[發明專利]一種基于獎勵函數引入先驗知識的醫學圖像分割方法

在審

• 申請號: 202210893407.6
• 申請日: 2022-07-27
• 公開（公告）號: CN115187571A
• 公開（公告）日: 2022-10-14
• 發明（設計）人: 李雄飛;楊飛揚;張小利;黃薩;朱芮;于爽;宋涵;矯鑫瑤
• 申請（專利權）人: 吉林大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/194;G06V10/26;G06V10/74;G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京盛詢知識產權代理有限公司 11901
• 代理人: 藺巍

本發明提供了一種基于獎勵函數引入先驗知識的醫學圖像分割方法，包括如下步驟：獲取公開的醫學CT圖像數據集；基于圖像數據集，設計并得到獎勵函數；在獎勵函數中引入圖像數據集中的CT圖像的前景?背景比引入，得到改進的獎勵函數；在改進的獎勵函數中引入先驗知識實例的近似難度，得到最終的獎勵函數；使用最終的獎勵函數替換強化學習網絡中的獎勵函數，并進行強化網絡訓練，最后通過分割網絡輸出最終的分割結果圖。本發明采用將外部先驗知識引入到獎勵函數的設計，使其朝著有益的方向極大地影響了模型學習的過程，圖像中每個像素不僅考慮自身的狀態，同時會考慮其它相鄰像素的狀態，并在約束方向上更新策略，分割結果與真實病變相似。

技術領域

本發明屬于醫學圖像分割技術領域，尤其涉及一種基于獎勵函數引入先驗知識的醫學圖像分割方法。

背景技術

醫學圖像對許多重大疾病的診斷起著至關重要的作用，例如結構和功能分析，診斷和治療等，其中腫瘤病灶分割具有十分重大的意義。從臨床實際應用的角度，醫學影像的目標是在臨床診斷中輔助醫生。但僅僅能在CT圖像中預測出是否有病灶的模型是不能滿足醫生的要求的。此外，還需要呈現病灶的切片位置、單切片分割的置信度，以及在沒有穿刺測試的情況下是否可以區分良性或惡性腫瘤。傳統的人工分割標注方法對醫學圖像病灶分割效率低下，其性能很大程度上取決于標注者的經驗和醫學領域知識。

近年來深度學習在計算機視覺領域迅速崛起，并逐漸與醫學圖像分割相緊密關聯起來，但醫學圖像分割不僅需要計算機視覺方面的知識，還需要醫學領域的先驗知識作為模型設計的理論支持。現有的大多數方法都是從自然圖像分割方法中學習的，忽略了醫學特征。此外，注釋醫學圖像的團隊包括專家、受訓人員和外行，這會影響數據注釋的可靠性，并限制分割模型在實際場景中的有效性。針對該問題，本發明提出一種基于獎勵函數引入先驗知識的醫學圖像分割方法以解決現有技術中存在的問題。

發明內容

為解決上述技術問題，本發明提出一種基于獎勵函數引入先驗知識的醫學圖像分割方法，該基于獎勵函數引入先驗知識的醫學圖像分割方法采用將外部先驗知識引入到獎勵函數的設計，使其朝著有益的方向極大地影響了模型學習的過程，圖像中每個像素不僅考慮自身的狀態，同時會考慮其它相鄰像素的狀態，這樣每個被視作智能體的像素更像是模擬專家判斷，并在約束方向上更新策略。

為實現上述目的，本發明提供了一種基于獎勵函數引入先驗知識的醫學圖像分割方法，包括如下步驟：

S1.獲取公開的醫學CT圖像數據集；

S2.基于所述圖像數據集，設計并得到獎勵函數；

S3.在所述獎勵函數中引入所述圖像數據集中的CT圖像的前景-背景比引入，得到改進的獎勵函數；

S4.在所述改進的獎勵函數中引入先驗知識實例的近似難度，得到最終的獎勵函數；

S5.使用所述最終的獎勵函數替換強化學習網絡中的獎勵函數，并進行強化網絡訓練，最后通過分割網絡輸出最終的分割結果圖。

優選的，所述S2中，設計并得到所述獎勵函數的過程中，將獎勵P_i設計為所述圖像數據集中的每一個像素的預測值和實際標簽之間的差異，

優選的，設計并得到所述獎勵函數的方法包括：

將所述圖像數據集中的每一個像素視作一個智能體；

基于交叉熵增益設計并得到單個所述智能體的局部獎勵；

基于所述局部獎勵，得到所述獎勵函數。

優選的，單個所述智能體的反饋r_i定義如下