[发明专利]一种基于弱监督的医学图像语义分割方法和系统

权利要求书

1.一种基于弱监督的医学图像语义分割方法，其特征在于，包括：

对样本医学图像进行分割获得多个尺度下的多个特征图块；

通过随机失活掩码对该特征图块进行筛选，对选出的特征图块提取图像特征，以该图像特征对深度卷积神经网络进行训练获得分类模型，并在训练中每次迭代递增θ；该随机失活掩码表示通过特征图块提取图像特征的概率，θ为筛选阈值，并满足θ＝min(1,init_θ+g*(e/s))，init_θ为初始阈值，g为阈值增长率，e为当前迭代次数，s为每次增长步幅；

以该分类模型对目标医学图像进行分割，并通过类别激活图构建热力图作为分割结果的伪标签；其中，对于任一样本医学图像，通过该分类模型预测每个特征图块的提取概率，将所有该特征图块的提取概率融合为总提取概率；对于该样本医学图像，通过该分类模型获得每个特征图块的类别激活图，将所有该特征图块的类别激活图融合为总类别激活图；将该总提取概率和该总类别激活图融合为融合图，并以该融合图的概率为全连接条件随机场的一元势；去除该融合图的白色背景，并以该全连接条件随机场对进行该融合图进行细化处理，以获得该热力图。

2.一种基于弱监督的医学图像语义分割系统，其特征在于，包括：

特征提取模块，用于对样本医学图像进行分割获得多个尺度下的多个特征图块；

模型训练模块，用于通过随机失活掩码对该特征图块进行筛选，对选出的特征图块提取图像特征，以该图像特征对深度卷积神经网络进行训练获得分类模型；该随机失活掩码表示通过特征图块提取图像特征的概率，θ为筛选阈值；阈值递增模块，用于在特征提取过程的每次迭代中递增θ，并满足θ＝min(1,init_θ+g*(e/s))，其中，init_θ为初始阈值，g为阈值增长率，e为当前迭代次数，s为每次增长步幅；

图像分割模块，用于以该分类模型对目标医学图像进行分割，并通过类别激活图构建热力图作为分割结果的伪标签；该图像分割模块具体包括：

概率预测模块，用于对于任一样本医学图像，通过该分类模型预测每个特征图块的提取概率，并将所有该特征图块的提取概率融合为总提取概率；

激活图生成模块，用于对于该样本医学图像，通过该分类模型获得每个特征图块的类别激活图，将所有该特征图块的类别激活图融合为总类别激活图；

融合模块，用于将该总提取概率和该总类别激活图融合为融合图，并以该融合图的概率为全连接条件随机场的一元势；

热力图生成模块，用于去除该融合图的白色背景，并以该全连接条件随机场对进行该融合图进行细化处理，以获得该热力图。

3.一种计算机可读存储介质，存储有计算机可执行指令，其特征在于，当该计算机可执行指令被执行时，实现如权利要求1所述的基于弱监督的医学图像语义分割方法。

4.一种数据处理装置，包括如权利要求3所述的计算机可读存储介质，当该数据处理装置的处理器调取并执行该计算机可读存储介质中的计算机可执行指令时，执行基于弱监督的医学图像语义分割。