[發(fā)明專利]一種基于輔助學(xué)習(xí)任務(wù)與重分割約束的醫(yī)學(xué)圖像分割方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210162154.5
• 申請(qǐng)日: 2022-02-22
• 公開(kāi)（公告）號(hào): CN114529562A
• 公開(kāi)（公告）日: 2022-05-24
• 發(fā)明（設(shè)計(jì)）人: 屈磊;周文瓊;吳軍;歐陽(yáng)磊;陶在洋;尚宏偉;趙婧雨;洪思成
• 申請(qǐng)（專利權(quán)）人: 安徽大學(xué)
• 主分類號(hào): G06T7/11
• 分類號(hào): G06T7/11;G06N3/04;G06N3/08
• 代理公司: 合肥國(guó)和專利代理事務(wù)所(普通合伙) 34131
• 代理人: 張祥騫

本發(fā)明涉及一種基于輔助學(xué)習(xí)任務(wù)與重分割約束的醫(yī)學(xué)圖像分割方法，該方法包括下列順序的步驟：(1)對(duì)三維人腦核磁共振數(shù)據(jù)進(jìn)行預(yù)處理，得到訓(xùn)練集和測(cè)試集；(2)構(gòu)建基于輔助學(xué)習(xí)任務(wù)與重分割約束的分割網(wǎng)絡(luò)；(3)將訓(xùn)練集輸入分割網(wǎng)絡(luò)進(jìn)行訓(xùn)練,得到訓(xùn)練好的分割網(wǎng)絡(luò)；(4)將測(cè)試集輸入訓(xùn)練好的分割網(wǎng)絡(luò)，分割網(wǎng)絡(luò)輸出得到分割結(jié)果。本發(fā)明通過(guò)額外的圖像重建任務(wù)分支的引入，有助于分割網(wǎng)絡(luò)學(xué)習(xí)到互補(bǔ)的醫(yī)學(xué)圖像特征，從而幫助模型更好地理解醫(yī)學(xué)圖像的內(nèi)在結(jié)構(gòu)；將重建結(jié)果再次輸入到分割網(wǎng)絡(luò)中，將得到的重分割結(jié)果與真實(shí)分割圖比較，從語(yǔ)義層面為分割網(wǎng)絡(luò)的訓(xùn)練提供額外的監(jiān)督信號(hào)，以進(jìn)一步提升圖像分割結(jié)果的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)學(xué)圖像分割技術(shù)領(lǐng)域，尤其是一種基于輔助學(xué)習(xí)任務(wù)與重分割約束的醫(yī)學(xué)圖像分割方法。

背景技術(shù)

近年來(lái)，伴隨著人工智能技術(shù)的飛速發(fā)展，計(jì)算機(jī)視覺(jué)在自然圖像應(yīng)用領(lǐng)域展現(xiàn)出了極高的識(shí)別效果，在醫(yī)學(xué)圖像分割領(lǐng)域也同樣獲得了廣泛的關(guān)注。通常，對(duì)醫(yī)學(xué)圖像進(jìn)行分割的目的是使人體組織結(jié)構(gòu)或病理結(jié)構(gòu)更加清晰直觀，或者通過(guò)分割結(jié)果可對(duì)相關(guān)組織進(jìn)行建模，以便進(jìn)行后續(xù)的輔助診斷操作。然而，醫(yī)學(xué)圖像中的數(shù)據(jù)與自然圖像格式稍有不同，除了二維結(jié)構(gòu)的數(shù)據(jù)外，以MRI或CT為主的圖像數(shù)據(jù)通常為三維結(jié)構(gòu)，其包含了對(duì)整個(gè)器官組織的掃描結(jié)果。在圖像內(nèi)容方面，自然圖像中各種物體的邊界都是相對(duì)比較明顯的。但醫(yī)學(xué)圖像中顯示的是人體組織結(jié)構(gòu)，并且是通過(guò)專業(yè)的成像儀器獲取到的，可能存在組織的邊緣輪廓界限不夠清晰、圖像亮度變化復(fù)雜等特性。

