本发明属于神经网络，具体是涉及到一种用于脑血管影像分割的深度学习自监督训练方法及系统。
背景技术：
1、计算机断层血管造影(cta)成像技术广泛应用于脑血管病变的诊断、治疗和手术规划等领域。然而cta图像中的脑血管分割任务非常困难，因为图像中包含许多类似于血管的结构，如骨骼、静脉、软组织等，这些结构难以准确分离。
2、目前医疗影像分析领域已经广泛使用了深度学习技术，尤其是卷积神经网络(cnn)，进行图像分类、目标检测和分割等任务。但是，训练深度学习模型需要大量的标注数据，这在医疗影像分析领域是一个瓶颈问题，因为脑血管脉络复杂、数量多且半径小，标注难度极大。纯人工标注一般由经验丰富的医生来操作，且因为医学标注需要专业医生进行，不仅成本高昂还会耗费专业医生大量的时间。
技术实现思路
1、本发明提供一种用于脑血管影像分割的深度学习自监督训练方法及系统，以解决利用卷积神经网络进行脑血管cta影像分割时，训练模型需要耗费大量时间和成本进行人工标注的问题。
2、第一方面，本发明提供一种用于脑血管影像分割的深度学习自监督训练，该方法包括如下步骤：
3、获取包含脑血管的三维cta影像数据；
4、预处理所述三维cta影像数据，并将预处理后的所述三维cta影像数据划分为训练集数据和测试集数据；
5、基于masked autoencoders模型构建cta影像分割模型；
6、将所述训练集数据输入至所述cta影像分割模型中，利用所述cta影像分割模型在所述训练集数据上生成遮罩区域，通过存在所述遮罩区域的所述训练集数据完成所述cta影像分割模型的训练；
7、将所述测试集数据输入至训练完成的所述cta影像分割模型中，并通过所述cta影像分割模型输出模型结果。
8、可选的，所述将所述训练集数据输入至所述cta影像分割模型中，利用所述cta影像分割模型在所述训练集数据上生成遮罩区域包括如下步骤：
9、将所述训练集数据输入至所述cta影像分割模型中；
10、基于固定网格将所述训练集数据网格化，得到多个子网格内容；
11、将多个所述子网格内容编码转换为子网格向量；
12、在所述子网格向量中生成遮罩区域以标记或剔除位于所述遮罩区域内的所述子网格向量。
13、可选的，所述在所述子网格向量中生成遮罩区域以标记或剔除位于所述遮罩区域内的所述子网格向量包括如下步骤：
14、基于所述训练集数据的数据大小计算遮罩区域的生成概率；
15、获取所述训练集数据中所有图片像素的亮度值，并将所述亮度值超出预设亮度阈值的图片像素标记为脑血管疑似像素，生成第一血管概率图；
16、将所述训练集数据输入至预设的基础脑血管分割模型中，通过所述基础脑血管分割模型预测并标记所述训练集数据中脑血管的位置，生成第二血管概率图；
17、将所述第一血管概率图和所述第二血管概率图进行加权平均计算，生成最终血管概率图；
18、根据所述生成概率并基于所述最终血管概率图在所述子网格向量中生成遮罩区域，以标记或剔除位于所述遮罩区域内的所述子网格向量。
19、可选的，所述通过存在所述遮罩区域的所述训练集数据完成所述cta影像分割模型的训练包括如下步骤：
20、利用所述cta影像分割模型中的编码器对未被标记或剔除的所述子网格向量进行编码，得到编码数据；
21、利用所述cta影像分割模型中的解码器对所述编码数据进行解码，生成恢复影像数据；
22、计算所述恢复影像数据和所述训练集数据之间差异的损失函数，并反向传播所述损失函数完成所述cta影像分割模型的训练。
23、可选的，所述三维cta影像数据的预处理步骤包括数据清洗、数据转换和数据标准化。
24、第二方面，本发明还提供一种用于脑血管影像分割的深度学习自监督训练系统，包括：
25、数据获取模块，用于获取包含脑血管的三维cta影像数据；
26、预处理模块，用于预处理所述三维cta影像数据，并将预处理后的所述三维cta影像数据划分为训练集数据和测试集数据；
27、模型构建模块，用于基于masked autoencoders模型构建cta影像分割模型；
28、模型训练模块，用于将所述训练集数据输入至所述cta影像分割模型中，利用所述cta影像分割模型在所述训练集数据上生成遮罩区域，通过存在所述遮罩区域的所述训练集数据完成所述cta影像分割模型的训练；
29、结果输出模块，用于将所述测试集数据输入至训练完成的所述cta影像分割模型中，并通过所述cta影像分割模型输出模型结果。
