集tc、不确定集ic、和假集fc；
4.根据权利要求1所述的基于中性粒细胞簇及演化神经网络的分割方法，其特征在于，所述对数据集进行过滤得到过滤后的数据集的过程：
5.根据权利要求1所述的基于中性粒细胞簇及演化神经网络的分割方法，其特征在于，所述对于过滤后的数据集进行判断并带宽更新的过程：
6.根据权利要求1所述的基于中性粒细胞簇及演化神经网络的分割方法，其特征在于，所述判断过滤后的数据集的簇是否符合要求，如符合要求则分类全部点集，并保留剩余点集，得到处理后的数据集的过程：
7.根据权利要求1所述的基于中性粒细胞簇及演化神经网络的分割方法，其特征在于，所述将处理后的数据集内的数据点投影至第一主成分线上进行映射分类，得到数据序列的过程：
8.根据权利要求1所述的基于中性粒细胞簇及演化神经网络的分割方法，其特征在于，所述预先建立的基于relu模型如下：
9.基于中性粒细胞簇及演化神经网络的分割系统，其特征在于，包括：
10.根据权利要求9所述的基于中性粒细胞簇及演化神经网络的分割系统，其特征在于，所述集合处理模块内采样点集合为n个d维采样点集合xn＝{x1,...,xn},xi∈rd，采样点的矩阵表达形式为x＝[x1,...,xn]t，对采样点集合进行标准化处理的过程为：使用z评分标准化的方式将采样点集合调整到设定集合的范围内，其中，采样点(xi,yi)的标准化后的坐标(x′i,y′i)表达形式为：
