【技术实现步骤摘要】
本专利技术属医学图像分割，具体涉及一种在ki67等级下基于生成对抗网络的肾癌mri图像的分割和分类方法。
技术介绍
1、肾细胞癌(renal cell carcinoma，rcc)是一种常见的由肾皮质引起的泌尿系统癌，是近几年来在泌尿系统中发病率较高的肿瘤性疾病。诊断rcc的方法主要为进行实验室检查，影像学检查和病理学检查。ki67是一种在细胞增殖中发挥作用的核抗原，是目前病理诊断中最常见的增殖标记物之一，其表达定位于细胞核，呈现为棕黄色颗粒。在视野中观察细胞的数目，阳性细胞数小于10％判定为弱阳性，10％-30％判定为阳性，大于10％判定为强阳性。
2、早期的医学影像处理技术大多是传统机器学习方法，近年来，随着深度学习技术和图形处理器的迅速发展，人们通过使用卷积神经网络对输入的医学图像数据进行特征提取，在医学图像中常见的分类、分割、检测等领域取得优异的成绩。
3、现有方法中大部分都需要足够多有标签医学数据进行训练，医学图像的标签为了足够可靠，数据需要专业医师进行标注，同时过程中不可避免会产生人为的误差，由于数据的标注成本昂贵且耗费时间，因此临床医学图像数据中无标签数据占据了很大一部分。近年来，利用少量标注数据和大量无标签数据构建网络模型的半监督学习方法发展迅速，通过有效利用大量存在的无标签数据来解决目前标签数据匮乏的问题。
4、大多数现有的半监督分割方法要么倾向于忽略目标段中的几何约束，导致目标覆盖不完整，要么强加强形状先验，需要额外的对齐。本专利技术提出了一种基于mt-sass网络的肾癌m
技术实现思路
1、本专利技术的目的是提供一种基于mt-sass网络的肾癌mri图像分割和分类方法，能提升分割效果，帮助医生判断ki67和纹理结果的相关性。
2、本专利技术的一种基于mt-sass网络的肾癌mri图像分割分类方法，包括下列步骤：
3、1)构建生成器，使用改进的v-net网络，包括下列步骤：
4、1.1v-net是一种深层的卷积神经网络，使用3d卷积层来捕获体积数据中的局部和全局特征；v-net网络由一个编码器模块和一个具有三个输出分支的解码器模块组成，其中一个输出分支用于分割映射，一个输出分支用于计算带符号距离映射，简称sdm，一个输出分支用于执行分类任务；编码器模块用于提取输入体积的特征表示，解码器模块用于生成分割和分类结果；
5、编码器模块包括卷积块和下采样块，而解码器包括上采样块；在解码器的每个上采样块中，来自编码器的特征与当前阶段的特征相加以进行特征融合，并对融合后的特征图使用全局平均池化进行降维，通过两个线性层进行特征变换，最终输出一个长度为3的向量，用于分类任务；解码器还包括输出层，用于生成最终的分割结果；其中，分类头中使用修正线性单元激活函数，在最后的输出层中，使用双曲正切，简称tanh激活函数；
6、1.2在v-net编码器部分并行添加一个轻量级sdm头部，sdm头部由一个3d卷积块和tanh激活组成；给定输入图像，其数学表达式为：
7、x∈rh×w×d,
8、其中：r为全体实数集；h为高度；w为宽度；d为深度；
9、分割头部生成置信度评分映射，其数学表达式为：
10、m∈[0,1]h×w×d,
11、sdm头部生成sdm，其数学表达式为：
12、s∈[-1,1]h×w×d，
13、置信度评分映射的生成公式和sdm的生成公式分别为：
14、m＝fseg(x；θ)和s＝fsdm(x；θ)
15、其中：fseg表示v-net网络中分割部分；fsdm表示v-net网络中sdm部分；θ是分割网络的参数；s中的每个元素表示归一化后对应体素到其最近的表面点的带符号距离；
16、2)构建判别器网络dam，包括下列步骤：
17、判别器网络dam由混合注意力模块、五个卷积层和一个多层感知器组成，以sdm和输入体积作为输入，通过卷积层将它们融合，并预测其被标记数据的类概率；dam的损失函数称为对抗损失；
18、3)综合损失函数
19、综合损失函数采用监督损失和对抗损失的和进行计算，其中：
20、监督损失在标记集上，对改进的v-net网络的损失采用一个dice损失sdm损失分类损失为加权相加得到；
21、
22、其中：α是和两个损失项的加权系数；
23、
24、
25、其中：yi是网络对输入图像xi的sdm预测，y′i是真实的sdm值，n是样本数量；
26、
27、其中：xi是真实的类别标签的独热编码，x′i是网络对类别i的预测概率；
28、对抗损失该损失在标记集和未标记集上强制sdm预测的一致性，通过区分来自标记集的预测sdm，由于监督，这些预测sdm应该是高质量的，以及来自未标记集的预测sdm；最小化由该判别器引起的对抗损失使网络学习有效的形状感知特征；
29、
30、其中：d表示判别器，将其参数定义为ζ；
31、sn＝fsdm(xn；θ) (6)
32、sm＝fsdm(xm；θ) (7)
33、将最终的损失函数定义为：
34、
35、其中：γ是平衡两个损失项的权重系数。
36、本专利技术的有益效果为：本专利技术提出的mt-sass网络能有效应用于半监督医学图像分割这一领域，可以使用少部分有标签图像同时完成分割和分类任务，能帮助医生判断ki67和肾癌细胞纹理结果的相关性。
本文档来自技高网...【技术保护点】
1.一种基于MT-SASS网络的肾癌MRI图像分割分类方法，其特征在于包括下列步骤：
【技术特征摘要】
1.一种基于mt-sass网络的肾癌mri...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。