【技术实现步骤摘要】
本专利技术涉及医学图像分割，具体涉及一种基于多任务联合学习的一致性半监督心脏图像分割方法。
技术介绍
1、常见深度学习模型的一大特点在于需要大量的标注数据对模型进行训练，才能使模型达到较高的准确度。过少的数据会造成模型难以收敛，进而影响分割结果。受制于涉及隐私保护法规的限制，获取心脏图像数据用作训练集具有相当大的挑战性，与此同时，标注这些分割任务的数据的成本也十分高昂，特别是对于心脏mri图像，其结构相对于其他医学数据而言更为复杂，需要具有专业知识且经验丰富的医生才能进行标注，进一步增加了获取训练集的成本。
2、在过去的半监督心脏mri图像分割方法中，通常仅仅采用数据和模型层面的一致性正则化的方法来提高模型的性能和鲁棒性以在有限标注样本的情况下获得更好的分割结果。这些方法虽然取得了很好的性能，但是在模型学习的过程中，由于心脏结构的复杂性，许多分割区域的特征信息容易被忽略，从而影响到模型的整体性能。任务一致性正则有助于提高模型的性能，因为它强制网络执行不同任务，这有助于模型更好地捕捉数据的本质特征，而不仅仅是局限于某一特定任务时共享学到的特征，这可以提供更好的泛化能力和更高的准确性。因此，如何在训练过程中综合考虑数据、模型和任务层面的一致性来提高模型分割精度和泛化能力，是一个巨大的挑战。
技术实现思路
1、本专利技术为了克服以上技术的不足，提供了一种分割准确度高的基于多任务联合学习的一致性半监督心脏图像分割方法。
2、本专利技术克服其技术问题所采用的技术方案是
3、一种基于多任务联合学习的一致性半监督心脏图像分割方法，包括如下步骤：
4、a)收集n个有标注或无标注的左心房mri原始样本，得到左心房mri原始样本集合s′，s′＝{s′1,s′2,...,s′i,...,s′n}，s′i为第i个左心房mri原始样本，i∈{1,...,n}；
5、b)对第i个左心房mri原始样本s′i进行预处理，得到预处理后的第i个左心房mri原始样本si，预处理后的左心房mri原始样本集合为s，s＝{s1,s2,...,si,...,sn}；
6、c)将预处理后的左心房mri原始样本集合为s划分为训练集、测试集，训练集包括n个有标注的左心房mri原始样本及m个无标注的左心房mri原始样本；
7、d)建立基于多任务联合学习的一致性半监督心脏图像分割模型，将训练集中的预处理后的左心房mri原始样本输入到基于多任务联合学习的一致性半监督心脏图像分割模型的三个任务分支中，分别输出得到符号距离图符号距离图分割概率图分割概率图重建背景图重建背景图
8、e)计算总损失ltotal，利用总损失ltotal对基于多任务联合学习的一致性半监督心脏图像分割模型进行训练，得到优化后的基于多任务联合学习的一致性半监督心脏图像分割模型；
9、f)将测试集中的预处理后的左心房mri原始样本输入到优化后的基于多任务联合学习的一致性半监督心脏图像分割模型中，输出得到预测分割结果图进一步的，步骤a)中从2018心房分割挑战赛数据集中收集n个有标注或无标注的左心房mri原始样本。
10、进一步的，步骤b)包括如下步骤：
11、b-1)使用pytorch中的random_rot_flip函数将第i个左心房mri原始样本s′i沿中心点随机翻转操作，得到翻转后的第i个左心房mri原始样本s″i；
12、b-2)使用pytorch中的centercrop函数将翻转后的第i个左心房mri原始样本s″i进行中心裁剪操作，得到裁剪后的第i个左心房mri原始样本s″′i；
13、b-3)将裁剪后的第i个左心房mri原始样本s″′i进行min-max scaling标准化处理，得到预处理后的第i个左心房mri原始样本si。
14、优选的，步骤b-1)中第i个左心房mri原始样本s′i沿中心点随机翻转角度为-35°至35°，步骤b-2)中第i个左心房mri原始样本s″i进行中心裁剪后的尺寸为112×112×80。
15、进一步的，步骤c)中将预处理后的左心房mri原始样本集合为s按4:1的比例划分为训练集、测试集，训练集中n个有标注的左心房mri原始样本构成有标注的左心房mri样本集合为第n个有标注的预处理后的左心房mri原始样本，n∈{1,...,n}，为第n个有标注的预处理后的左心房mri原始样本对应的专家手动标记的真实标注，其中0为背景像素，1为前景像素，h为真实标注的高度，w为真实标注的宽度，d为真实标注的深度，训练集中m个无标注的左心房mri原始样本构成有标注的左心房mri样本集合为第m个无标注的预处理后的左心房mri原始样本，n∈{n+1,n+2,...,n+m}，sl∈s，su∈s。
16、进一步的，步骤d)包括如下步骤：
17、d-1)基于多任务联合学习的一致性半监督心脏图像分割模型由sdm任务分支、seg任务分支、rec任务分支构成；
18、d-2)基于多任务联合学习的一致性半监督心脏图像分割模型的sdm任务分支由v-net网络中的编码器和解码器构成，将第n个有标注的预处理后的左心房mri原始样本输入到v-net网络中，v-net网络的输出结果通过tanh函数得到符号距离图将第m个无标注的预处理后的左心房mri原始样本输入到v-net网络中，v-net网络的输出结果通过tanh函数得到符号距离图
