CN113902752B - 一种医学图像分割方法、装置及计算机可读存储介质 - Google Patents
一种医学图像分割方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113902752B CN113902752B CN202111474961.2A CN202111474961A CN113902752B CN 113902752 B CN113902752 B CN 113902752B CN 202111474961 A CN202111474961 A CN 202111474961A CN 113902752 B CN113902752 B CN 113902752B
- Authority
- CN
- China
- Prior art keywords
- branch
- task
- segmentation
- interaction
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003709 image segmentation Methods 0.000 title claims abstract description 38
- 230000003993 interaction Effects 0.000 claims abstract description 114
- 230000011218 segmentation Effects 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 26
- 230000002452 interceptive effect Effects 0.000 claims abstract description 10
- 238000011176 pooling Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 9
- 238000012546 transfer Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000037062 Polyps Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 206010040882 skin lesion Diseases 0.000 description 1
- 231100000444 skin lesion Toxicity 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种医学图像分割方法，通过构建多任务交互模型，将预处理的数据送入编码器中提取特征，然后一个分支送入分类分支，经过池化层及全连接层后，送入分类层执行分类任务；另一个分支送入分割分支，经所述解码器解码后执行分割任务；将所述分类分支及分割分支的特征信息作为输入送入交互分支，经卷积后输出概率图，执行分类分支与分割分支的交互学习任务；基于博弈原理，建立分类任务和分割任务的交互作用关系，采用混合损失函数监督多任务交互模型的训练过程；针对任意医学图像，采用所述多任务交互模型进行图像分割，得到分割结果。本发明还提供一种医学图像分割装置及计算机可读存储介质。本发明可以以较少参数达到良好的分割效果。
Description
技术领域
本发明涉及医学图像技术领域，具体涉及一种医学图像分割方法、装置及计算机可读存储介质。
背景技术
医学图像分割是医学图像分析中的一个重要步骤，如皮肤病变分割、视盘分割、息肉分割和乳腺超声图像分割等。传统的医学图像分割方法通常采用仅依赖于像素级特征的低级属性。因此，由于低对比度或表面伪影，它们往往无法达到令人满意的诊断性能。基于深度卷积神经网络(CNN)的方法已经被应用于医学图像分割。为了学习额外的特征表示，提高模型的泛化能力，以往的多任务学习方法通常采用特征传递模块或两步训练策略，这增加了模型的参数和推理的复杂性。因此，实有必要提供一种医学图像分割方法、装置及计算机可读存储介质。
发明内容
