[發明專利]一種基于卷積神經網絡的迭代學習的圖像分割方法

有效

• 申請號: 201811645917.1
• 申請日: 2018-12-30
• 公開（公告）號: CN109741347B
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 劉博;姚柯璐;張佳慧
• 申請（專利權）人: 北京工業大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/04
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

本發明公開了一種基于卷積神經網絡的迭代學習的圖像分割方法，基于U?Net模型，針對病理圖像語義分割模型訓練過程，提出新的損失計算方式和迭代訓練的方法。該方法通過改進模型中損失函數的計算方式，調整求解的目標函數。提出利用模型預測區域與標注區域相補的思想，通過迭代訓練，進一步修補不完全、不確切監督區域，得到標注更加精細的樣本，從而完成更高精度的語義分割。這種針對不完全、不確切監督問題提出的新的模型學習方法，具有較強的魯棒性，因而能更好的分割病變區域。在相同訓練模型、相同數據集的情況下，采用本方法，相比原始模型能提升0.4?0.8左右的精度，在比賽、科研的領域中，具有顯著的作用。

技術領域

本發明屬于圖像分割領域，特別是一種基于卷積神經網絡的解決病理切片的樣本不完全標注問題的訓練框架。

背景技術

在圖像的語義分割任務中，目前工業、學術界均采用的是卷積神經網絡+監督學習的方式，即通過學習大量訓練樣本來構建預測模型，其中每個訓練樣本都有一個標簽標明其真值輸出，ImageNet、CoCo等眾多開源數據集由此產生。

盡管當前的技術已經取得了巨大的成功，但是值得注意的是，由于數據標注過程的高成本，很多任務很難獲得如全部真值標簽這樣的強監督信息。標注醫學圖像需要病理學專業知識，人力稀缺，且病理圖像存在大量疑似性區域，標注難度大。因此，不完全監督、不確切監督的問題在病理圖像上尤為嚴重。故提出一定的策略減輕數據標注問題的模型結果的影響非常有必要。

現多采用弱監督學習的機器學習技術來處理此類問題，如南京大學周志華組提出了從半監督弱標注數據中學習并處理多標簽學習問題的方法。該方法假設實例和標簽的相似性有助于補充缺失的標簽，但是該方法在實際應用中魯棒性較差，特別是對于復雜的病理圖像，在精度上低于基于監督學習的深度學習方法。

發明內容

本發明的目的在在于為了解決上述背景技術中提及的部分技術問題，本發明擬基于U-Net模型，針對病理圖像語義分割模型訓練過程，提出新的損失計算方式和迭代訓練的方法。該方法通過改進模型中損失函數的計算方式，調整求解的目標函數。提出利用模型預測區域與標注區域相補的思想，通過迭代訓練，進一步修補不完全、不確切監督區域，得到標注更加精細的樣本，從而完成更高精度的語義分割。這種針對不完全、不確切監督問題提出的新的模型學習方法，具有較強的魯棒性，因而能更好的分割病變區域。

為了實現上述目的，本發明采用如下的技術方案:

一種基于卷積神經網絡的迭代學習的圖像分割方法，該方法包括如下步驟：

步驟1：修改損失函數損失計算方式，構建訓練模型；

步驟2：根據所述模型對待分割的訓練圖像進行卷積處理，得到圖像特征圖；

步驟3：根據所述特征圖獲取像素點概率集合，獲取標簽圖；

步驟4：人工篩選所述標簽圖與原標簽圖融合,構成新的訓練樣本；

步驟5：重復步驟2-4，迭代訓練，應用于測試樣本；

進一步的，在一種可能的實現方式中，步驟1包括：

步驟1.1：對于存在癌區的圖像，計算損失時只關注已經標注的區域，對于正常的圖像，計算全部像素點的損失，構建U-Net模型。

進一步的，在一種可能的實現方式中，步驟3包括：

步驟3.1：利用Sigmoid函數將所述圖像特征圖進行歸一化處理，獲取各個像素點概率集合。

步驟3.2：根據所述概率集合生成像素點的熱力圖。

步驟3.3：將熱點圖中概率大于0.95的位置，確定為癌區在熱點圖中的預測位置。

步驟3.4：根據所述預測位置確定各個像素點在所述待分割圖像中的位置信息，生成標簽圖。