[发明专利]一种基于多标签误差网络深度监督的医学图像分割方法

权利要求书

1.一种基于多标签误差网络深度监督的医学图像分割方法，其特征在于，包括以下步骤：

在医学图像分割领域，像素级分割是最需要充足可利用的数据集和大量准确的注释的任务之一。深度监督是为图像分类而引入，而分割任务则是为图像中每个像素找到类别。通常，从分类到分割，大多数是通过放大低分辨率的特征图来完成，深度监督则与之相反，缩小像素级注释大小，与伪标签结合，发挥令人惊讶的特性。

2.根据权利1所述的一种基于多标签误差网络深度监督的医学图像分割方法，其特征在于，给定一个数据集D：

D＝{x₁，…，x_n|x_i∈R^3×H×W}，

输入图像x_i具有不同注释类型：

M＝{m₁，...，m_n|m_i∈[0，1]^(C+1)×H×W}，

B＝{b₁，...，b_n|b_i∈[0，1]^(C+1)×H×W}，

G＝{g₁，…，g_n|g_i∈[0，1]^(C+1)}，

其中，m_i是像素级的注释掩码，b_i是具有bounding box标记图像、g_i是仅有全局标注图像或根本没有标注图像，c代表前景类，c+1代表背景类。

本发明采用U-net(64通道)作为主要的分割器，用x表示误差分割网络，E表示缺陷检测网络。误差分割网络通常采用编码器-解码器的架构，本发明整合辅助输出(深度监督)，即在解码过程中产生的feature mapsf₀，...f_h上操作，这里称f₀是解码器中最内层的特征图，f_h是最外层的特征图。

深度监督最初是为图像分类引入的，而语义分割的的本质：为图像中每个像素找到类别。无标签图像x_i通过分割网络得到一个预测p_i，并将其转化为伪标签。对于图像级的标签g_i，进一步约束生成的伪标签，类似，具有bounding box标记图像可以约束位于粗略的伪标签，灵活整合弱标记，以提高伪标签的质量。

3.根据权利1所述的一种基于多标签误差网络深度监督的医学图像分割方法，其特征在于，损失函数：

对于多标签场景，选用二进制交叉熵损失：

BCE(p，q)＝q.log(σ(p))+(1-q)log(1-σ(p))，