本发明公开了一种医学图像分割方法、装置及计算机可读存储介质，实现医学影像的分割并且以较少参数达到良好的分割效果。
为实现上述目的，本发明的技术方案为：
一种医学图像分割方法，包括如下步骤：
S1：获取原始医学影像的数据集，所述数据集中包括图像及其标签，将所述数据集进行预处理；
S2：构建多任务交互模型，所述多任务交互模型包括编码器、多任务交互框架及解码器，所述多任务交互框架包括分类分支、分割分支及交互分支，将预处理的数据送入所述编码器中提取特征，然后一个分支送入所述分类分支，经过池化层及全连接层后，送入分类层执行分类任务；另一个分支送入所述分割分支，经所述解码器解码后执行分割任务；将所述分类分支及分割分支的特征信息作为输入送入所述交互分支，经卷积后输出对图像预测的概率图，执行分类分支与分割分支的交互学习任务；
S3：基于博弈原理，建立所述分类任务和所述分割任务的交互作用关系，多次迭代训练，采用混合损失函数监督所述多任务交互模型的训练过程；
S4：针对任意医学图像，采用训练好的所述多任务交互模型进行图像分割，得到分割结果。
优选的，所述步骤S1中预处理为归一化处理。
优选的，所述步骤S3具体为：所述交互作用关系的建立过程为：
S31：基于博弈原理，以多任务交互模型作为游戏，将分类任务c和分割任务s作为输入变量形成游戏的玩家集合，
表示当游戏的玩家由集合
组成时，游戏最终获得的奖励，则交互作用函数
表示为：
其中：
式中，M表示集合
所有可能的子集，D表示集合M与集合
的差集，
，
表示D被采样的概率，
表示中间函数；
S32：以
的绝对值
表示相互作用的强度，
越小表示相互作用强度越低；
S33：多次迭代训练，采用混合损失函数监督训练的过程，以降低所述分类任务c和分割任务s的交互强度。
优选的，所述步骤S33中混合损失函数表示为：
式中，
表示分割任务s的损失函数，
选择二进制交叉熵损失函数，用于优化分割任务s的性能；
表示分类任务c的损失函数，
选择二值交叉熵损失函数，用于优化分类任务c的性能；
表示分类任务c和分割任务s交互作用的损失函数，用于降低交互的强度，并提高泛化的能力；
和
表示超参数，二者取值范围均是[0,1]；
其中，N为图像的高度和重量的乘积；
表示分割任务中第
个像素的预测概率，
表示第
个像素对应的标签值；
其中，
表示分类任务中图像的标签，
表示图像的预测概率；
其中，W和H表示多任务交互模型输出的权重和高度。
本发明还提供一种医学图像分割装置，包括：
预处理模块：用于获取原始医学影像的数据集，所述数据集中包括图像及其标签，将所述数据集进行预处理；
模型构建模块：用于构建多任务交互模型，所述多任务交互模型包括编码器、多任务交互框架及解码器，所述多任务交互框架包括分类分支、分割分支及交互分支，将预处理的数据送入所述编码器中提取特征，然后一个分支送入所述分类分支，经过池化层及全连接层后，送入分类层执行分类任务；另一个分支送入所述分割分支，经所述解码器解码后执行分割任务；将所述分类分支及分割分支的特征信息作为输入送入所述交互分支，经卷积后输出概率图，执行分类分支与分割分支的交互学习任务；
训练模块：用于基于博弈原理，建立所述分类任务和所述分割任务的交互作用关系，多次迭代训练，采用混合损失函数监督所述多任务交互模型的训练过程；
分割模块：用于针对任意医学图像，采用训练好的所述多任务交互模型进行图像分割，得到分割结果。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述的图像分割方法的步骤。
与相关技术相比，本发明提供了一种医学图像分割方法、装置及计算机可读存储介质，基于博弈原理建立分割任务和分类任务的相互作用关系，并提供了新的混合损失函数监督训练的过程，使得使分割分支、分类分支和交互分支在整个训练过程中协同学习，从而充分利用联合信息，提高泛化性能，显著提高了分割结果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：
图1为本发明提供的一种医学图像分割方法的流程图；
图2为本发明提供的一种医学图像分割方法的流程框架图；
