[发明专利]一种用于计算机辅助诊断前列腺癌的对抗学习方法

说明书

本发明公开了一种用于计算机辅助诊断前列腺癌的对抗学习方法，该方法使用多个病人的前列腺MR图像和对应的人工分割图作为训练数据集，构造包括分割器和判别器的对抗网络，让其进行对抗训练，通过多次迭代更新得到优化后的分割器，然后将待分割的前列腺MR图像输入训练好的分割器中，从而获得最终的分割结果，实现前列腺MR图像的自动分割，为医生分割病人前列腺组织提供参考，能够在一定程度上有效提高医生对前列腺疾病的诊断准确性和工作效率。

技术领域

本发明涉及深度学习方法领域，具体是一种用于计算机辅助诊断前列腺癌的对抗学习方法。

背景技术

前列腺癌是几十年来最常见的癌症之一，对老年男性的健康问题造成了很大的威胁。为了在临床上诊断前列腺癌，以及后续的治疗方案的制定，首先需要医生对病变组织从整个MR图像中分离出来以区分前列腺组织与周围的组织器官。然而经验丰富的放射科医师的手工分割是基于目视检查，逐幅图像的分割，这个过程不仅费时费力，而且不适用于大样本的数据。在计划治疗时，前列腺组织的边界应该越精确越好，然而由于前列腺组织与相邻结构的对比度低，导致其边界难以区分，每位患者的前列腺组织的大小，形状，位置都各不相同，而且在MR图像中属于前列腺组织的区域很小，可用的有效信息较少。因此前列腺MR图像的分割成为一项具有挑战性的工作。

基于对抗学习方法的前列腺组织分割技术，是指用前列腺MR图像训练一个包含分割器和判别器的对抗网络模型，用训练好的模型来对前列腺MR图像进行自动分割，这种自动分割技术应用到临床诊断中，相比于人工分割，耗时更少，精度也更高，使分割效率大幅提升，会更好的辅助医生对病人的病情进行诊断以及更高效率的规划治疗方案。

发明内容

本发明的目的是提供一种用于计算机辅助诊断前列腺癌的对抗学习方法，以解决现有技术对前列腺组织分割精度低、耗时高的问题。

为了达到上述目的，本发明所采用的技术方案为：

一种用于计算机辅助诊断前列腺癌的对抗学习方法，其特征在于：构造包括分割器和判别器的对抗网络，将原始前列腺MR图像和对应的人工分割图作为训练数据，对构造的对抗网络进行对抗训练，通过多次迭代更新得到优化后的分割器，然后将待分割的前列腺MR图像输入训练好的分割器中，从而获得最终的分割结果，其步骤如下：

(1)、选取多个病人的前列腺MR图像作为训练数据集，首先将训练数据集包含的不同尺寸的图片通过尺度变化的方式调整为统一的尺寸，然后对训练图片采用水平和垂直翻转以及调节亮度、对比度、饱和度的方式来扩展训练数据集；

(2)、固定分割器，利用损失函数计算出的梯度对判别器进行一步训练，损失函数为对抗损失与在分割器上的BCE损失的和，对抗损失的表达式如下：

BCE损失的表达式如下：

其中，x代表原始的前列腺图片，y代表对应的人工分割标签图，S代表分割器，D代表判别器，表示图像对(x,y)的对数似然的期望。为了使判别器做出正确的判断，需要最大化D(x,y)，同时最小化D(x,S(x))，为了防止判别器做出正确的判断，分割器会产生更接近于人工分割标签的分割结果。BCE损失是通过惩罚标签图与输出分割结果之间的距离来定义的，最小化该损失函数也可以使分割器产生更接近于标签的分割结果。因此，最后采用的损失函数为：

其中，λ是均衡两个损失的参数，判别器的的目标是判断分割图是人工分割的标签还是由分割器产生的分割图，其输入是两个图像对，分别是前列腺MR图像+分割器产生的分割结果、前列腺MR图像+对应的人工分割标签。判别器的网络结构包括10个卷积层+BatchNorm层+ReLU激活函数层，4个最大池化层，1个全局平均池化，1个全连接以及Sigmoid激活函数，输出0或者1，0表示图像来自分割器产生的分割结果，1表示图像来自人工分割标签；