[发明专利]一种用于计算机辅助诊断前列腺癌的对抗学习方法

摘要

本发明公开了一种用于计算机辅助诊断前列腺癌的对抗学习方法，该方法使用多个病人的前列腺MR图像和对应的人工分割图作为训练数据集，构造包括分割器和判别器的对抗网络，让其进行对抗训练，通过多次迭代更新得到优化后的分割器，然后将待分割的前列腺MR图像输入训练好的分割器中，从而获得最终的分割结果，实现前列腺MR图像的自动分割，为医生分割病人前列腺组织提供参考，能够在一定程度上有效提高医生对前列腺疾病的诊断准确性和工作效率。

主权项

1.一种用于计算机辅助诊断前列腺癌的对抗学习方法，其特征在于：构造包括分割器和判别器的对抗网络，将原始前列腺MR图像和对应的人工分割图作为训练数据，对构造的对抗网络进行对抗训练，通过多次迭代更新得到优化后的分割器，然后将待分割的前列腺MR图像输入训练好的分割器中，从而获得最终的分割结果，其步骤如下：(1)、选取多个病人的前列腺MR图像作为训练数据集，首先将训练数据集包含的不同尺寸的图片通过尺度变化的方式调整为统一的尺寸，然后对训练图片采用水平和垂直翻转以及调节亮度、对比度、饱和度的方式来扩展训练数据集；(2)、固定分割器，利用损失函数计算出的梯度对判别器进行一步训练，损失函数为对抗损失与在分割器上的BCE损失的和，对抗损失的表达式如下：BCE损失的表达式如下：其中，x代表原始的前列腺图片，y代表对应的人工分割标签图，S代表分割器，D代表判别器，表示图像对(x,y)的对数似然的期望；为了使判别器做出正确的判断，需要最大化D(x,y)，同时最小化D(x,S(x))，为了防止判别器做出正确的判断，分割器会产生更接近于人工分割标签的分割结果；BCE损失是通过惩罚标签图与输出分割结果之间的距离来定义的，最小化该损失函数也可以使分割器产生更接近于标签的分割结果；因此，最后采用的损失函数为：其中，λ是均衡两个损失的参数，判别器的的目标是判断分割图是人工分割的标签还是由分割器产生的分割图，其输入是两个图像对，分别是前列腺MR图像+分割器产生的分割结果、前列腺MR图像+对应的人工分割标签；判别器的网络结构包括10个卷积层+BatchNorm层+ReLU激活函数层，4个最大池化层，1个全局平均池化，1个全连接以及Sigmoid激活函数，输出0或者1，0表示图像来自分割器产生的分割结果，1表示图像来自人工分割标签；(3)、判别器训练完后，固定判别器，激活分割器，使用从判别器传递到分割器的相同损失函数计算出的梯度对分割器进行一步训练；分割器网络由预训练模型、RFB模块和上采样层组成；通过微调预训练模型的参数从训练图像的特征图中提取多级上下文信息，然后将预训练模型产生的特征图送入RFB模块中来提取深度特征的多尺度信息，提高特征的分辨性能和鲁棒性；RFB的总体结构是一个多路径的卷积块，每条路径主要由两部分组成：不同卷积核的卷积层和扩张卷积层；多路径的不同大小的卷积核用来提取多尺度信息，每条路径的扩张卷积层具有不同的扩张因子，这种结构的作用是在不改变输出特征图尺寸的情况下，增加输出特征图的感受野；最后，对RFB输出的多尺度特征进行双线性上采样，使低维特征被上采样到与原始输入的前列腺MR图像相同的尺寸，然后得到需要的分割结果；(4)、重复步骤(2)和(3)，整个网络通过一个交替优化分割器和和判别器之间的极大极小方案进行协同训练，经过1000次的迭代得到训练好的网络；(5)将待分割的病人的前列腺MR图像输入进步骤(4)中得到的训练好的网络中，由分割器输出分割结果，将此结果与正常的影像学形态进行对比，给出辅助诊断信息，从而应用于前列腺癌的诊断中。