基于双分割模型的医学图像分割方法

技术特征：
1.一种基于双分割模型的医学图像分割方法，其特征在于，包括如下步骤：(1)获取训练样本集和测试样本集：对从医学图像数据集中随机选取的m幅带有真实标签的医学图像进行数据预处理，并将预处理后的m1幅医学图像作为训练数据集，然后将剩余预处理后医学图像中m2幅的真实标签进行边界偏移后进行形状扭曲，生成噪声标签，再将训练数据集以及标注有噪声标签的m2幅医学图像组成包含d个像素的训练样本集x，将m3幅带有真实标签的医学图像作为测试样本集，其中，m≥300，m3＝m-m
1-m2；(2)构建基于双分割模型的医学图像分割网络模型：(2a)构建基于双分割模型的医学图像分割网络模型的结构：构建包括两个并行排布的第一分割网络和第二分割网络的医学图像分割网络，其中第一分割网络包括u-net1网络以及与其连接且并行排布的第一噪声数据清理模块和第一可靠知识相互蒸馏模块，第二分割网络包括u-net2网络以及与其连接且并行排布的第二噪声数据清理模块和第二可靠知识相互蒸馏模块；u-net1网络和u-net2网络均包括顺次连接的由多个串联下采样模块组成的编码器和由多个串联上采样模块组成的解码器；第一可靠知识相互蒸馏模块包括顺次连接的数据增强模块、改进的u-net1网络和可靠数据筛选模块，第二可靠知识相互蒸馏模块包括顺次连接的数据增强模块、改进的u-net2网络和可靠数据筛选模块；改进的u-net1网络、改进的u-net2网络是在u-net1网络、u-net2网络的每个下采样模块中插入一个dropout层；第一噪声数据清理模块的输出和第二噪声数据清理模块的输出连接，第一可靠知识相互蒸馏模块的输出和第二可靠知识相互蒸馏模块的输出连接；(2b)定义基于双分割模型的医学图像分割网络模型的损失函数：定义第一分割网络、第二分割网络的损失函数分别为l1、l2：：λ(t)＝exp[-5(1-t/t
max
)2]]]]其中，分别表示第一监督损失函数、第一一致性损失函数，分别表示第二监督损失函数、第二一致性损失函数，λ(t)是一致性损失l
u
的权重系数，exp(
·
)是以自然常数e为底的指数函数，t为迭代次数，t
max
为最大迭代次数；v1、v2分别是u-net1网络、u-net2
网络分割预测的结果p1、p2与p1、p2对应的由m1个真实标签和m2个噪声标签组成的标签集的交叉熵损失值，分别是第一噪声数据清理模块、第二噪声数据清理模块筛选出的干净像素的样本集；d
kl
(
·
)表示kullback-leibler散度，分别是第一可靠知识相互蒸馏模块、第二可靠知识相互蒸馏模块选择的可靠像素的样本集，q1是通过第一可靠知识相互蒸馏模块中的数据增强模块对p1的增强结果，q2是通过第二可靠知识相互蒸馏模块中的数据增强模块对p2的增强结果，是第一可靠知识相互蒸馏模块中的改进的u-net1网络分割预测的结果，是第二可靠知识相互蒸馏模块中的改进的u-net2网络分割预测的结果；(3)对基于双分割模型的医学图像分割网络模型进行迭代训练：(3a)初始化迭代次数为t，最大迭代次数为t
max
，t
max
≥50，第t次迭代u-net1网络、u-net2网络的参数分别为和并令t＝0；(3b)将训练样本集作为医学图像分割网络模型的输入，第一分割网络中的u-net1网络、第二分割网络中的u-net2网络分别对每个训练样本进行分割预测，得到u-net1对训练样本集的分割预测结果p1、u-net2对训练样本集的分割预测结果p2；(3c)第一分割网络、第二分割网络采用损失函数l1、l2，并通过p1、p2计算第一分割网络、第二分割网络的损失函数值l1、l2；然后计算l1对的偏导l2对的偏导最后采用adam优化器，通过分别对进行更新，得到本次迭代的医学图像分割网络模型；(3d)判断t≥t
max
是否成立，若是，得到训练好的的医学图像分割网络模型，否则，令t＝t 1，并执行步骤(3b)；(4)获取医学图像的分割结果：选择训练好的的医学图像分割网络模型中第一分割网络、第二分割网络的分割预测结果中精度较高的分割网络作为最终的医学图像分割网络模型，并将测试样本集作为该网络模型输入进行前向传播，其中包含的u-net1网络或u-net2网络的输出结果即为所有测试样本的分割结果。2.根据权利要求1所述的基于双分割模型的医学图像分割方法，其特在于，步骤(1)中所述的对从医学图像数据集中随机选取的m幅带有真实标签的医学图像进行数据预处理，具体为：对每幅带有真实标签的医学图像进行归一化；对归一化后的每幅医学图像进行以分割区域为中心对图像裁剪，得到m幅预处理的医学图像。3.根据权利要求1所述的基于双分割模型的噪声标注的医学图像分割方法，其特在于，步骤(2a)中所述的u-net1网络和改进的u-net1网络，均包括输入层、四个顺次连接的下采样模块、四个顺次连接的上采样模块、输出层：u-net1网络的输入层包括顺次连接的第一卷积、bn层、relu激活函数、第二卷积、bn层、relu激活函数；u-net1网络的下采样包括顺次连接的最大池化层、第一卷积、bn层、relu激活函数、第
