一種基于無標注數據的醫療圖像分割方法技術

本發明專利技術公開了一種基于無標注數據的醫療圖像分割方法，包括以下步驟：A1：采用有標注數據對分割網絡進行訓練；A2：將包含無標注數據和有標注數據的訓練圖像輸入到所述分割網絡進行分割，并將得到的分割結果輸入到評價網絡；A3：采用所述評價網絡對分割結果進行評價；A4：對所述分割網絡和所述評價網絡進行對抗式訓練；A5：當所述分割網絡和所述評價網絡達到動態平衡時，根據所述分割網絡得到無標注數據的最終分割結果。本發明專利技術實現了無標注醫療圖像的端到端分割，而不需要提前標注好大量醫療圖像再用這些標注好的圖像來訓練分割網絡，方法簡單高效。

【技術實現步驟摘要】
一種基于無標注數據的醫療圖像分割方法
本專利技術涉及計算機視覺技術和醫療圖像分析領域，尤其涉及一種基于無標注數據的醫療圖像分割方法。
技術介紹
CT、MR、PET、超聲、X光等醫療成像技術在疾病的早期檢測、診斷、治療方面起著重要作用。通常這些醫療圖像都是由放射科醫生等專門人員進行判斷，但由于放射科醫生的數量緊缺、病理的變化多樣、醫生易疲勞的原因，計算機輔助診斷技術的引入變的非常有必要，這其中涉及到計算機視覺技術和醫療圖像分析領域的結合。考慮到機器學習在數據分析中的地位，出現了許多基于醫生專業知識的輔助診斷系統，系統依然很大程度上依賴醫生的診斷規則，不容易推廣。然而近年來盛行的深度學習可以很好的解決這一手工特征工程的問題，使得非機器學習領域的專家也能夠把深度學習應用到醫療圖像處理中。深度學習的巨大成功與以下幾個因素相關：1.計算能力的提高，如GPU集群計算；2.海量數據變的可用；3.學習算法的發展。深度學習在海量數據中學習出適合的特征表達方式，并逐層提升特征層次，在計算機視覺領域取得了輝煌成就。受此啟發，在醫療圖像的分割、配準、檢測、標注等領域，開始出現了相關計算機輔助診斷的技術。語義分割是醫療圖像分析處理的基本問題，它通常是計算機輔助診斷的第一步。深度學習已經在該領域取得了一定進展，為了獲得好的分割效果，往往需要很多數量的標注圖片來訓練模型。由于逐個像素標注的高昂成本和巨大數目的圖像尺寸，如一張3D醫學圖像包括數百張2D圖像切片，每張2D圖像切片上又有很多細胞器官組織等，因此已標注的醫療圖像數量非常稀少。當訓練模型時，有大量未標注的數據，卻只有少量已標注數據，這為模型的有監督學習提出了巨大困難。基于少量標注數據訓練的模型非常容易導致過擬合，即系統的泛化能力很差，不適用于病變變化較大的醫學領域；錯誤的分割極易導致后續醫生的誤診，因此如何利用可獲得的少量有標注數據來顯著提升分割效果則成為了關鍵。目前該問題的解決方案主要有二種，一種是遷移學習，將針對自然圖像訓練好的模型應用到醫療圖像中，但是由于自然圖像和醫療圖像的成像方式和原始分布差距懸殊，基于該方法的醫學圖像分割效果往往不是很理想；另一種是近年來出現的生成對抗網絡(GAN)，它主要由生成器和判別器組成，判別器不斷挑選出生成效果較差的樣本，來實現樣本對應標簽的生成。考慮到GAN容易受到對抗攻擊的影響，生成的樣本標注準確率波動大，使得后續的分割效果無法得到有效保證。以上
技術介紹
內容的公開僅用于輔助理解本專利技術的構思及技術方案，其并不必然屬于本專利申請的現有技術，在沒有明確的證據表明上述內容在本專利申請的申請日已經公開的情況下，上述
技術介紹
不應當用于評價本申請的新穎性和創造性。
技術實現思路
