[發明專利]一種基于對抗協同訓練的半監督醫療圖像分割方法

有效

• 申請號: 201910378091.5
• 申請日: 2019-05-08
• 公開（公告）號: CN110097131B
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 李武軍;房康;陳龍意;周嵩
• 申請（專利權）人: 南京大學
• 主分類號: G06F18/214
• 分類號: G06F18/214;G16H30/40
• 代理公司: 南京樂羽知行專利代理事務所(普通合伙) 32326
• 代理人: 李玉平

1.一種基于對抗協同訓練的半監督醫療圖像分割方法，其特征在于：包括使用含有兩個解碼器分支的編碼器-解碼器結構的網絡進行協同訓練的步驟，使用對抗訓練來訓練判別器，使得判別器學習到輸出結果和醫療圖像真實標簽之間的高階連續性從而使得分割網絡產生的結果更加接近醫療圖像真實標簽，同時使用判別器選擇無標注醫療圖像數據的偽標簽中置信度較高的區域來更新分割網絡的步驟；

所述使用含有兩個解碼器分支的編碼器-解碼器網絡進行協同訓練的具體步驟為：

步驟100，輸入有標記的醫療圖像和其對應的標簽(X,Y)以及無標簽的醫療圖像U，其中H,W表示圖像的高度和寬度，K表示類別數，Y是經過獨熱編碼的表示；

步驟101，對輸入數據進行預處理以及數據增廣，包括將數據規范化到[0,1]區間，將輸入的醫療圖像進行隨機水平翻轉；

步驟102，對于有標簽的醫療圖像數據X以及無標簽醫療圖像數據U分別使用共享的編碼器對其進行編碼處理，然后使用兩個解碼器分支分別對處理后醫療圖像的編碼進行解碼得到各自的兩個分割結果

步驟103，對于有標簽數據X，使用其標簽Y，基于Dice損失以及對抗損失對分割模型產生的輸出進行監督，訓練分割模型；

步驟104，對于無標簽數據，利用協同訓練的方法，基于類似于Dice損失的損失函數以及對抗損失來使得互相學習，互相訓練；協同訓練時使用判別器選擇出的高置信度區域來更新分割網絡；

步驟105，使用訓練得到的模型對輸入圖像進行預測：輸入一張醫療圖像，計算得到兩個分割結果然后取這兩個結果的平均值作為最后的輸出結果。

2.如權利要求1所述的基于對抗協同訓練的半監督醫療圖像分割方法，其特征在于，使用對抗訓練來訓練判別器以及使用判別器選擇偽標簽中置信度較高區域的具體步驟為：

步驟200，對于有標簽的醫療圖像數據，分割網絡會輸出兩個偽標簽

步驟201，判別器的目的是區分出輸入的是醫療圖像的真實標簽還是分割網絡產生的偽標簽，因此都是負例，而醫療圖像數據的真實標簽是正例；使用二分類的交叉熵損失函數對判別器進行訓練；

步驟202，對于無標簽的醫療圖像數據，只有兩個偽標簽，即分割網絡的輸出；將兩個偽標簽作為負例，使用二分類交叉熵損失函數對判別器進行訓練；

步驟203，判別器對于無標簽醫療圖像數據的兩個偽標簽的判別結果中，置信度都大于某一個閾值的區域就是判別器選擇出的置信度較高的區域。

3.如權利要求1所述的基于對抗協同訓練的半監督醫療圖像分割方法，其特征在于，所述分割網絡和判別器訓練的具體流程為：首先初始化機器學習平臺，然后隨機初始化所要訓練的模型參數，進入訓練過程：在每輪迭代中首先計算有標簽的醫療圖像數據和無標簽的醫療圖像數據的輸出，然后基于輸出計算相對于分割網絡的損失L_S以及相對于判別器的損失L_dis，接著計算分割網絡和判別器的整體損失L，最后使用這個損失對分割網絡和判別器進行更新；整個訓練過程使用自適應矩估計法更新網絡參數。

4.如權利要求3所述的基于對抗協同訓練的半監督醫療圖像分割方法，其特征在于，定義模型的目標方程

其中θ_s和θ_d分別表示分割網絡和判別器的參數；L_s和L_dis分別表示分割網絡和判別器的優化目標；L_dis定義如下：

其中D(*)為判別器，L_bce為二分類的交叉熵損失，對于輸入和定義如下：

其中H,W表示輸入醫療圖像以及輸出結果的高度和寬度；

L_S定義如下：

L_s＝L_dice+λ₁L_adv+λ₂L_semi

其中L_dice表示對于有標簽的醫療圖像數據的分割損失，使用Dice損失，L_adv表示對于有標簽的醫療圖像數據和無標簽的醫療圖像數據的對抗損失，L_semi表示對于無標簽的醫療圖像數據的協同訓練損失；λ₁,λ₂用來對三項損失函數進行均衡；L_S中的三個損失函數分別定義如下：

其中O表示有標簽的醫療圖像數據或者無標簽的醫療圖像數據；Y_h,w,k表示Y在第k個通道上(h,w)位置上的值，表示第i個解碼器分支輸出結果在第k個通道上(h,w)位置上的值；M表示判別器用來選擇高置信度區域的掩碼，定義如下：

γ表示選擇區域的閾值。