一种基于无标注数据的医疗图像分割方法技术

本发明专利技术公开了一种基于无标注数据的医疗图像分割方法，包括以下步骤：A1：采用有标注数据对分割网络进行训练；A2：将包含无标注数据和有标注数据的训练图像输入到所述分割网络进行分割，并将得到的分割结果输入到评价网络；A3：采用所述评价网络对分割结果进行评价；A4：对所述分割网络和所述评价网络进行对抗式训练；A5：当所述分割网络和所述评价网络达到动态平衡时，根据所述分割网络得到无标注数据的最终分割结果。本发明专利技术实现了无标注医疗图像的端到端分割，而不需要提前标注好大量医疗图像再用这些标注好的图像来训练分割网络，方法简单高效。

【技术实现步骤摘要】
一种基于无标注数据的医疗图像分割方法
本专利技术涉及计算机视觉技术和医疗图像分析领域，尤其涉及一种基于无标注数据的医疗图像分割方法。
技术介绍
CT、MR、PET、超声、X光等医疗成像技术在疾病的早期检测、诊断、治疗方面起着重要作用。通常这些医疗图像都是由放射科医生等专门人员进行判断，但由于放射科医生的数量紧缺、病理的变化多样、医生易疲劳的原因，计算机辅助诊断技术的引入变的非常有必要，这其中涉及到计算机视觉技术和医疗图像分析领域的结合。考虑到机器学习在数据分析中的地位，出现了许多基于医生专业知识的辅助诊断系统，系统依然很大程度上依赖医生的诊断规则，不容易推广。然而近年来盛行的深度学习可以很好的解决这一手工特征工程的问题，使得非机器学习领域的专家也能够把深度学习应用到医疗图像处理中。深度学习的巨大成功与以下几个因素相关：1.计算能力的提高，如GPU集群计算；2.海量数据变的可用；3.学习算法的发展。深度学习在海量数据中学习出适合的特征表达方式，并逐层提升特征层次，在计算机视觉领域取得了辉煌成就。受此启发，在医疗图像的分割、配准、检测、标注等领域，开始出现了相关计算机辅助诊断的技术。语义分割是医疗图像分析处理的基本问题，它通常是计算机辅助诊断的第一步。深度学习已经在该领域取得了一定进展，为了获得好的分割效果，往往需要很多数量的标注图片来训练模型。由于逐个像素标注的高昂成本和巨大数目的图像尺寸，如一张3D医学图像包括数百张2D图像切片，每张2D图像切片上又有很多细胞器官组织等，因此已标注的医疗图像数量非常稀少。当训练模型时，有大量未标注的数据，却只有少量已标注数据，这为模型的有监督学习提出了巨大困难。基于少量标注数据训练的模型非常容易导致过拟合，即系统的泛化能力很差，不适用于病变变化较大的医学领域；错误的分割极易导致后续医生的误诊，因此如何利用可获得的少量有标注数据来显著提升分割效果则成为了关键。目前该问题的解决方案主要有二种，一种是迁移学习，将针对自然图像训练好的模型应用到医疗图像中，但是由于自然图像和医疗图像的成像方式和原始分布差距悬殊，基于该方法的医学图像分割效果往往不是很理想；另一种是近年来出现的生成对抗网络(GAN)，它主要由生成器和判别器组成，判别器不断挑选出生成效果较差的样本，来实现样本对应标签的生成。考虑到GAN容易受到对抗攻击的影响，生成的样本标注准确率波动大，使得后续的分割效果无法得到有效保证。以上
技术介绍
内容的公开仅用于辅助理解本专利技术的构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述
技术介绍
不应当用于评价本申请的新颖性和创造性。
技术实现思路
鉴于现有技术存在的上述缺点，本专利技术提出一种基于无标注数据的医疗图像分割方法，实现了无标注医疗图像的端到端分割，而不需要提前标注好大量医疗图像再用这些标注好的图像来训练分割网络，方法简单高效。为了达到上述目的，本专利技术采用以下技术方案：本专利技术公开了一种基于无标注数据的医疗图像分割方法，包括以下步骤：A1：采用有标注数据对分割网络进行训练；A2：将包含无标注数据和有标注数据的训练图像输入到所述分割网络进行分割，并将得到的分割结果输入到评价网络；A3：采用所述评价网络对分割结果进行评价；A4：对所述分割网络和所述评价网络进行对抗式训练；A5：当所述分割网络和所述评价网络达到动态平衡时，根据所述分割网络得到无标注数据的最终分割结果。优选地，步骤A1中具体包括：将有标注数据输入到分割网络，得到分割结果后与标注进行比较，得到多值交叉熵为：其中，n为训练的有标注数据的个数，x为网络输入，y是期望输出，a是网络的实际输出；然后根据计算得到的多值交叉熵进行反向传播，来调整所述分割网络的参数，直至所述分割网络具有分割能力。优选地，步骤A3中具体包括：所述评价网络根据二值交叉熵来对分割结果进行评价：cd＝-[klnk+(1-k)ln(1-k)]其中，评价结果为好时的概率为k，评价结果为差的概率为(1-k)；当二值交叉熵大于或等于预设阈值时，所述评价网络评价对应的分割结果为差，当二值交叉熵小于预设阈值时，所述评价网络评价对应的分割结果为好。优选地，步骤A4中对所述分割网络和所述评价网络进行对抗式训练的具体过程包括：将所述评价网络的评价结果返回给所述分割网络，所述分割网络调整参数以降低误差并将重新得到的分割结果输入到所述评价网络，所述评价网络也调整参数以降低误差并对重新得到的分割结果进行重新评价，以此循环反复。优选地，步骤A4中具体为采用整体代价函数来对所述分割网络和所述评价网络进行对抗式训练，其中整体代价函数为：其中，θs，θd分别为分割网络和评价网络的参数，训练图像中总共有M个有标注数据Xm，标注为Ym，N个无标注数据Un，cs表示分割网络的多值交叉熵，cd表示评价网络的二值交叉熵，S表示分割，E表示误差，ρ为0～1的调节参数；在对抗式训练过程中，整体代价函数向不断减小的方向进行，所述分割网络和所述评价网络分别根据整体代价函数来调整各自的参数θs，θd。优选地，在对抗式训练过程中，ρ的值逐渐增大。优选地，步骤A5具体为：当在对抗式训练过程中整体代价函数不能再减小时，所述分割网络和所述评价网络达到动态平衡，结束对所述分割网络和所述评价网络的对抗式训练，此时根据所述分割网络得到无标注数据的最终分割结果。优选地，所述分割网络采用U-Net。优选地，所述评价网络采用VGG16网络，该网络将分割结果差的记为0，分割结果好的记为1。与现有技术相比，本专利技术的有益效果在于：本专利技术的基于无标注数据的医疗图像分割方法中只需要采用少量的有标注数据先对分割网络进行训练，然后采用大量无标注数据和少量有标注数据共同训练包括分割网络和评价网络的深度模型，通过网络的对抗式训练，来估计无标注数据的反向传播误差，达到无标注数据分割的目的，其中训练好的网络具有很强的泛化能力，能够满足医疗分割领域准确率的要求。在深度模型中，分割网络专门负责有标注数据和无标注数据的分割，评价网络负责对此前得到的分割结果进行评价，评价网络不断挑选出差的分割结果，分割网络不断训练加强分割的准确率，直至对抗训练完成，评价网络无法分辨出差的分割结果，则可以认为无标注医疗图像的分割效果已达最佳，从而实现了无标注医疗图像的端到端分割，而不需要提前标注好大量医疗图像再用这些标注好的图像来训练分割网络，方法简单高效。附图说明图1是本专利技术优选实施例的基于无标注数据的医疗图像分割方法的流程示意图；图2是本专利技术优选实施例的分割网络的具体结构示意图；图3是本专利技术优选实施例的评价网络的具体结构示意图；图4是本专利技术优选实施例的分割网络和评价网络进行对抗式训练的示意图。具体实施方式下面对照附图并结合优选的实施方式对本专利技术作进一步说明。如图1所示，本专利技术的优选实施例公开了一种基于无标注数据的医疗图像分割方法，包括以下步骤：A1：采用少量有标注数据训练分割网络，使分割网络具有一定的分割能力；在本实施例中，分割网络采用U-Net，它用短连接将下采样层和对应的上采样层结合起来，实现了不同层间特征图的级联，保证了图像的语境信息被充分利用，这有别于其他基于块处理的卷积神经网络；从网络的训练本文档来自技高网...