鑒于現有技術存在的上述缺點，本專利技術提出一種基于無標注數據的醫療圖像分割方法，實現了無標注醫療圖像的端到端分割，而不需要提前標注好大量醫療圖像再用這些標注好的圖像來訓練分割網絡，方法簡單高效。為了達到上述目的，本專利技術采用以下技術方案：本專利技術公開了一種基于無標注數據的醫療圖像分割方法，包括以下步驟：A1：采用有標注數據對分割網絡進行訓練；A2：將包含無標注數據和有標注數據的訓練圖像輸入到所述分割網絡進行分割，并將得到的分割結果輸入到評價網絡；A3：采用所述評價網絡對分割結果進行評價；A4：對所述分割網絡和所述評價網絡進行對抗式訓練；A5：當所述分割網絡和所述評價網絡達到動態平衡時，根據所述分割網絡得到無標注數據的最終分割結果。優選地，步驟A1中具體包括：將有標注數據輸入到分割網絡，得到分割結果后與標注進行比較，得到多值交叉熵為：其中，n為訓練的有標注數據的個數，x為網絡輸入，y是期望輸出，a是網絡的實際輸出；然后根據計算得到的多值交叉熵進行反向傳播，來調整所述分割網絡的參數，直至所述分割網絡具有分割能力。優選地，步驟A3中具體包括：所述評價網絡根據二值交叉熵來對分割結果進行評價：cd＝-[klnk+(1-k)ln(1-k)]其中，評價結果為好時的概率為k，評價結果為差的概率為(1-k)；當二值交叉熵大于或等于預設閾值時，所述評價網絡評價對應的分割結果為差，當二值交叉熵小于預設閾值時，所述評價網絡評價對應的分割結果為好。優選地，步驟A4中對所述分割網絡和所述評價網絡進行對抗式訓練的具體過程包括：將所述評價網絡的評價結果返回給所述分割網絡，所述分割網絡調整參數以降低誤差并將重新得到的分割結果輸入到所述評價網絡，所述評價網絡也調整參數以降低誤差并對重新得到的分割結果進行重新評價，以此循環反復。優選地，步驟A4中具體為采用整體代價函數來對所述分割網絡和所述評價網絡進行對抗式訓練，其中整體代價函數為：其中，θs，θd分別為分割網絡和評價網絡的參數，訓練圖像中總共有M個有標注數據Xm，標注為Ym，N個無標注數據Un，cs表示分割網絡的多值交叉熵，cd表示評價網絡的二值交叉熵，S表示分割，E表示誤差，ρ為0～1的調節參數；在對抗式訓練過程中，整體代價函數向不斷減小的方向進行，所述分割網絡和所述評價網絡分別根據整體代價函數來調整各自的參數θs，θd。優選地，在對抗式訓練過程中，ρ的值逐漸增大。優選地，步驟A5具體為：當在對抗式訓練過程中整體代價函數不能再減小時，所述分割網絡和所述評價網絡達到動態平衡，結束對所述分割網絡和所述評價網絡的對抗式訓練，此時根據所述分割網絡得到無標注數據的最終分割結果。優選地，所述分割網絡采用U-Net。優選地，所述評價網絡采用VGG16網絡，該網絡將分割結果差的記為0，分割結果好的記為1。與現有技術相比，本專利技術的有益效果在于：本專利技術的基于無標注數據的醫療圖像分割方法中只需要采用少量的有標注數據先對分割網絡進行訓練，然后采用大量無標注數據和少量有標注數據共同訓練包括分割網絡和評價網絡的深度模型，通過網絡的對抗式訓練，來估計無標注數據的反向傳播誤差，達到無標注數據分割的目的，其中訓練好的網絡具有很強的泛化能力，能夠滿足醫療分割領域準確率的要求。在深度模型中，分割網絡專門負責有標注數據和無標注數據的分割，評價網絡負責對此前得到的分割結果進行評價，評價網絡不斷挑選出差的分割結果，分割網絡不斷訓練加強分割的準確率，直至對抗訓練完成，評價網絡無法分辨出差的分割結果，則可以認為無標注醫療圖像的分割效果已達最佳，從而實現了無標注醫療圖像的端到端分割，而不需要提前標注好大量醫療圖像再用這些標注好的圖像來訓練分割網絡，方法簡單高效。附圖說明圖1是本專利技術優選實施例的基于無標注數據的醫療圖像分割方法的流程示意圖；圖2是本專利技術優選實施例的分割網絡的具體結構示意圖；圖3是本專利技術優選實施例的評價網絡的具體結構示意圖；圖4是本專利技術優選實施例的分割網絡和評價網絡進行對抗式訓練的示意圖。具體實施方式下面對照附圖并結合優選的實施方式對本專利技術作進一步說明。如圖1所示，本專利技術的優選實施例公開了一種基于無標注數據的醫療圖像分割方法，包括以下步驟：A1：采用少量有標注數據訓練分割網絡，使分割網絡具有一定的分割能力；在本實施例中，分割網絡采用U-Net，它用短連接將下采樣層和對應的上采樣層結合起來，實現了不同層間特征圖的級聯，保證了圖像的語境信息被充分利用，這有別于其他基于塊處理的卷積神經網絡；從網絡的訓練本文檔來自技高網...

