[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

说明书

本发明公开了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，属于医学技术领域，基于半监督对抗学习的方法是当下医学图像处理领域比较热门的一个方法。半监督对抗学习的方法不需要大量的标注数据，大大减轻了医生的工作量。通过利用标注数据训练鉴别器，鉴别器网络可以判断输入为未标注数据的分割预测图还是GroundTruth图，然后分割网络将未标注数据的分割预测输入到鉴别器网络可以计算置信图，再结合对抗损失和半监督损失可以共同监督提高分割网络的准确性，从而使分割网络达到一个好的分割效果。

技术领域

本发明属于医学技术领域，具体涉及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。

背景技术

半监督对抗学习是一种不需要过多标注数据的方法，相比于监督学习需要大量的人工标注数据，半监督对抗学习只需要少量的标注数据和大量的未标注数据即可。随着深度学习中半监督学习和对抗网络的出现，并且半监督学习和对抗网络已经在很多图像处理领域取得了巨大的成就。因此，使用深度学习来解决冠脉造影血管图像分割问题是将来研究的重点，并在此基础上结合利用半监督学习和生成对抗网络的方法来进行分割，解决了样本标注不足的问题。

半监督学习有一个非常吸引人的优点，它不需要大量的标注数据，它可以在模型训练中利用大量未标记的数据，从而可以大大减轻人工标注的任务。生成对抗网络的对抗学习也应用到了语义分割当中，将这两者结合可以在血管分割方法取得一些进展。一个典型的对抗网络由两个子网络组成，即生成器和鉴别器，让生成器和鉴别器进行博弈，从而可以产生不错的输出。在此背景下，我们的分割网络作为对抗网络的生成器，鉴别器采用一个完全卷积的网络作为鉴别器网络，分割网络对输入图像进行分割预测，使得所得的预测图接近GroundTruth图。对抗学习是让分割网络和鉴别器进行博弈，在训练过程中通过相互竞争让它们同时得到增强，最终使分割网络达到一个好的分割效果。

发明内容

本发明提供了一种利用半监督对抗学习网络来对冠脉造影血管图像进行分割预测，完成冠脉造影血管分割任务的方法。

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，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，所述对抗学习是让分割网络和鉴别器进行博弈，在训练过程中通过相互竞争让它们同时得到增强，最终使分割网络达到一个好的分割效果。

本发明技术方案的进一步改进在于：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：