【技术实现步骤摘要】
本专利技术涉及医学图像处理领域内的医学图像分割处理方法。
技术介绍
1、在对医学图像进行分析时，需要将图像对应的器官影像给标注出来，完成医学图像的分割，才能进行后续的判断分析，而这一操作通常都是由医生进行手工标注来完成，每一批的医学图像都需要如此处理，这极大的延缓了了对图像分析判断的及时性。
技术实现思路
1、本专利技术的目的是提供一种基于生成对抗网络的医学图像分割方法，在使用少量手工标注图像的情况下，能够更快速地批量地将未打标的图像输出分割完成的图像。
2、为实现上述目的，本专利技术提供了一种基于生成对抗网络的医学图像分割方法，包括以下步骤，
3、步骤1，前期准备；
4、步骤2，训练分割网络；
5、步骤3，训练鉴别网络；
6、步骤4，交替循环步骤2-3，直到分割网络与鉴别网络达到均衡。
7、与现有技术相比，本专利技术的有益效果在于，实现了以有人工标注和无人工标注的医学图像共同训练的图像分割框架的构建，并在此基础上完成医学图像的分割。设计了通过跳跃连接、融合高级语义信息和低级空间语义信息、逐步融合各层次特征图并加入空间注意力机制的分割网络；同时设计了一个鉴别网络。分割网络与鉴别网络交替训练，在使用更少标注图像的情况下，取得良好的分割效果。
8、作为本专利技术的进一步改进，步骤1的具体内容如下，
9、准备相关的医学影像图片，其中10％经过专家手工标注，记作打标图片，其余90％均没有手工标注
10、作为本专利技术的进一步改进，步骤2的具体内容如下，
11、步骤2.1，得到分割预测图；
12、步骤2.2，得到打标图片对应的监督损失函数和未打标图片对应的损失定义函数；
13、步骤2.3，求得分割网络总损失函数。
14、作为本专利技术的进一步改进，步骤2.1的具体内容如下，
15、步骤2.1.1，将大小为572×572打标图片记作input,经过{conv1_1,conv1_2}操作，得到大小为568×568×64的特征图f1；
16、步骤2.1.2，f1再经过{poo1,conv2_1,conv2_2}操作，得到大小为280×280×128的特征图f2；
17、步骤2.1.3，f2再经过{poo2,conv3_1,conv3_2}操作，得到大小为136×136×256的特征图f3；
18、步骤2.1.4，f3再经过{poo3,conv4_1,conv4_2}操作，得到大小为64×64×512的特征图f4；
19、步骤2.1.5，f4再经过{pool4,conv5_1,最大池化操作，平均池化操作，conv5_2，conv1×1,sigmoid,up-conv}操作，得到大小为30×30×512的特征图f5；
20、步骤2.1.6，f4与f5进行拼接操作，再经过{conv6_1,conv6_2，up-conv}得到大小为52×52×256的特征图f6
21、步骤2.1.7，f6与f3进行拼接操作，再经过{conv7_1,conv7_2，up-conv}得到大小为96×96×128的特征图f7
22、步骤2.1.8，f7与f2进行拼接操作，再经过{conv8_1,conv8_2，up-conv}得到大小为184×184×64的特征图f8
23、步骤2.1.9，f8与f1进行拼接操作，再经过{conv9_1,conv9_2，conv_10}得到分割预测图f9。
24、作为本专利技术的进一步改进，步骤2.2的具体内容如下，打标图片所得的分割预测图f9与真值图片之间存在一个监督损失函数
25、
26、其中，xn为打标图片，y为真值图片，s为分割预测结果，h、w、c分别为分割预测图f9的高、宽以及通道数；
27、未打标图片所得的分割预测图f9，因为没有真值图片，所以不存在lce，分割网络参数优化还受到后续鉴别网络的约束，故还需加上分割损失函数ladv，
28、
29、其中e为数学期望，xm为未打标图片，服从分布，d为鉴别网络输出的概率值，s为分割预测结果。
