[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

本發明公開一種基于對抗協同訓練的半監督醫療圖像分割方法，使用少量有標注的醫療圖像數據以及大量無標注的醫療圖像數據來訓練神經網絡分割模型從而提升模型性能。模型使用了兩個結構不同的解碼器分支，這兩個解碼器分支共享同一個編碼器，通過協同訓練的方法可以使得兩個解碼器分支互相學習。同時，模型還使用對抗學習方法來訓練一個判別器，判別器可以學習到分割結果和真實標簽之間的高階連續性，從而使得分割網絡的輸出在視覺上更接近真實標簽。同時判別器還可以選擇無標注數據的偽標簽中置信度較高的部分來訓練分割模型。本發明提供的方法不受疾病和病灶種類的限制，可以用于肝臟、口腔等各種部位疾病的醫療圖像分割，具有很好的普適性和通用性。

技術領域

本發明涉及一種基于對抗協同訓練的半監督醫療圖像分割方法，適用于有標簽數據較少而無標簽數據較多的醫療圖像數據集。并且本發明的方法不受疾病種類的限制，可以應用于肝臟、口腔等各種部位疾病的醫療圖像分割，具有普適性和通用性。

背景技術

語義分割是醫療影像分析中一個很重要的任務，它可以檢測生理結構以及病灶區域的位置和大小，幫助制定醫療方案。隨著深度學習的發展，深度神經網絡尤其是全卷積網絡在分割自然場景圖片和醫療圖像上都展示了很好的性能。但是目前主流的神經網絡結構中都包含了大量需要優化的參數，因此需要大規模的帶有像素級標簽的數據集來進行訓練。但是在醫療領域中獲得大規模帶標簽的數據集是很難的，一方面是因為標注醫療圖像需要專業的醫學知識，另一方面的原因是標注數據是一項很耗時的重復性勞動；然而大部分的醫生都沒有很多時間來進行標注。

目前主流的解決醫療圖像分割領域中標注數據較少問題的半監督方法大多都是基于自訓練的方法，也就是首先使用有標簽的數據預訓練一個分割模型，然后使用這個模型對無標簽數據進行預測產生分割結果。接著選擇這些結果中質量較好的那些數據加入到訓練集中形成新的訓練集，對分割模型重新訓練。重復上述步驟直至模型收斂。

但是基于自訓練的方法會受限于預訓練模型的性能。

發明內容

發明目的：針對現有技術中存在的問題與不足，本發明提供一種基于對抗協同訓練的半監督醫療圖像分割方法，采用了基于協同訓練的方法，使兩個結構不同的解碼器分支互相學習。同時還引入了對抗訓練來選擇無標簽數據的偽標簽中置信度較高的區域來更新分割網絡。而且本發明提供的方法可以用于肝臟、口腔等各種部位疾病的醫療圖像分割，不受疾病和病灶種類的限制，具有很好的普適性和通用性。

技術方案：一種基于對抗協同訓練的半監督醫療圖像分割方法，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，使得判別器可以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可以使得分割網絡產生的結果更加接近醫療圖像真實標簽，同時可以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，對于有標簽的數據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(在步驟203中詳細描述)來更新分割網絡。