【技术保护点】
1.一种基于无标注数据的医疗图像分割方法，其特征在于，包括以下步骤：A1：采用有标注数据对分割网络进行训练；A2：将包含无标注数据和有标注数据的训练图像输入到所述分割网络进行分割，并将得到的分割结果输入到评价网络；A3：采用所述评价网络对分割结果进行评价；A4：对所述分割网络和所述评价网络进行对抗式训练；A5：当所述分割网络和所述评价网络达到动态平衡时，根据所述分割网络得到无标注数据的最终分割结果。

【技术特征摘要】
1.一种基于无标注数据的医疗图像分割方法，其特征在于，包括以下步骤：A1：采用有标注数据对分割网络进行训练；A2：将包含无标注数据和有标注数据的训练图像输入到所述分割网络进行分割，并将得到的分割结果输入到评价网络；A3：采用所述评价网络对分割结果进行评价；A4：对所述分割网络和所述评价网络进行对抗式训练；A5：当所述分割网络和所述评价网络达到动态平衡时，根据所述分割网络得到无标注数据的最终分割结果。2.根据权利要求1所述的基于无标注数据的医疗图像分割方法，其特征在于，步骤A1中具体包括：将有标注数据输入到分割网络，得到分割结果后与标注进行比较，得到多值交叉熵为：其中，n为训练的有标注数据的个数，x为网络输入，y是期望输出，a是网络的实际输出；然后根据计算得到的多值交叉熵进行反向传播，来调整所述分割网络的参数，直至所述分割网络具有分割能力。3.根据权利要求1所述的基于无标注数据的医疗图像分割方法，其特征在于，步骤A3中具体包括：所述评价网络根据二值交叉熵来对分割结果进行评价：cd＝-[klnk+(1-k)ln(1-k)]其中，评价结果为好时的概率为k，评价结果为差的概率为(1-k)；当二值交叉熵大于或等于预设阈值时，所述评价网络评价对应的分割结果为差，当二值交叉熵小于预设阈值时，所述评价网络评价对应的分割结果为好。4.根据权利要求1所述的基于无标注数据的医疗图像分割方法，其特征在于，步骤A4中对所述分割网络和所述评价网络进行对抗式训练的具体过程包括：将所述评价网络的评价结果返回给所述...

【专利技术属性】
技术研发人员：王好谦，宋磊，王兴政，方璐，戴琼海，
申请(专利权)人：深圳市未来媒体技术研究院，清华大学深圳研究生院，
类型：发明
国别省市：广东,44