[发明专利]一种基于对抗网络的无监督医学图像分割方法

说明书

本发明涉及的是一种基于对抗网络的无监督医学图像分割方法，属于医疗保健信息学，特别是医学图像分割技术领域。本发明是通过以下技术方案实现的：首先根据形状先验信息随机生成或者利用第三方数据集得到一组辅助掩码，将辅助掩码与未标注的训练图像送入循环一致性对抗网络中生成二元掩码，并利用基于变分自编码的判别器和基于判别器反馈的生成器校正模块提高二元掩码质量。得到训练图像的二元掩码后，利用噪声加权Dice损失函数进行迭代式训练，得到最终的高精度分割模型。本发明能解决卷积神经网络在医学图像分割的训练过程中需要大量人工标注的问题，克服无监督分割方法性能低、鲁棒性差等问题，有效地提高了无监督医学图像分割算法的性能。

技术领域

本发明属于医疗保健信息学，特别是医学图像分割技术领域。

背景技术

医学图像的精确分割是一个非常具有挑战性的任务。医学图像存在不同软组织之间对比度低、边界模糊等情况，且不同的成像模态具有巨大差异，不同中心的图像在对比度、分辨率上存在较大不同，使得到精确的分割结果十分困难。传统的图像分割方法如水平集、区域增长算法、边缘检测算法等无需标注图像进行训练，属于无监督的分割算法，它们依赖于人工设计的特征和参数，容易出现过分割和欠分割的情况，在具有复杂病变的情况下难以获得鲁棒的结果。

近年来，深度学习与卷积神经网络在医学图像分割任务中已经取得了很大的成就，在诸多器官的分割中超越了传统分割算法的性能。它们的成功很大程度上取决于大量手工标注的图像用于训练。但是，在医学图像的分割任务中，大量的手工标注是不容易获得的，因为所需要提供的像素级标注是很非常耗时的，并且依赖于具有领域知识的专家来标注，从而导致获得高质量的标注数据十分昂贵，需要大量的人力和时间，这已经成为深度学习算法发展的主要障碍。为了解决这个问题，基于标注高效性的深度学习技术，例如弱标注或者无标注学习技术越来越受到人们的重视。

对目前已有的基于标注高效性学习的图像分割算法进行研究发现，尽管这些方法可以有效减少训练图像的标注量，它们在医学图像的分割中仍然难以取得好的性能。这里主要存在着三个问题：首先，目前虽然存在很多标注高效性学习的方法，例如弱监督学习、半监督学习和交互式标注工具等，它们仍然需要大量的人工参与。弱监督学习方法需要人工给定一个边界框、稀疏的像素级标注如涂鸦等，或者图片级的标注；半监督学习需要给出一部分标注好的图片，而交互式标注工具需要人工提供交互。它们虽然在一定程度上克服了对大规模图像进行完全手工标注的难题，但是仍需要许多的人工参与。其次，目前存在的标注高效性学习方法的性能仍跟有监督的医学图像分割方法差距较大，这限制了其在实际场景中的应用，使其无法真正解决对大规模人工标注的依赖问题。第三，目前存在的无监督学习方法都存在很多局限性，例如一些无监督域学习方法可以将一个给定标注的数据集或者模态(源域)转换成需要分割的图像或模态的形式(目标域)来解决目标域没有标注的问题，但是它们仍然需要源域的标注。一些传统的无监督方法例如随机霍夫变换和基于纹理的椭圆检测可用于分割超声图像中椭圆形的胎儿头部，但是它们的鲁棒性较低，无法处理具有弱边界信息的图像。一些基于深度学习的无监督方法性能仍然较差，且只能关注到局部信息，无法从整体语义中分割出精确的结果。

发明内容

本发明的目的在于克服医学图像分割中现有的深度学习算法依赖大量人工标注进行训练的不足, 针对基于标注高效性学习的医学图像分割方法中的问题，提出一种基于对抗网络的无监督医学图像分割方法。在形状先验信息的约束下，使算法无需对训练数据进行标注即可获得更好的分割性能。同时，本发明克服目前无监督分割方法中普遍性能偏低，步骤复杂等问题，使深度学习模型能够在关注局部细节的同时，可更有效地关注全局的语义信息，以保证分割结果的完整性。