二卷积、bn层、relu激活函数；u-net1网络的上采样包括顺次连接的线性插值、计算与contracting path相对应特征图相差距离、padding、拼接、第一卷积、bn层、relu激活函数、第二卷积、bn层、relu激活函数；改进的u-net1网络的输入层包括顺次连接的第一卷积、bn层、relu激活函数、第二卷积、bn层、relu激活函数；改进的u-net1网络的下采样包括顺次连接的最大池化层、第一卷积、bn层、relu激活函数、第二卷积、bn层、relu激活函数、dropout层；改进的u-net1网络的上采样包括顺次连接的线性插值、计算与contracting path相对应特征图相差距离、padding、拼接、第一卷积、bn层、relu激活函数、第二卷积、bn层、relu激活函数。4.根据权利要求1所述的基于双分割模型的医学图像分割方法，其特征在于，步骤(3c)中所述的第一分割网络、第二分割网络采用损失函数l1、l2，并通过p1、p2计算第一分割网络、第二分割网络的损失函数值l1、l2，实现步骤为：(3c1)第一分割网络中的第一噪声数据清理模块采用交叉熵损失函数，并通过u-net1网络输出的分割预测结果p1与和p1对应的由m1个真实标签和m2个噪声标签组成的标签集计算交叉熵损失v1，然后通过v1对训练样本集进行筛选，得到一组具有干净像素的样本集同时第一可靠知识相互蒸馏模块中的数据增强模块对u-net1网络输出的分割预测结果p1以及训练样本集包含的医学图像x进行数据增强；改进的u-net1网络对x的增强结果进行分割预测；第一可靠知识相互蒸馏模块中的可靠数据筛选模块根据p1的增强结果q1和的分割预测结果之间的一致性，筛选出一组可靠的像素集(3c2)第二分割网络中的第二噪声数据清理模块采用交叉熵损失函数，并通过u-net2网络输出的分割预测结果p2与和p2对应的由m1个真实标签和m2个噪声标签组成的标签集计算交叉熵损失v2，然后通过v2对训练样本集进行筛选，得到一组具有干净像素的样本集同时第二可靠知识相互蒸馏模块中的数据增强模块对u-net2网络输出的分割预测结果p2以及训练样本集包含的医学图像x进行数据增强；改进的u-net2网络对x的增强结果进行分割预测；第二可靠知识相互蒸馏模块中的可靠数据筛选模块根据p2的增强结果q2和的分割预测结果之间的一致性，筛选出一组可靠的像素集(3c3)采用一致性损失函数，并通过和q2在可靠的像素集上计算第一一致性损失函数的值，通过和q1在可靠的像素集上计算第二一致性损失函数的值；同时采用监督损失函数，并通过v1在干净像素的样本集上计算第一监督损失函数的值，通过v2在干净像素的样本集上计算第二监督损失函数的值；(3c4)通过和计算第一分割网络的损失函数l1的值，通过和计算第二分割网络的损失函数l2的值。5.根据权利要求2所述的基于双分割模型的医学图像分割方法，其特征在于，步骤
(3c1)中所述的交叉熵损失v1，以及具有干净像素的样本集计算、筛选公式分别为：计算、筛选公式分别为：计算、筛选公式分别为：其中，y(i,k)∈{0,1}表示第i个像素是否为第k个类，k表示类总数，p1(i,k)为第i个像素属于第k类的概率，ρ(t)表示筛选干净样本的比例，τ是常数。6.根据权利要求2所述的基于双分割模型的医学图像分割方法，其特征在于，步骤(3c1)所述的第一可靠知识相互蒸馏模块中的数据增强模块对u-net1网络输出的分割预测结果p1以及训练样本集包含的医学图像x进行数据增强，实现方法为：当t＜10时，对u-net1网络输出的分割预测结果p1和训练样本集包含的医学图像x进行随机翻转后添加高斯噪声，实现对p1和x的数据增强，否则，对u-net1网络输出的分割预测结果p1和训练样本集包含的医学图像x进行随机翻转后添加高斯噪声，再进行deform操作，实现对p1和x的数据增强。7.根据权利要求2所述的基于双分割模型的医学图像分割方法，其特征在于，步骤(3c1)所述的筛选出一组可靠的像素集筛选公式为：ξ(t)＝min(μexp[-5(1-t/t
max
)2],1)其中，ξ(t)表示可靠样本的比例，μ是一个常数。

技术总结
本发明提出了一种基于双分割模型的医学图像分割方法，用于解决现有技术中存在的对含有噪声标签的图像分割精度低的问题。实现步骤为：获取训练样本集和测试样本集；构建基于双分割模型的医学图像分割网络模型；对基于双分割模型的医学图像分割网络模型进行迭代训练；获取医学图像的分割结果。本发明在网络迭代过程中，两个网络在筛选的可靠像素的样本集上跨模型学习，更充分地探索训练样本集，使得网络对噪声标签具有更强的鲁棒性，更好的学习前景与背景分割边界的像素，加强模型的边界定位能力，提高图像分割的精度。提高图像分割的精度。提高图像分割的精度。


技术研发人员：曹震 王倩 张洪伟 马钏烽 孙琦 侯彪 焦李成
受保护的技术使用者：西安电子科技大学
技术研发日：2022.06.15
技术公布日：2022/9/2