一种基于均衡子类别挖掘的多器官半监督图像分割方法技术

本发明专利技术公开一种基于均衡子类别挖掘的多器官半监督图像分割方法，包括

【技术实现步骤摘要】
一种基于均衡子类别挖掘的多器官半监督图像分割方法


[0001]本专利技术属于医学图像处理方法
，特别是涉及一种基于均衡子类别挖掘的多器官半监督图像分割方法
。

技术介绍

[0002]半监督学习可以利用未标注数据来提升模型性能，缓解网络对标注数据的依赖，降低标注成本
。
因此，大量的研究人员投入到医学图像半监督分割问题的研究中，并取得了巨大的进展
。
目前，半监督学习中的热门研究方法几乎都是针对医学图像中的单个目标，例如，某个器官或者某类疾病病变区域等
。
然而，在临床上，医生通常有多个需要同时关注的目标，如在进行放射治疗时，医生不仅需要关注肿瘤靶区，还需要了解多个危及器官的情况
。
因此，研究针对于多器官的医学图像半监督分割算法具有很重要的研究意义与价值
。
[0003]与单目标分割相比，多器官医学图像分割面临着更多的挑战
。
首先，不同器官在形态和结构上存在显著的差异，这使得模型难以学习到具有判别性的特征
。
更重要的是，多器官分割还存在前景类别不平衡的问题
。
因为不同器官之间的大小差异较大，导致训练数据中不同类别的样本量存在偏差，最终造成模型类别偏差问题
。
这种问题通常表现为网络模型对大目标的泛化性能较好，而对小目标则容易造成预测偏差
。
而在半监督学习场景中，这种对于小目标的预测偏差会使得模型在未标注数据上的训练中不断引入外来噪声，进而加剧不平衡目标特征提取的难度
。
现有的多器官半监督分割方法都是简单地将单目标的半监督分割的算法应用到多器官分割场景中，并没有对多器官半监督分割可能存在的难点进行深入探讨和研究，从而限制了算法的性能
。

