[发明专利]基于半监督对抗学习的冠脉造影血管图像分割的方法

权利要求书

1.一种基于半监督对抗学习的冠脉造影血管图像分割的方法，其特征在于包括以下步骤：

(1)获取实验所需要的冠脉造影数据，其中包括标注数据和未标注数据；

(2)用带标注的数据对鉴别器网络和分割网络进行训练，鉴别器网络受损失函数L_D监督训练，分割网络受Dice损失L_Dice和对抗损失L_adv监督训练；

(3)用未标注数据对分割网络进行训练，此时分割网络受鉴别器网络生成的置信度图和半监督损失L_semi监督训练；

(4)在训练的过程中，鉴别器网络学习区分GroundTruth图和分割网络的分割预测图，而损失函数L_Dice和L_adv则鼓励分割网络产生接近GroundTruth图的预测概率图，鉴别器网络与分割网络之间的关系构成了对抗学习；

(5)上述(2)、(3)和(4)步骤重复训练，直到分割网络的训练完成，训练完成后保存模型，该模型即是我们所要的分割预测模型；

所述分割网络为经典的医学图像分割网络Unet，鉴别器网络为一个全卷积网络。

2.根据权利要求1所述的一种基于半监督对抗学习的冠脉造影血管图像分割的方法，其特征在于：所述的鉴别器网络由5个卷积层组成，分别具有4×4的核和{64，128，256，512，1}个通道，步长为2，第1，2，3，4个卷积层后面都有一个由0.01参数化的Leaky-ReLU，在最后一层卷积层后面添加一个上采样层，以将输出重新缩放到输入映射的大小，从而将模型转换成全卷积网络；Leaky-ReLU的激活公式如下：

3.根据权利要求1所述的一种基于半监督对抗学习的冠脉造影血管图像分割的方法，其特征在于：分割网络采用Unet网络，Unet分为收缩路径和扩展路径，收缩路径是经典的卷积网络结构，由五个相同的模块组成，每个模块包括两个卷积核大小均为3×3的卷积和一个激活函数ReLU，第1，2，3，4个模块后面包含一个2x2的步长为2的最大池化层；扩展路径中的每一步包括对特征映射先进行上采样，然后进行2x2卷积，该卷积为up-convolution；该特征映射将特征通道的数量减半，与收缩路径中相应裁剪的特征拼接起来，然后后接两个3x3卷积，每个卷积后都有一个激活函数ReLU；在最后一层，使用1x1卷积来将每个64通道特征图映射到特定深度并且使用softmax输出来匹配输入图像的大小。

4.根据权利要求1所述的一种基于半监督对抗学习的冠脉造影血管图像分割的方法，其特征在于：训练鉴别器的损失函数为：

L_D＝-∑_h,w(1-y_n)log(1-D(S(X_n))^(h,w))+y_nlog(D(Y_n)^(h,w)) (2)

其中，L_D是鉴别器网络的损失函数，D(S(X_n))^(h,w)是输入图像X在位置(h,w)的置信度图，D(Y_n)^(h,w)是one-hot编码后GroundTruth向量Y_n的置信度图；其中如果样本来自分割网络，则y_n＝0，如果样本来自GroundTruth，则y_n＝1；训练鉴别器使用标注的数据；训练分割网络的损失函数为：

L_seg＝λ_advL_adv+λ_semiL_semi (3)

其中L_adv和L_semi分别为对抗损失和半监督损失；在式(3)中，用λ_adv和λ_semi两个权值来最小化所提出的多任务损失函数；

通过鉴别器网络中的对抗损失来使用对抗学习过程，对抗损失为：

L_adv＝-∑_h,wlog(D(S(X_n))^(h,w)) (4)

应用所述损失训练分割网络，通过最大化从GroundTruth分布生成预测结果的概率欺骗鉴别器，在自学框架内使用训练有素的鉴别器和未标记的数据所产生的半监督损失函数为：

其中I(·)是指标函数，T_semi是控制自学过程灵敏度的阈值。