基于部分标注数据集协同学习的多器官分割系统技术方案

本发明专利技术公开了一种基于部分标注数据集协同学习的多器官分割系统，包括：直方图匹配模块：用于实现来自不同中心的影像数据集具有相同的灰度分布；单器官分割模型协同学习模块：用于提高每个单器官分割模型的分割性能，以及实现不同数据集标注的不同器官可以相互感知，提高生成伪标签的质量；多器官分割模型协同学习模块：用于充分利用不同数据集中的标签，提高每个多器官分割模型的分割性能；多器官分割模型蒸馏模块：用于从多个多器官分割模型学习得到一个最终的多器官分割模型。本发明专利技术基于部分标注的医学影像数据集实现一个多器官分割模型，大大减少了对全标注数据集的依赖程度，减轻医生的标注困难。减轻医生的标注困难。减轻医生的标注困难。

【技术实现步骤摘要】
基于部分标注数据集协同学习的多器官分割系统


[0001]本专利技术属于医学影像分割
，特别是涉及一种基于部分标注数据集协同学习的多器官分割系统。

技术介绍

[0002]近年来，深度学习的发展使得多器官分割精度相较于传统方法有了非常大的提升。然而深度学习依赖大量有标注的数据，在多器官分割任务中，同时获得多个器官的标注是非常困难和耗时的，因此导致多器官分割可用的数据集的数量相对较少。
[0003]另一方面，现实中有许多公开可用的单器官数据集，如肾脏数据集、肝脏数据集和胰腺数据集，其数量比多器官数据集多。因此，利用来自不同中心的单器官数据集来训练一个多器官模型逐渐成为重要的研究方向。
[0004]为了充分利用这些部分标注的数据集，一个直观思路是为每一个数据集训练一个单器官分割模型，然后在多器官数据集上依次得到每个器官的输出，然而这种思路需要为多个器官训练多个模型，耗时且占用内存，并且不同器官之间的先验位置关系也没有充分利用；另一个思路是利用训练好的单器官模型为其他数据集生成该器官的伪标签，得到一个含伪标签的全标注的数据集，然后再利用这些数据集训练一个多器官分割模型，但是由于部分标注的数据集之间及其与多器官数据集之间都存在域差异，导致生成的伪标签质量很差，基于伪标签训练的多器官模型性能非常低。
[0005]基于以上两种思路，近年来有许多改进的方案，主要分为两类，一种称为基于模型的方法，主要通过将条件编码嵌入网络中得到一个统一的模型用于依次生成每个器官的标注，或者是基于持续学习，联邦学习的方法；另一种称为基于伪标签的方法，通过训练单器官模型生成伪标签再进行校正，然后基于含伪标签的数据集训练一个多器官分割模型。其性能相较于之前有了很大的提升，但是基于模型的方法只能顺序得到每个器官的标注，不能一次性分割多个器官；基于伪标签的方法绝大多数都没有解决不同数据集之间的域差异，以及不同数据集包含的标签所提供的器官先验信息在训练过程中也没有充分利用。
[0006]基于以上问题，本专利技术提出了一个新颖的协同学习框架用于从部分标注的数据集中学习一个多器官分割模型。

