基于半监督学习的病灶分割模型训练、应用方法技术

本发明专利技术公开了一种基于半监督学习的病灶分割模型训练、应用方法，涉及图像识别技术领域，解决脑部结构复杂且噪声过多导致的阿尔兹海默症病灶标注困难的技术问题；该病灶分割模型在对图像进行下采样和上采样的时候加入了多域注意力机制，强调需要分割的病灶区域特征，提高模型对图像中病灶区域的关注程度，并抑制非病灶区域特征，以此提升特征图的特征表征能力；另外在模型中加入半监督学习的方法，利用无标签的数据训练网络模型，使用少量的带标注的数据集达到了较好的模型训练效果，极大的节约了人工标注的成本，为临床提供便捷的辅助诊断。

【技术实现步骤摘要】
基于半监督学习的病灶分割模型训练、应用方法
本专利技术涉及图像识别
，更具体地，涉及基于半监督学习的病灶分割模型训练、应用方法。
技术介绍
阿尔兹海默症(Alzheimer’sDisease,AD)是一种以记忆功能和认知功能进行性退化为特征的临床综合征，是导致痴呆症的主要原因，也是导致人类死亡的一大原因。AD的潜伏期较长，其临床表现也会随着时间的推移而慢慢恶化，医学上将其临床表现分为3个阶段：主观认知功能障碍(SubjectiveCognitiveImpairment,SCI)、轻度认知障碍(MildCognitiveImpairment,MCI)和AD。其中SCI是属于正常人类大脑老化会经过的一个阶段，通常随着年龄的增长，大多数人都会出现这种现象。MCI是介于正常衰老和痴呆之间的一种中间状态，是一种认知障碍症候群，也有人将其看作是AD的早期阶段。医生针对MCI和AD会给出相应不同的治疗方案，而现在临床上较多使用观看患者的脑磁共振成像(MagneticResonanceImaging,MRI)来诊断患者所处的阶段。因此，开展阿尔兹海默症患者脑部MRI图像分析具有重要的实用价值。在深度学习领域，图像分割任务普遍基于日常图像。因为日常图像获取成本低，容易标注，要得到大量的带标记训练样本成本较低。而在关于医学图像的图像分割任务中，具有图像获取成本高、对于标注人员的专业素养要求高的问题，我们需要分析的是阿尔兹海默症患者的脑部MRI图像，阿尔兹海默症的病灶包含多个部位，该图像结构复杂，噪声过多，人工标注困难。因此复杂的脑部MRI图像进行特征提取困难，使用少量的带标注的脑部MRI图像训练样本模型训练效果差，是本领域亟待解决的技术问题。公开号为CN105719293A公开日：2016-06-29提出的一种脑部MRI图像分割方法，将脑部MRI图像中每个像素点归属于具有最大隶属度的类中，令同一类中像素点灰度值等于同一个灰度值，完成脑部MRI图像分割，但通过PSO算法对结构复杂，噪声多的医学图像进行图像分割，效果并不理想。
技术实现思路
为克服上述现有技术所述的通过较少脑部MRI图像样本模型训练效果差，复杂的脑部MRI图像进行特征提取困难的技术问题，本专利技术提供了基于半监督学习的病灶分割模型训练、应用方法，技术方案如下：基于半监督学习的病灶分割模型训练方法，包括如下步骤：S1：在深度学习框架中构建深度学习网络模型，获取所有脑部MRI图像训练样本，将无标签的脑部MRI图像划入无标签训练集，将已正确标注病灶区域标签的脑部MRI图像和相应的标签，划入有标签训练集；S2：对所有脑部MRI图像训练样本进行预处理；S3：将预处理后的脑部MRI图像训练样本输入到共享编码器中；S4：共享编码器对输入的数据进行多次下采样，然后将每一次下采样的结果进行多域注意力机制处理；并且将最后一次下采样的结果输入到主解码器，同时对所述无标签训练集最后一次下采样的结果做数据干扰处理；S5：将多域注意力机制处理输出的特征分别输入到主解码器和辅助解码器，将数据干扰处理结果输入到辅助解码器；S6：主解码器和辅助解码器分别对共享编码器输出结果和数据干扰处理结果进行多次上采样处理；S7：主解码器和辅助解码器完成上采样后得到的图像分割结果分别由输入到损失函数进行计算损失处理，并将计算损失的结果反向输入到共享编码器调参优化所述深度学习网络模型。