一种基于半监督的双网络医学图像分割方法技术

本发明专利技术公开了一种基于半监督的双网络医学图像分割方法，包括如下步骤：处理数据集，将数据集按照4:1的比例随机划分为训练集和测试集，并进行图像增强；搭建DNSS网络模型，采用基于几何感知网络和基于图像变换一致性网络，并在辅助网络末端添加不确定性感知模块，以有效的利用未标记数据；在训练集上，对DNSS网络进行训练，执行分割任务并生成分割模型；在测试集上测试模型，根据测试的结果，选择出性能最优的模型为最终模型，并保存下来。本发明专利技术能够生成高效、精确的标签数据，减少医学图像分割对人工记数据的依赖，减少人工标记医学图像的成本，可以辅助医生诊断。可以辅助医生诊断。可以辅助医生诊断。

【技术实现步骤摘要】
一种基于半监督的双网络医学图像分割方法


[0001]本专利技术属于医学图像分析及人工智能
，本专利技术涉及一种基于半监督的双网络医学图像分割方法。

技术介绍

[0002]基于深度学习的方法在医学图像分割领域有着很大的发展,以编码器
‑
解码器为基本结构，采用叠加特征图的技术形成的U型系列网络U
‑
Net和V
‑
Net,以及其对应的改良模型已经在医学图像分割任务广泛应用,并取得了优良的结果。
[0003]基于医学图像的深度学习神经网络的训练通常依赖于大量的标记数据集，而且代价非常高。为了解决这一问题，有很多深度学习方法都在这方面做了很多探究，如：利用从边界框、涂鸦或图像级标记中学习图像分割的弱监督方法及利用生成器和鉴别器通过竞争生成较为可靠标签的GAN方法但这些方法都有一些局限性。弱监督方法需要带有像素级标记的弱标记样本，因此不利用未标记数据提取额外的训练信号。基于对抗性训练的方法利用了未标记的数据，但可能更难训练。

技术实现思路

[0004]本专利技术针对上述的不足之处提供一种能够生成高精确标签数据的基于半监督的双网络医学图像分割方法。
[0005]本专利技术目的是这样实现的：一种基于半监督的双网络医学图像分割方法，其特征在于：所述该方法包括以下步骤：
[0006]步骤1：收集样本，标注标签，按照4:1的比例将数据集随机划分为训练集和测试集，通过随机翻转，随机裁剪进行数据增强；
[0007]步骤2：搭建DNSS网络模型，采用基于符号距离函数的几何感知网络和图像变换一致性网络搭建DNSS网络模型，并在辅助网络末端添加不确定性感知模块；
[0008]步骤3：在训练集上对DNSS网络进行训练，执行分割任务并生成训练参数；
[0009]步骤4：通过训练参数在测试集上测试模型生成分割结果，并保存下来。
[0010]优选的，所述步骤1中的数据增强包括以下步骤：
[0011]步骤1
‑
1：采用随机裁剪，直接裁剪处出固定大小的影像输入网络；
[0012]步骤1
‑
2：将图像进行旋转90度、180度和270度，以及沿轴向平面翻转图像。
[0013]优选的，所述步骤2中搭建DNSS网络模型选用V
‑
Net作为骨干网络；
[0014]所述DNSS网络模型包括几何感知网络和图像变换一致性网络，几何感知网络在主干网络的末端额外增加一个符号距离函数，通过对符号距离函数的逆变换获取与真实标签相类似的分割图；
[0015]所述图像变换一致性网络保留V
‑
Net的下采样过程，上采样过程为了增强网络对不同扰动下的健壮性，将原有的单一上采样拓展成2种不同的上采样过程。
[0016]优选的，所述步骤2中辅助网络包括引导性掩蔽和引导性裁剪，在辅助网络添加一
个不确定性感知函数来量化不确定性,将其作为权重参与到无监督学习中来。
[0017]优选的，所述几何感知网络通过生成符号距离图来进行加强图像的边界感知力，其公式如下所示：
[0018][0019]其中||x
‑
y||表示为体素x和体素y之间的欧几里得距离，D
in
表示目标对象的内部，和D
out
分别表示目标对象的轮廓和外部；D(x)在目标内部取负值，在目标外部取正值，绝对值由到最近边界点的距离定义。
[0020]优选的，所述符号距离图使用平滑近似的Heaviside函数对符号距离图进行逆变换，其定义如下：
[0021][0022]其中，z是相应体素映射下的符号距离值，k是尽可能大的控制因子来近似变换，在本文中，k被设置成1500来使变换图与原始分割图更加相似。
[0023]优选的，所述图像变换一致性网络通过添加引导性掩蔽和引导性裁剪到V
‑
Net中，引导性掩蔽是为了避免网络过于依赖上下文关系；引导裁剪来避免网络对输入样本特定部分的依赖。
[0024]优选的，所述步骤2中在辅助网络末端添加不确定性感知模块，不确定性感知模块的结构为：
[0025]将真实预测值纳入到量化函数中，达到增强不确定度稳定性的作用，使得主网络从辅助网络中学习高置信度预测，针对图像变换一致性网络的不确定性感知函数定义为：
[0026][0027]其中i表示对应体素的索引，N是辅助分类器的总数，q是主网络的预测值，将辅助分类器的预测值表示为p，n表示相应辅助分类器的索引；
[0028]为了将不确定值更好的转化成置信概率，将上述置量化成熵，熵的值越高，辅助费分类器的预测置信就越低，定义如下：
[0029][0030]通过上述方法来量化的不确定性用于过滤不确定体素，从而引导模型从更可靠的未标记数据中学习；将i表示为预测对应的体素的索引，设置门控函数：τ
e
用来过滤不可靠的辅助分类器体素：
[0031][0032]与现有技术相比，本专利技术的有益效果：1、通过采用几何感知网络，使得模型对边界信息的提取更加精确，分割的效果变得平滑；通过加入辅助网络进入图像变换一致性网络，生成多样的像素级扰动，使图像能够从不同扰动图像下进行学习，加强分割模型的泛化能力。
[0033]2、通过在图像变换一致性下添加不确定性感知模块，并使用不确定感知函数，过滤不可靠的信息，加强网络学习的稳定性。
[0034]3、通过DNSS医学图像分割技术，用少量的标签数据即可较快速准确的分割出医学图像，可以帮助医生对医学图像进行辅助判断，提高医生的工作效率和诊断的准确性，降低漏诊率、误诊率。
附图说明
[0035]图1为本专利技术的方法流程图。
[0036]图2为DNSS的网络图。
[0037]图3为DNSS各子模块的说明图。
[0038]图4为分割效果图。
具体实施方式
[0039]以下结合附图对本专利技术做进一步概述。
[0040]如图1所示，一种基于半监督的双网络医学图像分割方法，该方法包括以下步骤：
[0041]步骤1：收集样本，标注标签，按照4:1的比例将数据集随机划分为训练集和测试集，通过随机翻转，随机裁剪进行数据增强；
[0042]步骤1
‑
1：采用随机裁剪，直接裁剪出固定大小的影像输入网络；本实施例将影像直接裁剪大小为112*112*80；
[0043]步骤1
‑
2：将图像大小为112*112*80进行旋转90度、180度和270度，以及沿轴向平面翻转图像。
[0044]步骤2：采用基于符号距离函数的几何感知网络和图像变换一致性网络来搭建DNSS网络模型，并在图像变换一致性网络末端添加不确定性感知模块来过滤网络产生的不可靠信息；
[0045]步骤3：对几何感知网络和图像变换一致性网路两个模型进行一致性学习，即损失计算，并生成优化的训练参数。...