技术实现思路

[0007]本专利技术的目的是提供一种基于部分标注数据集协同学习的多器官分割系统，以解决上述现有技术存在的问题。
[0008]为实现上述目的，本专利技术提供了一种基于部分标注数据集协同学习的多器官分割系统，包括：
[0009]直方图匹配模块、单器官分割模型协同学习模块、多器官分割模型协同学习模块、多器官分割模型蒸馏模块；
[0010]所述直方图匹配模块用于对若干个部分标注数据集中的图像进行处理，获得若干
个匹配数据集；
[0011]所述单器官分割模型协同学习模块用于根据单器官分割模型与所述若干个匹配数据集，获得若干个全标记数据集；
[0012]所述多器官分割模型协同学习模块用于根据所述若干个全标记数据集训练若干个多器官分割模型；
[0013]所述多器官分割模型蒸馏模块用于从多个多器官分割模型学习得到一个最终的多器官分割模型。
[0014]可选的，所述直方图匹配模块包括：
[0015]灰度分布计算单元，给定源域和目标域，通过对源域和目标域中所有图像进行归一化，使图像的灰度值为预设区间内的整数值后，对所述目标域中图像灰度求平均值，获得多个器官数据集图像的平均灰度分布；所述源域中包括若干个部分标记数据集；
[0016]均衡化单元，分别基于源域图像和目标域图像的行数和列数、不同强度值的像素数定义对应的归一化直方图；对所述归一化直方图进行直方图均衡化；
[0017]匹配单元，将直方图均衡化得到的灰度值调整到整数范围，使源图像灰度值与目标图像灰度值存在最小差值并建立映射关系，根据所述映射关系获得与若干个部分标记数据集对应的若干个匹配数据集。
[0018]可选的，所述单器官分割模型协同学习模块包括：
[0019]模型训练单元，采用与单器官分割模型归属同一器官的匹配数据集对单器官分割模型进行训练；
[0020]标签生成单元，将与单器官分割模型未归属同一器官的匹配数据集输入至训练后的单器官分割模型，生成伪标签，获得若干个全标记数据集。
[0021]可选的，模型训练单元在对模型进行训练的过程中除分割损失外，还引入了推远损失；
[0022]所述推远损失包括标签差异损失与特征差异损失；
[0023]总损失函数的计算公式如下：
[0024][0025][0026][0027][0028]其中，为单器官分割模型计算的分割损失，为单器官分割模型输出的标签差异损失，为单器官分割模型输出的特征差异损失，n，m＝1，2，...K，数据集P
m
，P
n
对应的真实标签表示由模型g
m
作用于数据集P
n
得到的预测结果，λ
col
‑
pre
和λ
col
‑
feature
表示单器官分割模型的协同学习超参数，数据集P
m
上的分割模型计算的损失是
，KL散度损失是表示在P
m
数据集上训练的分割模型作用在P
n
数据集上获得的特征，表示在P
n
数据集上训练的分割模型作用在P
n
数据集上获得的特征。
[0029]可选的，所述多器官分割模型协同学习模块包括：
[0030]多器官分割训练单元，采用若干个全标记数据集对若干个多器官分割模型进行协同训练；
[0031]损失计算单元，在模型训练过程中引入损失函数，包括分割损失、拉近损失。
[0032]可选的，所述损失计算单元中的拉近损失包括标签差异损失与特征差异损失；
[0033]总损失函数的计算公式如下：
[0034][0035][0036][0037][0038]其中，为多器官分割模型计算的分割损失，为多器官分割模型输出的标签差异损失，为多器官分割模型输出的特征差异损失，为含伪标签的全标注的数据集。表示G
m
作用于所产生的器官n的输出结果。表示中器官n的真实标签，表示G
m
作用于所提取的特征。β
col
‑
pre
和β
col
‑
feature
表示多器官分割模型的协同学习超参数。
[0039]可选的，所述多器官分割模型蒸馏模块将若干个多器官模型作为教师模型，通过知识蒸馏技术获得一个学生模型，将学生模型作为最终的多器官分割模型。损失函数定义如下：
[0040][0041]其中，G
i
为第三步的多器官分割模型，F为最终蒸馏得到的多器官分割模型，X
t
为目标域数据集，为计算的KL散度损失。
[0042]本专利技术的技术效果为：
[0043](1)利用直方图匹配方法，使得来自不同数据集的图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于部分标注数据集协同学习的多器官分割系统，其特征在于，包括：直方图匹配模块、单器官分割模型协同学习模块、多器官分割模型协同学习模块、多器官分割模型蒸馏模块；所述直方图匹配模块用于对若干个部分标注数据集中的图像进行处理，获得若干个匹配数据集；所述单器官分割模型协同学习模块用于根据单器官分割模型与所述若干个匹配数据集，获得若干个全标记数据集；所述多器官分割模型协同学习模块用于根据所述若干个全标记数据集训练若干个多器官分割模型；所述多器官分割模型蒸馏模块用于从多个多器官分割模型学习得到一个最终的多器官分割模型。2.根据权利要求1所述的基于部分标注数据集协同学习的多器官分割系统，其特征在于，所述直方图匹配模块包括：灰度分布计算单元，给定源域和目标域，通过对源域和目标域中所有图像进行归一化，使图像的灰度值为预设区间内的整数值后，对所述目标域中图像灰度求平均值，获得多个器官数据集图像的平均灰度分布；所述源域中包括若干个部分标记数据集；均衡化单元，分别基于源域图像和目标域图像的行数和列数、不同强度值的像素数定义对应的归一化直方图；对所述归一化直方图进行直方图均衡化；匹配单元，将直方图均衡化得到的灰度值调整到整数范围，使源图像灰度值与目标图像灰度值存在最小差值并建立映射关系，根据所述映射关系获得与若干个部分标记数据集对应的若干个匹配数据集。3.根据权利要求2所述的基于部分标注数据集协同学习的多器官分割系统，其特征在于，所述单器官分割模型协同学习模块包括：模型训练单元，采用与单器官分割模型归属同一器官的匹配数据集对单器官分割模型进行训练；标签生成单元，将与单器官分割模型未归属同一器官的匹配数据集输入至训练后的单器官分割模型，生成伪标签，获得若干个全标记数据集。4.根据权利要求3所述的基于部分标注数据集协同学习的多器官分割系统，其特征在于，模型训练单元在对模型进行训练的过程中除分割损失外，还引入了推远损失；所述推远损失包括标签差异损失与特征差异损失；总损失函数的计算公式如下：的计算公式如下：
其中，为单器官分割模型计算的分割损失，为单器官分割模型输出的标签差异损失，为单器官分割模型输出的特征差异损失，n，m＝1，2，...K，数据集P
m

【专利技术属性】
技术研发人员：宋志坚，史勇红，刘晓宇，曲麟昊，谢子越，赵家悦，
申请(专利权)人：复旦大学，
类型：发明
国别省市：