【技術保護點】
1.一種基于無標注數據的醫療圖像分割方法，其特征在于，包括以下步驟：A1：采用有標注數據對分割網絡進行訓練；A2：將包含無標注數據和有標注數據的訓練圖像輸入到所述分割網絡進行分割，并將得到的分割結果輸入到評價網絡；A3：采用所述評價網絡對分割結果進行評價；A4：對所述分割網絡和所述評價網絡進行對抗式訓練；A5：當所述分割網絡和所述評價網絡達到動態平衡時，根據所述分割網絡得到無標注數據的最終分割結果。

【技術特征摘要】
1.一種基于無標注數據的醫療圖像分割方法，其特征在于，包括以下步驟：A1：采用有標注數據對分割網絡進行訓練；A2：將包含無標注數據和有標注數據的訓練圖像輸入到所述分割網絡進行分割，并將得到的分割結果輸入到評價網絡；A3：采用所述評價網絡對分割結果進行評價；A4：對所述分割網絡和所述評價網絡進行對抗式訓練；A5：當所述分割網絡和所述評價網絡達到動態平衡時，根據所述分割網絡得到無標注數據的最終分割結果。2.根據權利要求1所述的基于無標注數據的醫療圖像分割方法，其特征在于，步驟A1中具體包括：將有標注數據輸入到分割網絡，得到分割結果后與標注進行比較，得到多值交叉熵為：其中，n為訓練的有標注數據的個數，x為網絡輸入，y是期望輸出，a是網絡的實際輸出；然后根據計算得到的多值交叉熵進行反向傳播，來調整所述分割網絡的參數，直至所述分割網絡具有分割能力。3.根據權利要求1所述的基于無標注數據的醫療圖像分割方法，其特征在于，步驟A3中具體包括：所述評價網絡根據二值交叉熵來對分割結果進行評價：cd＝-[klnk+(1-k)ln(1-k)]其中，評價結果為好時的概率為k，評價結果為差的概率為(1-k)；當二值交叉熵大于或等于預設閾值時，所述評價網絡評價對應的分割結果為差，當二值交叉熵小于預設閾值時，所述評價網絡評價對應的分割結果為好。4.根據權利要求1所述的基于無標注數據的醫療圖像分割方法，其特征在于，步驟A4中對所述分割網絡和所述評價網絡進行對抗式訓練的具體過程包括：將所述評價網絡的評價結果返回給所述...

【專利技術屬性】
技術研發人員：王好謙，宋磊，王興政，方璐，戴瓊海，
申請(專利權)人：深圳市未來媒體技術研究院，清華大學深圳研究生院，
類型：發明
國別省市：廣東,44