19、d-3)基于多任务联合学习的一致性半监督心脏图像分割模型的seg任务分支由v-net网络中的编码器和解码器构成，将第n个有标注的预处理后的左心房mri原始样本输入到v-net网络中，输出得到分割概率图将第m个无标注的预处理后的左心房mri原始样本输入到v-net网络中，输出得到分割概率图
20、d-4)基于多任务联合学习的一致性半监督心脏图像分割模型的rec任务分支由v-net网络中的编码器和解码器构成，将第n个有标注的预处理后的左心房mri原始样本输入到v-net网络中，v-net网络的输出结果通过reconstruct函数得到重建背景图将第m个无标注的预处理后的左心房mri原始样本输入到v-net网络中，v-net网络的输出结果通过reconstruct函数得到重建背景图
21、进一步的，步骤e)中计算总损失ltotal的方法为：
22、e-1)通过公式计算得到seg任务分支的损失函数lseg，式中ce(·,·)为交叉熵损失函数，dice(·,·)为dice损失函数；
23、e-2)通过公式计算得到sdm任务分支的损失函数lsdm，式中mse(·,·)为均方误差，式中inf为函数的下确界，为第n个有标注的预处理后的左心房mri原始样本对应的专家手动标记的真实标注中的第i个体素，i∈{1,...,p}，p为第n个有标注的预处理后的左心房mri原始样本对应的专家手动标记的真实标注的体素数，为第n个有标注的预处理本文档来自技高网...
【技术保护点】
1.一种基于多任务联合学习的一致性半监督心脏图像分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于多任务联合学习的一致性半监督心脏图像分割方法，其特征在于：步骤a)中从2018心房分割挑战赛数据集中收集n个有标注或无标注的左心房MRI原始样本。
3.根据权利要求1所述的基于多任务联合学习的一致性半监督心脏图像分割方法，其特征在于，步骤b)包括如下步骤：
4.根据权利要求3所述的基于多任务联合学习的一致性半监督心脏图像分割方法，其特征在于：步骤b-1)中第i个左心房MRI原始样本S′i沿中心点随机翻转角度为-35°至35°，步骤b-2)中第i个左心房MRI原始样本S″i进行中心裁剪后的尺寸为112×112×80。
5.根据权利要求1所述的基于多任务联合学习的一致性半监督心脏图像分割方法，其特征在于：步骤c)中将预处理后的左心房MRI原始样本集合为S按4:1的比例划分为训练集、测试集，训练集中N个有标注的左心房MRI原始样本构成有标注的左心房MRI样本集合为第n个有标注的预处理后的左心房MRI原始样本，n∈{1,...,
6.根据权利要求5所述的基于多任务联合学习的一致性半监督心脏图像分割方法，其特征在于，步骤d)包括如下步骤：
7.根据权利要求6所述的基于多任务联合学习的一致性半监督心脏图像分割方法，其特征在于，步骤e)中计算总损失Ltotal的方法为：
8.根据权利要求1所述的基于多任务联合学习的一致性半监督心脏图像分割方法，其特征在于：步骤e)中使用Adam优化器通过总损失Ltotal对基于多任务联合学习的一致性半监督心脏图像分割模型进行训练，得到优化后的基于多任务联合学习的一致性半监督心脏图像分割模型。
9.根据权利要求8所述的基于多任务联合学习的一致性半监督心脏图像分割方法，其特征在于：训练基于多任务联合学习的一致性半监督心脏图像分割模型时初始学习率设置为0.01，训练时迭代8000次，每3000次迭代后，学习率减小为原始值的十分之一。
10.根据权利要求6所述的基于多任务联合学习的一致性半监督心脏图像分割方法，其特征在于，步骤f)包括如下步骤：
...【技术特征摘要】
1.一种基于多任务联合学习的一致性半监督心脏图像分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于多任务联合学习的一致性半监督心脏图像分割方法，其特征在于：步骤a)中从2018心房分割挑战赛数据集中收集n个有标注或无标注的左心房mri原始样本。
3.根据权利要求1所述的基于多任务联合学习的一致性半监督心脏图像分割方法，其特征在于，步骤b)包括如下步骤：
4.根据权利要求3所述的基于多任务联合学习的一致性半监督心脏图像分割方法，其特征在于：步骤b-1)中第i个左心房mri原始样本s′i沿中心点随机翻转角度为-35°至35°，步骤b-2)中第i个左心房mri原始样本s″i进行中心裁剪后的尺寸为112×112×80。
5.根据权利要求1所述的基于多任务联合学习的一致性半监督心脏图像分割方法，其特征在于：步骤c)中将预处理后的左心房mri原始样本集合为s按4:1的比例划分为训练集、测试集，训练集中n个有标注的左心房mri原始样本构成有标注的左心房mri样本集合为第n个有标注的预处理后的左心房mri原始样本，n∈{1,...,n}，为第n个有标注的预处理后的左心房mri原始样本对应的专家手动标记的真实标注，其中0为背景像素，1为前景像素，h为真实标注的高度，w...
【专利技术属性】
技术研发人员：陈长芳，胡玉泽，舒明雷，周书旺，刘照阳，张宏宽，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：
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。