图3为本发明提供的一种医学医学图像分割装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例中的技术方案，并使本发明的上述目的、特征和优点能够更加明显易懂，下面对本发明的具体实施方式作进一步的说明。
请参阅图1-2，本发明提供一种医学图像分割方法，包括如下步骤：
S1：获取原始医学影像的数据集，所述数据集中包括图像及其标签，将所述数据集进行预处理。
原始医学图像经过处理后都是通过矩阵的形式出现，矩阵中的维度就是像素值，像素越多则矩阵的维度越高。在数据集被送到网络进行训练之前，需要对数据集进行预处理，以规范确定图像的大小和通道。优选的，预处理的过程为归一化处理。
S2：构建多任务交互模型，所述多任务交互模型包括编码器、多任务交互框架及解码器，所述多任务交互框架包括分类分支、分割分支及交互分支，将预处理的数据送入所述编码器中提取特征，然后一个分支送入所述分类分支，经过池化层及全连接层后，送入分类层执行分类任务；另一个分支送入所述分割分支，经所述解码器解码后执行分割任务；将所述分类分支及分割分支的特征信息作为输入送入所述交互分支，经卷积后输出对图像预测的概率图，执行分类分支与分割分支的交互学习任务。
按照7:1:2的比例将预处理后的数据集分为训练集、测试集及验证集，将所述训练集送入所述多任务交互模型进行多次迭代训练，训练完成后采用所述测试集对所述多任务交互模型结果的准确性进行测试，采用所述验证集对所述对所述多任务交互模型结果的准确性进行验证。
所述编码器用于特征提取，所述解码器用于对特征进行解码，所述编码器及解码器均采用本领域的常规结构即可。例如，所述编码器和解码器可以采用xception模型的编码器及解码器，也可以采用u-net模型的编码器及解码器。
所述分类分支中包括依次设置的池化层、第一全连接层、第二全连接层及分类层，所述编码器提取的特征送入所述池化层进行筛选有用的信息，然后送入两层全连接层中进行信息整合，最后将整合后的信息送入分类层执行分类任务。所述分类层采用softmax作为分类器，可以对不同类别的大小概率进行估计，实现端到端的预测，经所述分类层输出的结果是一个概率估计，对应的像素点的值越大，其像素为该分类的结果也越大。
将所述分类分支中经过所述第一全连接层的特征信息执行卷积操作，然后送入所述交互分支，所述分隔分支的特征信息直接送入所述交互分支，将二者的特征信息在所述交互分支中交互学习。
因此，在所述多任务交互模型中存在三个分支，分别为：执行分类任务的分类分支、执行分割任务的分割分支、分类任务和分支任务联合执行的交互分支，三个分支共同作用。
S3：基于博弈原理，建立所述分类任务和所述分割任务的交互作用关系，多次迭代训练，采用混合损失函数监督所述多任务交互模型的训练过程。
所述交互作用关系的建立过程为：
S31：基于博弈原理，以多任务交互模型作为游戏，将分类任务c和分割任务s作为输入变量形成游戏的玩家集合，
表示当游戏的玩家由集合
组成时，游戏最终获得的奖励，则交互作用函数
表示为：
其中：
式中，M表示集合
所有可能的子集，D表示集合M与集合
的差集，
，
表示D被采样的概率，
表示中间函数；
S32：以
的绝对值
表示相互作用的强度，
越小表示相互作用强度越低。
由步骤S31中
的计算结果可以看出，
与
呈正相关，
的绝对值越小，说明分类任务c和分割任务s联合执行时与分割任务s单独执行时的情况差异较小。降低分类任务c和分割任务s的交互强度任务可以使分割分支（分割任务s单独执行）及交互分支（分类任务c和分割任务s联合执行）在整个训练过程中协同学习和教学。在这个相互学习的过程中，这两个分支有效地估计了下一个最有可能的结果。分别对分割分支和分类分支进行优化，然后进行比较，并重复这一过程，找到最佳解。在这个过程中，每个分支根据同行找到对方训练样本最可能的结果。这将增加每个分支的后验熵，并有助于收敛到更鲁棒的最优解，具有更好的泛化性能。
S33：多次迭代训练，采用混合损失函数监督训练的过程，以降低所述分类任务c和分割任务s的交互强度。
混合损失函数
表示为：
式中，
表示分割任务s的损失函数，
选择二进制交叉熵损失函数，用于优化分割任务s的性能；
表示分类任务c的损失函数，