技术实现思路

[0004]为了解决上述问题，本专利技术提出了一种基于均衡子类别挖掘的多器官半监督图像分割方法，本方案简单且有效的方案，通过挖掘类别平衡的子类别来辅助分割任务的学习，从而为多器官分割任务提供类别无偏的知识，解决多器官半监督分割中的前景类别不平衡问题
。
[0005]为达到上述目的，本专利技术采用的技术方案是：一种基于均衡子类别挖掘的多器官半监督图像分割方法，包括步骤：
[0006]S10
，均衡子类别挖掘阶段，对具有偏差的原始目标类别进行进一步划分，从原始的多个分割目标中生成类别平衡的子类别数据；
[0007]S20
，基于子类别正则化的半监督模型训练阶段，利用类别均衡的子类别数据来训练子类别分割辅助任务，并利用该辅助任务对原始的多器官分割进行正则化约束，以促使子类别网络中的无偏知识流向目标多器官分割网络中，从而缓解类别不平衡问题对网络的影响
。
[0008]进一步的是，在所述均衡子类别挖掘阶段，包括步骤：
[0009]S11
，利用标注数据集
D
l
对多器官分割模型进行预训练，多器官分割模型采用了基
于编码器
‑
解码器结构的
U
‑
net
作为网络框架；预训练完成后，多器官分割模型具备了对不同目标的感知能力以及语义特征编码能力；
[0010]S12
，通过屏蔽掉输出层，利用预训练模型将标签数据集
D
l
中的所有原始图像
X
i
映射成像素级的语义特征
f
，构成特征图中的每个特征向量对应原始输入图像中的一个像素；
[0011]S13
，针对每个类别的特征向量分别进行特征聚类操作，相似的特征向量被聚合到同一个簇中，作为该类别的一个对应的子类别；
[0012]S14
，为不同的子类别进行编号，同时根据编号为特征向量对应的像素点进行标注，得到子类别数据
。
[0013]进一步的是，考虑到类别不平衡的问题，不同类别的聚类簇由该类别在标签数据中的像素比例来决定，即目标越大
、
所占像素点越多的类别，会被划分成更多的子类，而像素点占比更少的类别则会进行更少次划分，从而保证不同类别切分出的子类别更加均衡
。
[0014]进一步的是，采用均衡化聚类算法进行子类别聚类，该聚类方法在优化过程中对每个簇的样本数量进行了正则化，从而保障所有簇具有相同比例的样本数量；通过这样的方式，便可以生成类别平衡的均衡子类别数据集
[0015]进一步的是，在所述基于子类别正则化的半监督学习阶段，利用原始标注数据
D
l
以及未标注数据
D
u
的基础上，引入均衡子类别数据中的无偏知识来辅助半监督网络的训练，通过基于子类别正则化的半监督分割模型充分利用均衡子类别数据中的无偏知识
。
[0016]进一步的是，所述基于子类别正则化的半监督分割模型采用了基于
Mean Teacher
的架构，包含了一个学生网络和一个教师网络，两个网络具有完全相同的网络结构；学生网络通过损失的反向传播来进行参数更新，而教师模型则根据学生模型权重的指数移动平均来更新，表示公式为：
[0017]θ
′
t
＝
τθ
′
t
‑1+(1
‑
τ
)
θ
；
[0018]其中，
θ
′
t
表示教师网络在第
t
次迭代的模型参数，
θ
表示学生网络的模型参数，
τ
为
EMA
衰减系数，用于控制教师网络的更新速率；
[0019]对于原始图像
X
i
，在输入教师网络前首先进行弱增强，即对输入图像加入高斯噪声；而输入到学生网络之前，则会进行强增强，采用旋转
、
色彩转换以及强噪声扰动
。
[0020]进一步的是，将
U
‑
net
作为学生模型和教师模型的基础网络结构；利用多任务策略将原始多器官分割任务与均衡子类别任务嵌入到同一个模型之中，并采用共享编码器权重的方式让两个任务之间共享编码特征信息
。
[0021]进一步的是，基于子类别正则化的半监督分割模型通过标注数据集
D
l
与以及未标注数据集
D
u
来进行训练；对标注数据图像通过缩小标注与模型预测的差异来更新模型参数；而对于未标注数据，通过利用教师模型以及均衡子类别辅助任务来生成监督信号，共同对多器官分割任务进行监督，从而提升分割性能；
[0022]根据标注数据和未标注数据建立损失函数，从而构建基于子类别正则化的半监督分割模型目标函数
。
[0023]进一步的是，对于标注数据，直接通过标签与目标分割网络预测的差异来进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于均衡子类别挖掘的多器官半监督图像分割方法，其特征在于，包括步骤：
S10
，均衡子类别挖掘阶段，对具有偏差的原始目标类别进行进一步划分，从原始的多个分割目标中生成类别平衡的子类别数据；
S20
，基于子类别正则化的半监督模型训练阶段，利用类别均衡的子类别数据来训练子类别分割辅助任务，并利用该辅助任务对原始的多器官分割进行正则化约束，以促使子类别网络中的无偏知识流向目标多器官分割网络中，从而缓解类别不平衡问题对网络的影响
。2.
根据权利要求1所述的一种基于均衡子类别挖掘的多器官半监督图像分割方法，其特征在于，在所述均衡子类别挖掘阶段，包括步骤：
S11
，利用标注数据集
D
l
对多器官分割模型进行预训练，多器官分割模型采用了基于编码器
‑
解码器结构的
U
‑
net
作为网络框架；预训练完成后，多器官分割模型具备了对不同目标的感知能力以及语义特征编码能力；
S12
，通过屏蔽掉输出层，利用预训练模型将标签数据集
D
l
中的所有原始图像
X
i
映射成像素级的语义特征
f
，构成特征图中的每个特征向量对应原始输入图像中的一个像素；
S13
，针对每个类别的特征向量分别进行特征聚类操作，相似的特征向量被聚合到同一个簇中，作为该类别的一个对应的子类别；
S14
，为不同的子类别进行编号，同时根据编号为特征向量对应的像素点进行标注，得到子类别数据
。3.
根据权利要求2所述的一种基于均衡子类别挖掘的多器官半监督图像分割方法，其特征在于，考虑到类别不平衡的问题，不同类别的聚类簇由该类别在标签数据中的像素比例来决定，即目标越大
、
所占像素点越多的类别，会被划分成更多的子类，而像素点占比更少的类别则会进行更少次划分，从而保证不同类别切分出的子类别更加均衡
。4.
根据权利要求2或3所述的一种基于均衡子类别挖掘的多器官半监督图像分割方法，其特征在于，采用均衡化聚类算法进行子类别聚类，该聚类方法在优化过程中对每个簇的样本数量进行了正则化，从而保障所有簇具有相同比例的样本数量；通过这样的方式，便可以生成类别平衡的均衡子类别数据集
5.
根据权利要求1所述的一种基于均衡子类别挖掘的多器官半监督图像分割方法，其特征在于，在所述基于子类别正则化的半监督学习阶段，利用原始标注数据
D
l
以及未标注数据
D
u
的基础上，引入均衡子类别数据中的无偏知识来辅助半监督网络的训练，通过基于子类别正则化的半监督分割模型充分利用均衡子类别数据中的无偏知识
。6.
根据权利要求5所述的一种基于均衡子类别挖掘的多器官半监督图像分割方法，其特征在于，所述基于子类别正则化的半监督分割模型采用了基于
MeanTeacher
的架构，包含了一个学生网络和一个教师网络，两个网络具有完全相同的网络结构；学生网络通过损失的反向传播来进行参数更新，而教师模型则根据学生模型权重的指数移动平均来更新，表示公式为：
θ
′
t
＝
τθ
′
t
‑1+(1
‑
τ
)
θ
；其中，
θ
′
t
表示教师网络在第
t
次迭代的模型参数，
θ
表示学生网络的模型参数，
τ
为
EMA
衰减系数，用于控制教师网络的更新速率；
对于原始图像
X
i
，在输入教师网络前首先进行弱增强，即对输入图像加入高斯噪声；而输入到学生网络之前，则会进行强增强，采用旋转
、
色彩转换以及强噪声扰动
。7.
根据权利要求6所述的一种基于均衡子类别挖掘的多器官半监督图像分割方法，其特征在于，将
U
‑
net
作为学生模型和教师模型的基础网络结构；利用多任务策略将原始多器官分割任务与均衡子类别任务嵌入到同一个模型之中，并采用共享编码器权重的方式让两个任务之间共享编码特征信息
。8.
根据权利要求5‑7任一所述的一种基于均衡子类别挖掘的多器官半监督图像分割方法，其特征在于，基于子类别正则化的半监督分割模型通过标注数据集
D
l
与以及未标注数据集
D
u<...

【专利技术属性】
技术研发人员：王艳，陈颖，侯云，刘红伟，周激流，
申请(专利权)人：中国电子科技集团公司第十研究所，
类型：发明
国别省市：