上述方案采用基于半监督学习的多域注意力机制的阿尔兹海默症脑部MRI分割模型，以编码器-解码器结构为基础，搭建图像病灶分割网络模型，在对图像进行下采样和上采样的时候加入了多域注意力机制，强调需要分割的病灶区域特征，提高了模型对图像中病灶区域的关注程度，并抑制非病灶区域特征，降低无关部位所带来的噪声，以此提升特征图的特征表征能力；另外在模型中加入半监督学习的方法，利用无标签的数据训练网络模型，使用少量的带标注的数据集达到了较好的模型训练效果，极大的节约了人工标注的成本，提升模型整体的鲁棒性；为临床提供便捷的辅助诊断。进一步地，步骤S2所述预处理包括：图像格式转换、获取时间校正、头动校正、不同成像方法间的图像融合、图像配准以及空间平滑处理中的一种或几种。进一步地，步骤S4所述下采样的次数为四次。进一步地，步骤S4所述多域注意力机制处理包括空间注意力处理和通道注意力处理，所述共享编码器每一次下采样的结果分别进行所述空间注意力处理和通道注意力处理，然后将两种处理后得到的特征进行特征融合。进一步地，步骤S4所述特征融合是指将两个特征的像素值相加。进一步地，步骤S4所述数据干扰处理包括随机加入噪声和/或随机丢失一部分的空间特征。进一步地，步骤S6所述多次上采样包括四次上采样；具体地，主解码器首先对共享编码器传入的数据进行第一次上采样处理，然后将上采样得到的特征与多域注意力机制处理输出的对应特征进行特征融合，再对融合后的特征进行下一次上采样处理，将最后一次上采样得到的特征与多域注意力机制处理输出的对应特征进行特征融合，融合后的特征作为上采样处理最终的有标签输出特征；辅助解码器首先对数据干扰处理后的特征进行第一次上采样处理，然后将上采样得到的特征与多域注意力机制处理输出的对应特征进行特征融合，再对融合后的特征进行下一次上采样处理，将最后一次上采样得到的特征与多域注意力机制处理输出的对应特征进行特征融合，融合后的特征作为上采样处理最终的无标签输出特征。进一步地，步骤S6还包括对所述有标签输出特征使用激活函数进行激活处理，得到有标签图像分割结果；对所述无标签输出特征使用激活函数进行激活处理，得到无标签图像分割结果。进一步地，步骤S7所述计算损失处理包括有监督损失处理和无监督损失处理，所述有监督损失处理是指将有标签图像分割结果和该图像的标签输入有监督损失函数，计算有标签图像分割结果和该图像的标签之间的有监督损失；所述无监督损失处理是指将无标签图像在主解码器中的分割结果和在辅助解码器中的分割结果输入到无监督损失函数，计算无监督损失。基于半监督学习的病灶分割模型应用方法，包括步骤：S101：将待分割脑部MRI图像输入训练好的深度学习网络模型；S102：对待分割脑部MRI图像进行预处理；S103：将预处理后的数据输入共享编码器；S104：对共享编码器每次下采样后的结果进行多域注意力机制处理，并将最后一次下采样得到的特征输入到主解码器；S105：主解码器对输入数据进行上采样，主解码器在每次上采样后，先将本次上采样得到的结果和多域注意力机制处理输出的特征先进行特征融合然后再进行下一次上采样，将最后一次上采样得到的特征与多域注意力机制处理输出的对应特征进行特征融合，输出上采样融合后的特征；S106：对输出的上采样融合后的特征使用激活函数进行激活处理，得到与待分割脑部MRI图像大小相同的分割结果图。与现有技术相比，本专利技术技术方案的有益效果是：本文档来自技高网...