选择二值交叉熵损失函数，用于优化分类任务c的性能；
表示分类任务c和分割任务s交互作用的损失函数，用于降低交互的强度，并提高泛化的能力；
和
表示超参数，二者取值范围均是[0,1]；
其中，N为图像的高度和重量的乘积；
表示分割任务中第
个像素的预测概率，
表示第
个像素对应的标签值；
其中，
表示分类任务中图像的标签，
表示图像的预测概率；
其中，W和H表示多任务交互模型输出的权重和高度。
所述多任务交互模型中，三个分支在整个训练过程中相互协作学习和教学，从而应用分割和分类任务之间的联合信息，提高了模型泛化性能。
在模型的训练过程中，使用的优化器为Adam优化器，训练时，若模型在验证集上的准确率在十个epoch 内未提升，则停止训练，设置Batchsize为8，设置初始学习率为0.0001，保存测试集上最佳性能的模型最为最终模型，训练完毕。
将训练好的模型进行测试，测试使用的评价指标有：准确性(ACC)、灵敏度(SE)、特异性(SP)、Dice系数和交并比(IoU)。这些指标的数学定义如下：
其中，TP表示真阳性，即预测为正，实际为正；TN表示真阴性，预测为负、实际为负；FP表示假阳性，预测为正，实际为负；FN表示假阴性，即预测为负，实际为正；GT表示真实掩膜。
为了验证本发明所提供的多任务交互模型的效果，设置以下对比试验：
方式一：采用U-Net模型；
方式二：将U-Net模型的编码器、解码器与特征传递模块（FPM）相结合，构成组合模型；
方式三：采用本发明提供的多任务交互模型，其中编码器和解码器均采用U-Net模型的编码器及解码器；
方式四：采用DeepLabv3+模型；
方式五：将DeepLabv3+模型的编码器、解码器与特征传递模块（FPM）相结合，构成组合模型；
方式六：采用本发明提供的多任务交互模型，其中编码器和解码器均采用将DeepLabv3+模型的编码器及解码器。
使用ISIC2017数据集进行实验，ISIC2017数据集包括2000张训练图片、150张验证集图片和600张测试集图片，包括8位RGB图像，大小从540×722到4499×6748像素不等。分别采用方式一到方式六在ISIC2017数据集进行训练，得到的实验结果汇总见表1：
表1
由于本发明中提供的多任务交互模型中编码器及解码器均采用的本领域的常规结构，因此上述对比试验，一方面可以验证本发明提供的多任务交互框架的性能，与采用特征传递模块（FPM）来传递消息的学习框架相比，本发明所提供的多任务交互模型减少了模型参数和推理时间，并提高了模型的分割性能；另一方面，可以验证本发明提供的多任务交互框架与不同编码器及解码器的结合能力，与U-Net模型相比，采用DeepLabv3+模型的编码器和解码器得到的多任务交互模型，具有更高的准确性，但是参数量更多，推断时间更长，因此，需要根据实际需要进行合理的选择。
S4：针对任意医学图像，采用训练好的所述多任务交互模型进行图像分割，得到分割结果。
其中交互分支仅存在于训练阶段，在实际应用阶段并不存在所述交互分支，可以有效减少模型在推理花费的时间。
请参阅图3，本发明还提供一种医学图像分割装置100，包括：
预处理模块10：用于获取原始医学影像的数据集，所述数据集中包括图像及其标签，将所述数据集进行预处理；
模型构建模块20：用于构建多任务交互模型，所述多任务交互模型包括编码器、多任务交互框架及解码器，所述多任务交互框架包括分类分支、分割分支及交互分支，将预处理的数据送入所述编码器中提取特征，然后一个分支送入所述分类分支，经过池化层及全连接层后，送入分类层执行分类任务；另一个分支送入所述分割分支，经所述解码器解码后执行分割任务；将所述分类分支及分割分支的特征信息作为输入送入所述交互分支，经卷积后输出对图像预测的概率图，执行分类分支与分割分支的交互学习任务；
训练模块30：用于基于博弈原理，建立所述分类任务和所述分割任务的交互作用关系，多次迭代训练，采用混合损失函数监督所述多任务交互模型的训练过程；
分割模块40：用于针对任意医学图像，采用训练好的所述多任务交互模型进行图像分割，得到分割结果。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述的图像分割方法的步骤。