30、可选的，所述模型训练模块包括：
31、数据输入子模块，用于将所述训练集数据输入至所述cta影像分割模型中；
32、网格化子模块，用于基于固定网格将所述训练集数据网格化，得到多个子网格内容；
33、编码转换子模块，用于将多个所述子网格内容编码转换为子网格向量；
34、遮罩生成子模块，用于在所述子网格向量中生成遮罩区域以标记或剔除位于所述遮罩区域内的所述子网格向量。
35、可选的，所述遮罩生成子模块包括：
36、概率计算单元，用于基于所述训练集数据的数据大小计算遮罩区域的生成概率；
37、第一概率图生成单元，用于获取所述训练集数据中所有图片像素的亮度值，并将所述亮度值超出预设亮度阈值的图片像素标记为脑血管疑似像素，生成第一血管概率图；
38、第二概率图生成单元，用于将所述训练集数据输入至预设的基础脑血管分割模型中，通过所述基础脑血管分割模型预测并标记所述训练集数据中脑血管的位置，生成第二血管概率图；
39、第三概率图生成单元，用于将所述第一血管概率图和所述第二血管概率图进行加权平均计算，生成最终血管概率图；
40、遮罩生成单元，用于根据所述生成概率并基于所述最终血管概率图在所述子网格向量中生成遮罩区域，以标记或剔除位于所述遮罩区域内的所述子网格向量。
41、可选的，所述模型训练模块还包括：
42、编码子模块，用于利用所述cta影像分割模型中的编码器对未被标记或剔除的所述子网格向量进行编码，得到编码数据；
43、解码子模块，用于利用所述cta影像分割模型中的解码器对所述编码数据进行解码，生成恢复影像数据；
44、模型训练子模块，用于计算所述恢复影像数据和所述训练集数据之间差异的损失函数，并反向传播所述损失函数完成所述cta影像分割模型的训练。
45、可选的，所述三维cta影像数据的预处理步骤包括数据清洗、数据转换和数据标准化。
46、本发明的有益效果是：
47、本发明所采用的方法包括以下步骤：获取包含脑血管的三维cta影像数据；预处理三维cta影像数据，并将预处理后的三维cta影像数据划分为训练集数据和测试集数据；基于masked autoencoders模型构建cta影像分割模型；将训练集数据输入至cta影像分割模型中，利用cta影像分割模型在训练集数据上生成遮罩区域，通过存在遮罩区域的训练集数据完成cta影像分割模型的训练；将测试集数据输入至训练完成的cta影像分割模型中，并通过cta影像分割模型输出模型结果。
48、通过以上步骤实现分割模型的自监督训练，自监督训练是一种不需要标注数据的训练方法。它通过设计特定的损失函数，利用影像补全任务等训练方法让模型从无标注数据中学习到有用的特征表示。自监督训练具有以下优点：不需要标注数据，降低了数据获取成本；可以学习到通用的特征表示，提高了模型的泛化能力。
1.一种用于脑血管影像分割的深度学习自监督训练方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的用于脑血管影像分割的深度学习自监督训练方法，其特征在于，所述将所述训练集数据输入至所述cta影像分割模型中，利用所述cta影像分割模型在所述训练集数据上生成遮罩区域包括如下步骤：
3.根据权利要求2所述的用于脑血管影像分割的深度学习自监督训练方法，其特征在于，所述在所述子网格向量中生成遮罩区域以标记或剔除位于所述遮罩区域内的所述子网格向量包括如下步骤：
4.根据权利要求2所述的用于脑血管影像分割的深度学习自监督训练方法，其特征在于，所述通过存在所述遮罩区域的所述训练集数据完成所述cta影像分割模型的训练包括如下步骤：
5.根据权利要求1所述的用于脑血管影像分割的深度学习自监督训练方法，其特征在于，所述三维cta影像数据的预处理步骤包括数据清洗、数据转换和数据标准化。
6.一种用于脑血管影像分割的深度学习自监督训练系统，其特征在于，包括：
7.根据权利要求6所述的用于脑血管影像分割的深度学习自监督训练系统，其特征在于，所述模型训练模块包括：
8.根据权利要求7所述的用于脑血管影像分割的深度学习自监督训练系统，其特征在于，所述遮罩生成子模块包括：
9.根据权利要求7所述的用于脑血管影像分割的深度学习自监督训练系统，其特征在于，所述模型训练模块还包括：
10.根据权利要求6所述的用于脑血管影像分割的深度学习自监督训练系统，其特征在于，所述三维cta影像数据的预处理步骤包括数据清洗、数据转换和数据标准化。
