[发明专利]一种基于生成式对抗网络的脑肿瘤分割方法

权利要求书

1.一种基于生成式对抗网络的脑肿瘤分割方法，其特征在于，从有噪声的标定掩码中生成校正后的标定掩码，并利用生成式对抗网络的鉴别器的输出得到加权损失函数，以减小不可信样本的影响；

基于生成式对抗网络框架的校正标定掩码和调整损失函数中样本权重相结合的方法来应对标定掩码的误差问题；

使用的生成器包含一个多任务学习网络，称为对偶预测网络，该网络使用两个U-Nets来共同学习从磁共振图像到分割掩码的非线性映射和从有噪声的标定掩码到无噪声的标定掩码的非线性映射；同时，两个U-Nets的解码器使用一种递归神经网络进行关联，使得不同尺度的视觉线索都被用来指导标定掩码的校正；

鉴别器度量校正后的标定掩码的可信程度，并使用置信度评分来对损失函数中修改标定掩码后的样本进行重新加权；

递归神经网络结构为：

设W_k，H_k，D_k为解码器第k个尺度特征映射f_k的宽度、高度和通道数，在第k个尺度上应用两个卷积核3×3、通道号D_k的残差学习块来学习隐向量h_k，其中一个残差学习块用于提取第k个尺度下的视觉信息，另一个残差学习块从第k-1个尺度上传递隐向量信息，计算隐向量h_k的公式为：

其中和是实现隐向量信息传递和视觉信息指导的网络参数，卷积层实现顺序为批归一化-线性整流函数激活-卷积，便于残差信息的传播；

在训练阶段，通过一种递归机制将融合视觉信息与标定掩码信息，迭代学习多个尺度的局部环境信息来捕获磁共振图像中远距离像素的依赖关系，整个学习过程完全是数据驱动的，可以端到端的训练；在测试阶段，仅使用图像分割网络预测脑部不同肿瘤区域的分割掩码。

2.如权利要求1所述的一种基于生成式对抗网络的脑肿瘤分割方法，其特征在于，调整损失函数中样本权重的计算方式为：

构建一个回归网络来度量每个样本的标定质量，并找出正确和错误的标定掩码之间的冲突信息，将生成式对抗网络引入到损失函数的样本重加权过程中，生成式对抗网络的生成器G由对偶预测网络组成，鉴别器D输入生成器校正的标定掩码，输出标定结果的度量，1为标定结果与真实分割完全相符，0为标定结果与真实分割完全不相符，即输出变量表示校正的标定掩码的置信度；

磁共振图像和校正的/真实的标定掩码被连接成5通道张量，所述鉴别器由7个步长为2、卷积核为3×3的残差学习块和1个全连接层组成；所述生成器使用像素级二进制交叉熵损失和对抗性损失进行训练，像素级二进制交叉熵损失保证了校正的标定掩码和真实分割掩码之间的高度相似性，对抗性损失则保证精确的标定掩码存在于真实分割掩码的流形中；

假设第i个图像用x_i表示，其原始的带误差的标定掩码为y_i，对偶预测网络得到的校正的标定掩码为z_i＝G(x_i,y_i)，真实的分割掩码为t_i，则对抗性损失函数的构造如下：

真实分割掩码t_i和预测分割掩码r_i之间的像素级二进制交叉熵损失函数的计算方式为：

其中m为图像的像素个数，j为每个像素的索引；

整个生成式对抗网络的总代价函数的计算方式为：

其中，权值系数λ控制两个损失函数的相对重要性，用网格搜索确定权值系数λ的取值，在训练阶段，首先预测的分割掩码和正确标定的分割掩码通过优化L_bce损失对分割网络进行学习；然后，预测的分割掩码作为有误差的标定掩码y_i与真实分割掩码t_i通过优化L_bce损失函数来学习标定掩码校正网络；接着，校正的和真实的标定掩码利用L_adv损失函数对来学习鉴别器；最后，有误差的标定掩码和校正的标定掩码利用L_total损失函数对生成器进行了微调；

鉴别器输出度量标定掩码真实性的置信度，误差减少的标定掩码趋向于真实的分割掩码，在加权的二元交叉熵损失函数WBCE中样本权值较大，而仍然有较大噪声的标定掩码获得的加权因子较小，其中，加权的二元交叉熵损失函数的公式为：

其中，权重w_i为从鉴别器获得的标定掩码真实的置信度，利用WBCE损失函数对分割网络进行微调。