基于涂鸦标注的医学图像分割模型训练方法、装置及终端制造方法及图纸

本发明专利技术公开了一种基于涂鸦标注的医学图像分割模型训练方法、装置及终端，使用两个权重共享的医学图像分割模型构建双网络结构。输入医学图像经由增强操作处理获得标准增强视图和复合增强视图，标准增强视图和复合增强视图分别作为双网络结构的输入，获得伪标签和预测标签。计算衡量伪标签与预测标签之间相似性的一致性正则化损失。在模型训练过程中，最小化包括一致性正则化的损失函数来优化模型参数。与现有技术相比，本发明专利技术使用权重共享的双网络结构进行一致性正则化训练，最大化同一图像的不同增强视图的预测的相似性，优化效果好，并且能在一次训练中完成网络参数优化，无需进行多次迭代训练，训练效率高。训练效率高。训练效率高。

【技术实现步骤摘要】
基于涂鸦标注的医学图像分割模型训练方法、装置及终端


[0001]本专利技术涉及医学图像分割
，尤其涉及的是一种基于涂鸦标注的医学图像分割模型训练方法、装置及终端。

技术介绍

[0002]目前医学图像分割时通常采用数据驱动的深度学习方法，需要大量的完全标注数据(即目标器官形状的完整标注)来训练医学图像分割模型，然而三维医学图像的完全标注数据需要由影像科专业人士逐层标注，大量的数据标注成本昂贵，且耗时耗力。涂鸦标注具有高标注自由度，包含准确的标注像素且不引入标注噪声，适用于标注医学解剖结构。利用涂鸦标注数据监督训练医学图像分割模型可有效减轻人工标注负担。
[0003]目前已具有多种基于涂鸦标注的用于图像分割的深度学习训练方法，主要包括：迭代式训练方法、基于正则化约束的训练方法和基于生成对抗网络的训练方法。
[0004]其中，迭代式训练方法会导致网络模型拟合至错误的标注信息且需要多轮训练，效率较低且优化效果不好；而由于医学图像相邻组织间像素值差异小的情况非常常见，基于正则化约束的训练方法在医学图像上的优化效果有限；基于生成对抗网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于涂鸦标注的医学图像分割模型训练方法，其特征在于，所述训练方法包括：对涂鸦标注后的医学图像进行第一图像增强操作获得标准增强视图，对标准增强视图进行第二图像增强操作获得复合增强视图；将所述标准增强视图和所述复合增强视图各输入双网络结构中的一个网络，分别获得伪标签和预测标签，所述双网络结构中的每个网络均为医学图像分割模型，且两个医学图像分割模型之间权重共享；计算所述伪标签与所述预测标签之间的相似性，获得一致性正则化损失；构造包括所述一致性正则化损失的损失函数；根据所述损失函数训练所述医学图像分割模型，直至所述损失函数收敛，获得训练后的医学图像分割模型。2.如权利要求1所述的基于涂鸦标注的医学图像分割模型训练方法，其特征在于，还包括计算所述伪标签的熵最小化损失，构造所述损失函数时还包括熵最小化损失。3.如权利要求2所述的基于涂鸦标注的医学图像分割模型训练方法，其特征在于，构造损失函数时，根据指数形式的上升函数对所述一致性正则化损失和所述熵最小化损失进行加权处理，所述上升函数的表达式为：r(t)＝exp(
‑
η(1
‑
t/T))，其中t为训练轮次，T和η为超参数。4.如权利要求1所述的基于涂鸦标注的医学图像分割模型训练方法，其特征在于，还包括计算所述标准增强视图中有标注像素的提取特征的交叉熵损失，获得部分交叉熵损失；构造所述损失函数时还包括部分交叉熵损失。5.如权利要求1所述的基于涂鸦标注的医学图像分割模型训练方法，其特征在于，所述对涂鸦标注后的医学图像进行第一图像增强操作获得标准增强视图，对标准增强视图进行第二图像增强操作获得复合增强视图，包括：对涂鸦标注后的医学图像进行几何增强操作和噪声增强操作，获得标准增强视图；对标准增强视图进行颜色失真增强操作，获得复合增强视图。6.如权利要求1所述的基于涂鸦标注的医学图像分割模型训练方法，其特征在于，还设有用于存储有标注像素的特征的特征池，所述训练方法还包括：对所述标准增强视图中有标注像素进行特征提取，获得隐藏特征；基于隐藏特...

【专利技术属性】
技术研发人员：王毅，杨泽帆，
申请(专利权)人：深圳大学，
类型：发明
国别省市：