一种基于生成对抗网络的半监督医学图像分割方法技术

本发明专利技术提供了一种基于生成对抗网络的半监督医学图像分割方法，包括：(1)构建分割生成网络以及判别网络；(2)加入基于交叉熵的自学习约束；(3)加入数据分布符合约束；(4)分割出原像素大小的图像。本发明专利技术通过建立基于深度学习网络的生成对学习体系，用自学习的方式进行半监督的分割任务；生成器将没有标注的数据生成概率特征图，该特征图将由判别器生成的指示器定判定其可靠性；基于交叉熵的自学习约束以及数据分布符合约束将分别提升对于没有标注数据的利用率以及真实标注与生成标注的数据分布一致性。本发明专利技术方法能一定程度上解决传统全监督方法对于标注量的依赖性，从而更好的在少量标注的情况下辅助智能医疗分析与诊断。

【技术实现步骤摘要】
一种基于生成对抗网络的半监督医学图像分割方法
本专利技术属于生物医学图像分割
，具体涉及一种基于生成对抗网络的半监督医学图像分割方法。
技术介绍
医学图像分割是将像素目标区域与背景信息隔离开来的任务，它在医学图像分析领域中发挥着至关重要的作用。为了更好的解决分割任务，大量的方法不断的被提出，尽管模型体系结构各不相同，但是所有这些方法都遵循一条通用流程，即在完全监督的方式下收集数据，注释目标区域以及优化模型参数。这个流程中训练图像数量和图像标注的质量严重影响了最终性能的提高，因此训练图像的数量和图像注释的质量是影响最终性能的核心因素，训练数据标注越多，性能越好。但是对于医学图像而言，收集和注释语义分割数据集非常昂贵；首先，由于医学资源的限制和伦理问题，难以获得大量的训练图像；此外，由于注释者必须具有专业知识，因此使标注过程更加困难。在这种情况下，人们提出了一个自然的问题：如何在没有足够注释的情况下增强算法？半监督学习方法为我们提供了解决此问题的关键。半监督学习意味着我们只有很少的带注释的训练数据，但是我们可以使用大量未标记的数据作为本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的半监督医学图像分割方法，包括如下步骤：/n(1)将未标注以及有标注的医学图像进行分类，并将这些图像归一化成相同的尺寸大小；/n(2)将有标注的医学图像输入至基于深度学习神经网络的生成器中提取特征信息，输出对应的特征概率图；/n(3)采用交叉熵函数用以约束训练生成器的神经网络，不断迭代直至收敛；/n(4)将未标注的医学图像输入至生成器中，生成对应的特征概率图，将该特征概率图经过argmax函数后与原医学图像进行融合并输入至判别器中，判别器会输出一个指示器用于判定以及一个特征向量；/n(5)若指示器的值大于设定的阈值，则将步骤(4)中生成的特征概率图作为未标注医学图像的伪...

【技术特征摘要】
1.一种基于生成对抗网络的半监督医学图像分割方法，包括如下步骤：
(1)将未标注以及有标注的医学图像进行分类，并将这些图像归一化成相同的尺寸大小；
(2)将有标注的医学图像输入至基于深度学习神经网络的生成器中提取特征信息，输出对应的特征概率图；
(3)采用交叉熵函数用以约束训练生成器的神经网络，不断迭代直至收敛；
(4)将未标注的医学图像输入至生成器中，生成对应的特征概率图，将该特征概率图经过argmax函数后与原医学图像进行融合并输入至判别器中，判别器会输出一个指示器用于判定以及一个特征向量；
(5)若指示器的值大于设定的阈值，则将步骤(4)中生成的特征概率图作为未标注医学图像的伪标签，进而对生成器的神经网络进行自学习监督训练；
(6)将有标注的医学图像xa和未标注的医学图像xu分别输入生成器，对应生成特征概率图Pa和Pu，将Pa与xa进行融合形成fa，将Pu与xu进行融合形成fu；
(7)将fa和fu分别输入判别器，判别器将对应输出两个指示器Ia与Iu以及两个特征向量Fa与Fu，将这两个特征向量使用L1范数进行约束，将Ia与1进行二元交叉熵约束，Iu与0进行二元交叉熵约束，完成判别器的训练并最终用以图像分割。


2.根据权利要求1所述的半监督医学图像分割方法，其特征在于：所述生成器采用以Resnet-101为基础的Deeplab生成器。


3.根据权利要求1所述的半监督医学图像分割方法，其特征在于：所述特征概率图的定义表达如下：



其中：P(i,j,n)为对于第n类图像对应特征概率图...

【专利技术属性】
技术研发人员：刘华锋，李楚晨，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33