[发明专利]一种二类分割损失函数在实现椎间盘组织图像二类分割中的应用方法

说明书

一种二类分割损失函数及其构建方法和应用，涉及深度学习与医学影像处理领域，解决了现有技术存在的背景不平衡、分割精度差的问题。本发明通过设定基础损失函数、设定适用于基础损失函数的限制项，设定平衡量，通过平衡量组合基础损失函数与限制项得到二类分割损失函数。本发明显著抑制了椎间盘组织图像分割时分割目标不平衡所带来的假阳性影响，提高了全卷积神经网络和二类分割损失函数的分割性能，提升了分割效果，在深度学习与医学影像处理技术领域具有极高的应用和推广价值。

技术领域

本发明涉及深度学习与医学影像处理技术领域，特别是涉及一种二类分割损失函数及其构建方法和应用。

背景技术

随着人工智能技术的不断发展，面向医学影像的计算机辅助诊断研究越来越得到重视。特别是脊椎病变等疾病，准确的组织区域分割是实现其智能诊断的重要前提条件。目前常见的智能分割技术主要依托于深度学习算法，通过输入医学影像和对应的标签文件，使得算法提取出目标区域的高维度特征，进而进行逐像素的分类判断并得到概率值，最终实现语义分割任务。损失函数是深度学习算法中的重要组成部分。一般来说，损失函数计算的是标签和预测输出之间的误差值，以此实现对深度学习算法的反向传播调节，提升算法的学习性能。常见的损失函数为交叉熵函数。近年来随着研究的推进，一些其他的函数如Dice Loss、Focal Loss、Tversky Loss等被提出并应用。

由于脊椎医学影像的特性，面向脊椎组织的分割研究中仍存在需解决的问题，如二类分割中的背景不平衡等问题。背景不平衡问题常出现在面向椎间盘组织图像的二类分割应用中。在脊椎医学影像中，椎间盘组织图像的像素数量往往很少(约3％左右)，相较之下，非目标椎间盘组织图像的背景像素数量很多。这种背景不平衡问题使得深度学习算法的训练效率低下，交叉熵函数退化。一些损失函数，如Dice Loss和Focal Loss，通过调整小像素量目标的分类权重，有效缓解了不平衡问题对于分割结果的影响。但使用这些损失函数仍然会导致不可避免的假阳性问题，即背景中的一些易混淆像素会被误判为目标像素。

因此，迫切需要研发出一种针对现有损失函数的改进方案以提升深度学习算法面向椎间盘组织图像的二类分割性能，并实现应用。

发明内容

本发明的目的是提供一种二类分割损失函数及其构建方法和应用，以解决现有椎间盘组织图像的二类分割存在的背景不平衡、分割精度差的问题。

本发明为解决技术问题所采用的技术方案如下：

本发明的一种二类分割损失函数，该函数的表达式为：

L_n＝ρl+(1-ρ)r

式中，l为基础损失函数，采用现有任意二类语义分割损失函数；r为限制项；ρ为用于平衡基础损失函数l和限制项r的贡献量，0≤ρ≤1。

进一步的，所述基础损失函数l的表达式为：

l＝f(p_ti,g_ti)

当t＝0时，g_0i为被训练图像的标签中像素点i是否为背景像素点的真实值，p_0i为预测结果中像素点i是否为背景像素点的模型判断概率值，若被训练图像的标签中像素点i是背景像素点，则g_0i＝1，否则g_0i＝0，若预测结果中像素点i是背景像素点，则p_0i＝1，否则p_0i＝0；

当t＝1时，g_1i为被训练图像的标签中像素点i是否为分割目标像素点的真实值，p_1i为预测结果中像素点i是否为分割目标像素点的模型判断概率值，若被训练图像的标签中像素点i是分割目标像素点，则g_1i＝1，否则g_1i＝0，若预测结果中像素点i是分割目标像素点，则p_1i＝1，否则p_1i＝0。