[发明专利]一种基于生成式对抗网络的脑肿瘤分割方法

说明书

本发明提出了一种新的校正标定掩码和调整样本权重方法，并引入了一种新的生成式对抗网络，将这两种方法融合到一个集成的框架中用于对脑肿瘤数据进行立体分割。本发明主要设计了一种校正标定掩码和调整样本权重的机制，提高脑肿瘤分割的有效性，同时解决手工标定样本质量差异而使得训练过程缓慢的问题。

技术领域

本发明涉及肿瘤分割技术，具体涉及一种基于生成式对抗网络的脑肿瘤分割方法。

背景技术

脑肿瘤分割是近年来学术界和工业界共同关注的一个重要课题，尤其是多模态三维磁共振成像（MRI）数据中不同肿瘤区域的分割，有效、快速的脑肿瘤分割有助于神经状态的监测、疾病进展评估和脑疾病诊断。

近年来，随着深度学习技术的发展，医学图像分割技术取得了长足的进步。然而，深度学习方法需要大量的人工标记数据。将带误差的标定掩码定为真实的分割掩码会导致学习出的分割模型产生偏差。

在脑肿瘤分割中大多数的误差校正方法是对标定掩码的误差概率进行建模，并学习误差转移矩阵。这些假设在有误差的标定掩码和真实分割掩码之间存在一对一映射的转移概率，这个概率独立于个别样本。但在实际情况中，每个样本的外观对其是否可以被误分类有很大影响，而且由于图像分割问题的高维性，误差转移矩阵不能很好地在分割问题中建模。最近一些专家开始使用深度卷积神经网络（deep convolutional neuralnetworks，DCNNs）直接学习带误差的标定掩码与真实的分割掩码之间的映射关系。然而，编码器输出特征只是一种降维的视觉线索，既不提供高层语义信息，也不提供精确的位置信息，仅利用编码器输出特征来指导标定掩码的校正不能取得理想的效果。

该发明需要解决的问题是，尽管校正后的标定掩码有所改进，但由于数据中隐藏的不确定因素使这些数据仍然包含少量误差，如果将其等价于真实的分割掩码，则学习的分割模型将被误导并且降低训练时的收敛速度。该发明的重点是如何在训练阶段对有误差的标定掩码进行校正以及度量校正结果的准确性，设计一种机制，将标定校正、样本权重调整和脑瘤分割结合成一个完整的框架。

对于第二个问题，不同域的独立分析和线性后融合使得分割模型容易陷入局部最优问题。空间域和通道域是相关的，通道中高激活值对应于特定类别的高置信度评分，当空间环境没有足够的辨别力来区分不同类别的区域时，通道信息有助于语义分割。所述方法的重点是如何结合来自不同域的信息，探索这些域之间的内在相互关系并用于改进脑肿瘤分割结果。

发明内容

本发明的目的在于针对现有标定掩码校正技术的不足，提供一种基于生成式对抗网络的脑肿瘤分割方法，设计了一种校正标定掩码和调整样本权重的机制，提高脑肿瘤分割的有效性，同时解决手工标定样本质量差异而使得训练过程缓慢的问题。

本发明的目的是通过以下技术方案来实现的，所述方法包括以下步骤：

（1）构建脑肿瘤分割模型：所述肿瘤分割模型主要由对偶预测网络和调整损失函数中样本权重这两部分复合而成。

1-1）所述对偶预测网络的构建方法如下：

两个U-Nets分别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。所述发明认为相邻尺度下的特征是相互关联的，不应该将编码器输出特征空间中的视觉特征和标定掩码特征进行单次融合。深层特征具有丰富的定位信息和较高的激活输出，因此在解码器部分可以将图像视觉特征和标定掩码特征融合起来。为深入学习相邻感知域之间的关系，所述发明设计一种新的递归神经网络进行多尺度分析。