【技术保护点】

【技术特征摘要】
1.一种基于半监督的双网络医学图像分割方法，其特征在于：所述该方法包括以下步骤：步骤1：收集样本，标注标签，按照4:1的比例将数据集随机划分为训练集和测试集，通过随机翻转，随机裁剪进行数据增强；步骤2：搭建DNSS网络模型，采用基于符号距离函数的几何感知网络和基于图像变换一致性网络作为辅助解码网络来搭建DNSS网络模型，并在辅助网络末端添加不确定性感知模块；步骤3：在训练集上对DNSS网络进行训练，执行分割任务并生成训练参数；步骤4：测试图片通过训练参数在测试模型上生成分割结果，并保存下来。2.根据权利要求1所述的一种基于半监督的双网络医学图像分割方法，其特征在于：所述步骤1中的数据增强包括以下步骤：步骤1
‑
1：采用随机裁剪，直接裁剪处出固定大小的影像输入网络；步骤1
‑
2：将图像进行旋转90度、180度和270度，以及沿轴向平面翻转图像。3.根据权利要求1所述的一种基于半监督的双网络医学图像分割方法，其特征在于：所述步骤2中搭建DNSS网络模型选用V
‑
Net作为骨干网络；所述DNSS网络模型包括几何感知网络和图像变换一致性网络，几何感知网络在主干网络的末端额外增加一个符号距离函数，通过对符号距离函数生成的符号距离图进行逆变换获取与真实标签相类似的分割图；所述图像变换一致性网络保留V
‑
Net的下采样过程，上采样过程为了增强网络对不同扰动下的健壮性，将原有的单一上采样拓展成2种不同的上采样过程。4.根据权利要求1所述的一种基于半监督的双网络医学图像分割方法，其特征在于：所述步骤2中辅助网络包括引导性掩蔽和引导性裁剪，在辅助网络添加一个不确定性感知函数来量化不确定性,将其作为权重参与到无监督学习中来。5.根据权利要求3所述的一种基于半监督的双网络医学图像分割方法，其特征在于：所述几何感知网络通过生成符号...

【专利技术属性】
技术研发人员：吴瑞卿，段先华，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：