【技术保护点】
1.基于半监督学习的病灶分割模型训练方法，其特征在于，包括步骤：/nS1：在深度学习框架中构建深度学习网络模型，获取所有脑部MRI图像训练样本，将无标签的脑部MRI图像划入无标签训练集，将已正确标注病灶区域标签的脑部MRI图像和相应的标签，划入有标签训练集；/nS2：对所有脑部MRI图像训练样本进行预处理；/nS3：将预处理后的脑部MRI图像训练样本输入到共享编码器中；/nS4：共享编码器对输入的数据进行多次下采样，然后将每一次下采样的结果进行多域注意力机制处理；并且将最后一次下采样的结果输入到主解码器，同时对所述无标签训练集最后一次下采样的结果做数据干扰处理；/nS5：将多域注意力机制处理输出的特征分别输入到主解码器和辅助解码器，将数据干扰处理结果输入到辅助解码器；/nS6：主解码器和辅助解码器分别对共享编码器输出结果和数据干扰处理结果进行多次上采样处理；/nS7：主解码器和辅助解码器完成上采样后得到的图像分割结果分别由输入到损失函数进行计算损失处理，并将计算损失的结果反向输入到共享编码器调参优化所述深度学习网络模型。/n

【技术特征摘要】
1.基于半监督学习的病灶分割模型训练方法，其特征在于，包括步骤：
S1：在深度学习框架中构建深度学习网络模型，获取所有脑部MRI图像训练样本，将无标签的脑部MRI图像划入无标签训练集，将已正确标注病灶区域标签的脑部MRI图像和相应的标签，划入有标签训练集；
S2：对所有脑部MRI图像训练样本进行预处理；
S3：将预处理后的脑部MRI图像训练样本输入到共享编码器中；
S4：共享编码器对输入的数据进行多次下采样，然后将每一次下采样的结果进行多域注意力机制处理；并且将最后一次下采样的结果输入到主解码器，同时对所述无标签训练集最后一次下采样的结果做数据干扰处理；
S5：将多域注意力机制处理输出的特征分别输入到主解码器和辅助解码器，将数据干扰处理结果输入到辅助解码器；
S6：主解码器和辅助解码器分别对共享编码器输出结果和数据干扰处理结果进行多次上采样处理；
S7：主解码器和辅助解码器完成上采样后得到的图像分割结果分别由输入到损失函数进行计算损失处理，并将计算损失的结果反向输入到共享编码器调参优化所述深度学习网络模型。


2.根据权利要求1所述的基于半监督学习的病灶分割模型训练方法，其特征在于，步骤S2所述预处理包括：图像格式转换、获取时间校正、头动校正、不同成像方法间的图像融合、图像配准以及空间平滑处理中的一种或几种。


3.根据权利要求1所述的基于半监督学习的病灶分割模型训练方法，其特征在于，步骤S4所述下采样的次数为四次。


4.根据权利要求1所述的基于半监督学习的病灶分割模型训练方法，其特征在于，步骤S4所述多域注意力机制处理包括空间注意力处理和通道注意力处理，所述共享编码器每一次下采样的结果分别进行所述空间注意力处理和通道注意力处理，然后将两种处理后得到的特征进行特征融合。


5.根据权利要求4所述的基于半监督学习的病灶分割模型训练方法，其特征在于，步骤S4所述特征融合是指将两个特征的像素值相加。


6.根据权利要求1所述的基于半监督学习的病灶分割模型训练方法，其特征在于，步骤S4所述数据干扰处理包括随机加入噪声和/或随机丢失一部分的空间特征。


7.根据权利要求1所述的基于半监督学习的病灶分割模型训练方法，其特征在于，步骤S6所述多次上采样包...

【专利技术属性】
技术研发人员：徐超，王卓薇，陈子洋，陈立宜，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44