[发明专利]一种基于深度学习的前列腺MR图像半监督分割方法

权利要求书

1.一种基于深度学习的前列腺MR图像半监督分割方法，其特征在于，包括以下步骤：

S1，获取原始前列腺MR图像集以及所述图像集中部分图像对应的金标准；

S2，以所述部分图像及其对应的金标准构建第一训练集，并将所述第一训练集导入执行者网络中进行训练，得到对应的分割结果，再结合所述金标准，计算得到第一实际损失；将所述部分图像与对应的分割结果在通道上进行叠加得到数组，以对应的第一实际损失作为每个数组的标签，对评判者网络进行训练；

S3，对所述图像集中各图像有无金标准进行标注，以标注后的图像集和所述部分图像的金标准构建第二训练集，并将所述第二训练集导入所述执行者网络中进行训练，得到对应的分割结果，对有金标准的图像，结合所述金标准，计算得到第二实际损失；对无金标准的图像，将其与分割结果在通道上进行叠加得到对应的数组，再将所述对应的数组导入S2中训练好的评判者网络中，得到预测损失；以所述第二实际损失与预测损失之间的损失，对所述执行者网络进行训练，得到最佳执行者网络；

S4，利用所述最佳执行者网络对待分割的前列腺MR图像进行分割。

2.根据权利要求1所述的基于深度学习的前列腺MR图像半监督分割方法，其特征在于，在S1之后，所述方法还包括：

调整所述图像集中原始前列腺MR图像的窗宽窗位，并通过直方图均衡化提高图像的对比度，再将调整后的图像裁剪为统一尺寸；

用独热码表示所述金标准中每一个像素点；

在确定每张原始前列腺MR图像和金标准的对应关系后打乱并进行归一化处理。

3.根据权利要求2所述的基于深度学习的前列腺MR图像半监督分割方法，其特征在于，进行归一化处理之后，使用图像随机角度偏转、图像等比例平移、图像随机放缩以及图像上下翻转四种方式扩增图像数据。

4.根据权利要求1所述的基于深度学习的前列腺MR图像半监督分割方法，其特征在于，所述第一实际损失表示为：

其中，y_t(n,m)为金标准图像中第n个类别的第m像素值，y_p(n,m)为输入图像中第n个类别的第m像素值，N为分割的类别数，M为输入图像像素点的数量。

5.根据权利要求1所述的基于深度学习的前列腺MR图像半监督分割方法，其特征在于，所述S2中，训练评判者网络过程中的损失函数表示为：

其中，Pred_CE(b)为第b个预测损失，True_CE(b)为第b个第一实际损失，B为批尺寸。

6.根据权利要求1所述的基于深度学习的前列腺MR图像半监督分割方法，其特征在于，所述S3中，所述第二实际损失与预测损失之间的损失表示为：

PAJ_loss＝α×True_CE+(1-α)×λPred_CE

其中，α为0或1，对有金标准的图像α为1，对无金标准的图像α为0；True_CE为第二实际损失；Pred_CE为预测损失；λ为超参数。

7.根据权利要求1所述的基于深度学习的前列腺MR图像半监督分割方法，其特征在于，所述S3中，所述第二实际损失与预测损失之间的损失表示为：

PAJ_loss_new＝α×True_CE+(1-α)×λPred_CE+βLoss_MS

其中，α为0或1，对有金标准的图像α为1，对无金标准的图像α为0；True_CE为第二实际损失，Pred_CE为预测损失，λ为超参数；β为固定参数，Loss_MS为无监督损失函数；N为分割的类别数，x(r)为经过归一化处理后的输入图像，A_n为第n类的平均像素值，x_o(r)为经过Softmax层输出的第n类分割结果，为对第n类分割结果求导，γ为固定参数，代表r为图像内任意像素值。