30、作为本专利技术的进一步改进，步骤2.3的具体内容如下，
31、分割网络总损失函数：lseg＝lce+λadvladv
32、其中lce是由交叉熵损失函数形成的监督损失函数；ladv表示分割损失函数；λadv为权重参数。
33、作为本专利技术的进一步改进，步骤3的具体内容如下，
34、步骤3.1，将真值图片y或分割预测结果，作为鉴别网络的输入；
35、步骤3.2，真值图片y或分割预测结果经过{conv4×4，conv4×4，conv4×4，conv4×4，conv1×1，fc}，鉴别网络会输出一个概率值d，通过概率值d来判断输入的图片是属于真值图片还是属于分割预测结果；
36、步骤3.3，构建鉴别网络的鉴别损失函数：
37、
38、其中e为数学期望，y为真值图片，服从py(y)分布，z为打标图片和或未打标图片，服从pz(z)分布，d为鉴别网络输出的概率值，s为分割预测结果。
39、作为本专利技术的进一步改进，步骤4的具体内容如下，
40、步骤4.1，训练过程中首先固定分割网络参数，训练鉴别网络通过评价概率的方式对输入图像的真实性做出判断，输出的概率值越高说明鉴别网络认为其输入来真值图片的可能性越大，反之则其输入来自分割预测结果的可能性更大，根据鉴别网络的鉴别损失函数ld更新鉴别网络参数，过程如下：
41、
42、其中θd为鉴别网络参数，为梯度，ld为鉴别损失函数，d为鉴别网络输出的概率值，s为分割网络的分割预测结果，y为真值图片，z为打标图片或者未打标图片；
43、步骤4.2，接着固定鉴别网络参数，再根据分割网络总损失函数lseg对分割网络参数θs进行更新，过程如下：
44、
45、其中θs为鉴别网络参数，为梯度，lseg由lce和ladv组成，lce为交叉熵损失函数形成的监督损失函数，ladv表示分割损失函数，d为鉴别网络输出的概率值，s为分割网络的分割预测结果，y为真值图片，z为打标图片或者未打标图片；
46、步骤4.3，交替循环步骤2和3，从而交替更新步骤4.1中的分割网络参数和步骤4.2中的鉴别网络参数，当鉴别网络对于每个输入图片都给出二分之一的真实样本概率值时，分割网络与鉴别网络达到均衡，此时均不调整参数，训练完成后保存模型并最终输出未打标图片所对应的分割预测图f9。
本文档来自技高网...【技术保护点】
1.一种基于生成对抗网络的医学图像分割方法，其特征在于：包括以下步骤，
2.根据权利要求1的一种基于生成对抗网络的医学图像分割方法，其特征在于：步骤1的具体内容如下，
3.根据权利要求2的一种基于生成对抗网络的医学图像分割方法，其特征在于：步骤2的具体内容如下，
4.根据权利要求3的一种基于生成对抗网络的医学图像分割方法，其特征在于：步骤2.1的具体内容如下，
5.根据权利要求4的一种基于生成对抗网络的医学图像分割方法，其特征在于：步骤2.2的具体内容如下，
6.根据权利要求5的一种基于生成对抗网络的医学图像分割方法，其特征在于：步骤2.3的具体内容如下，
7.根据权利要求5的一种基于生成对抗网络的医学图像分割方法，其特征在于：步骤3的具体内容如下，
8.根据权利要求7的一种基于生成对抗网络的医学图像分割方法，其特征在于：步骤4的具体内容如下，
【技术特征摘要】
1.一种基于生成对抗网络的医学图像分割方法，其特征在于：包括以下步骤，
2.根据权利要求1的一种基于生成对抗网络的医学图像分割方法，其特征在于：步骤1的具体内容如下，
3.根据权利要求2的一种基于生成对抗网络的医学图像分割方法，其特征在于：步骤2的具体内容如下，
4.根据权利要求3的一种基于生成对抗网络的医学图像分割方法，其特征在于：步骤2.1的具体内容如下，
5.根据...
【专利技术属性】
技术研发人员：郭志波，陈宇，郭柴琪，刘双双，闫军臣，陈平，张锡锐，
申请(专利权)人：扬州大学，
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。