當(dāng)前，隨著深度學(xué)習(xí)算法的快速迭代更新，研究者們針對(duì)自然圖像分割模型進(jìn)行了一系列的改進(jìn)，并將這些模型應(yīng)用至醫(yī)學(xué)圖像分割領(lǐng)域中，相較于傳統(tǒng)的醫(yī)學(xué)圖像分割方法，在分割準(zhǔn)確度上有了明顯的提升。因而，傳統(tǒng)的醫(yī)學(xué)圖像分割方式逐步被深度學(xué)習(xí)方式所代替。深度學(xué)習(xí)方式并不要求和傳統(tǒng)方式一樣人工獲取特征，也不會(huì)產(chǎn)生由先驗(yàn)知識(shí)帶來(lái)的差異，因此在醫(yī)學(xué)圖像分割領(lǐng)域中顯示出了優(yōu)異的性能效果。在智慧醫(yī)療任務(wù)需求的不斷增加的背景下，現(xiàn)有的采用深度學(xué)習(xí)方法的醫(yī)學(xué)圖像分割方式，往往要求對(duì)大規(guī)模有標(biāo)注的數(shù)據(jù)進(jìn)行建模的訓(xùn)練，而醫(yī)學(xué)圖像數(shù)據(jù)比一般數(shù)據(jù)規(guī)模較小，因而現(xiàn)有的醫(yī)學(xué)圖像分割模型通常難以充分提取相關(guān)的具有鑒別力的特征用于表征分割。因此，上述的這些局限致使現(xiàn)有的基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割工作，在分割性能的準(zhǔn)確度方面仍然有待于進(jìn)一步的提升。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種通過(guò)構(gòu)造圖像重建這一輔助任務(wù)，提升分割主任務(wù)的圖像分割精度，同時(shí)在模型訓(xùn)練階段，通過(guò)重建圖像二次分割對(duì)網(wǎng)絡(luò)進(jìn)一步約束進(jìn)而再次提高分割結(jié)果的準(zhǔn)確性的基于輔助學(xué)習(xí)任務(wù)與重分割約束的醫(yī)學(xué)圖像分割方法。

為實(shí)現(xiàn)上述目的，本發(fā)明采用了以下技術(shù)方案：一種基于輔助學(xué)習(xí)任務(wù)與重分割約束的醫(yī)學(xué)圖像分割方法，該方法包括下列順序的步驟：

(1)對(duì)三維人腦核磁共振數(shù)據(jù)進(jìn)行預(yù)處理，得到訓(xùn)練集和測(cè)試集；

(2)構(gòu)建基于輔助學(xué)習(xí)任務(wù)與重分割約束的分割網(wǎng)絡(luò)；

(3)將訓(xùn)練集輸入分割網(wǎng)絡(luò)進(jìn)行訓(xùn)練,得到訓(xùn)練好的分割網(wǎng)絡(luò)；

(4)將測(cè)試集輸入訓(xùn)練好的分割網(wǎng)絡(luò)，分割網(wǎng)絡(luò)輸出得到分割結(jié)果。

所述步驟(1)具體包括以下步驟：

(2a)所述三維人腦核磁共振數(shù)據(jù)包括四種模態(tài)：T1、T1c、T2和FLAIR，將四種模態(tài)的三維人腦核磁共振數(shù)據(jù)進(jìn)行合并，其中這四種模態(tài)數(shù)據(jù)的原始尺寸為240*240*155，生成尺寸為4*240*240*155大小的四通道三維數(shù)據(jù)，其中4表示模態(tài)數(shù)量，155表示每個(gè)三維人腦核磁共振數(shù)據(jù)中含有的二維切片數(shù)目，240*240分別表示圖像的高度和寬度；

(2b)對(duì)合并后的三維人腦圖像數(shù)據(jù)由nii格式轉(zhuǎn)換為numpy格式；

(2c)對(duì)轉(zhuǎn)換后的數(shù)據(jù)采用零-均值規(guī)范化方法進(jìn)行歸一化處理；