与相关技术相比，本发明提供了一种医学图像分割方法、装置及计算机可读存储介质，基于博弈原理建立分割任务和分类任务的相互作用关系，并提供了新的混合损失函数监督训练的过程，使得使分割分支、分类分支和交互分支在整个训练过程中协同学习，从而充分利用联合信息，提高泛化性能，显著提高了分割结果。
以上对本发明的实施方式作出详细说明，但本发明不局限于所描述的实施方式。对本领域的技术人员而言，在不脱离本发明的原理和精神的情况下对这些实施例进行的多种变化、修改、替换和变型均仍落入在本发明的保护范围之内。
Claims (5)
1.一种医学图像分割方法，其特征在于，包括如下步骤：
S1：获取原始医学影像的数据集，所述数据集中包括图像及其标签，将所述数据集进行预处理；
S2：构建多任务交互模型，所述多任务交互模型包括编码器、多任务交互框架及解码器，所述多任务交互框架包括分类分支、分割分支及交互分支，将预处理的数据送入所述编码器中提取特征，然后一个分支送入所述分类分支，经过池化层及全连接层后，送入分类层执行分类任务；另一个分支送入所述分割分支，经所述解码器解码后执行分割任务；将所述分类分支及分割分支的特征信息作为输入送入所述交互分支，经卷积后输出对图像预测的概率图，执行分类分支与分割分支的交互学习任务；
S3：基于博弈原理，建立所述分类任务和所述分割任务的交互作用关系，多次迭代训练，采用混合损失函数监督所述多任务交互模型的训练过程；所述交互作用关系的建立过程为：
S31：基于博弈原理，以多任务交互模型作为游戏，将分类任务c和分割任务s作为输入变量形成游戏的玩家集合，
表示当游戏的玩家由集合
组成时，游戏最终获得的奖励，则交互作用函数
表示为：
其中：
式中，M表示集合
所有可能的子集，D表示集合M与集合
的差集，
，
表示D被采样的概率，
表示中间函数；
S32：以
的绝对值
表示相互作用的强度，
越小表示相互作用强度越低；
S33：多次迭代训练，采用混合损失函数监督训练的过程，以降低所述分类任务c和分割任务s的交互强度；
S4：针对任意医学图像，采用训练好的所述多任务交互模型进行图像分割，得到分割结果。
2.根据权利要求1所述的医学图像分割方法，其特征在于，所述步骤S1中预处理为归一化处理。
3.根据权利要求1所述的医学图像分割方法，其特征在于，所述步骤S33中混合损失函数表示为：
式中，
表示分割任务s的损失函数，
选择二进制交叉熵损失函数，用于优化分割任务s的性能；
表示分类任务c的损失函数，
选择二值交叉熵损失函数，用于优化分类任务c的性能；
表示分类任务c和分割任务s交互作用的损失函数，用于降低交互的强度，并提高泛化的能力；
和
表示超参数，二者取值范围均是[0,1]；
其中，N为图像的高度和重量的乘积；
表示分割任务中第
个像素的预测概率，
表示第
个像素对应的标签值；
其中，
表示分类任务中图像的标签，
表示图像的预测概率；
其中，W和H表示多任务交互模型输出的权重和高度。
4.一种医学图像分割装置，其特征在于，包括：
预处理模块：用于获取原始医学影像的数据集，所述数据集中包括图像及其标签，将所述数据集进行预处理；
模型构建模块，构建多任务交互模型，所述多任务交互模型包括编码器、多任务交互框架及解码器，所述多任务交互框架包括分类分支、分割分支及交互分支，将预处理的数据送入所述编码器中提取特征，然后一个分支送入所述分类分支，经过池化层及全连接层后，送入分类层执行分类任务；另一个分支送入所述分割分支，经所述解码器解码后执行分割任务；将所述分类分支及分割分支的特征信息作为输入送入所述交互分支，经卷积后输出对图像预测的概率图，执行分类分支与分割分支的交互学习任务；所述交互作用关系的建立过程为：
基于博弈原理，以多任务交互模型作为游戏，将分类任务c和分割任务s作为输入变量形成游戏的玩家集合， 
表示当游戏的玩家由集合
组成时，游戏最终获得的奖励，则交互作用函数
表示为：
其中：
式中，M表示集合
所有可能的子集，D表示集合M与集合
的差集，
，
表示D被采样的概率，
表示中间函数；
以
的绝对值
表示相互作用的强度，
越小表示相互作用强度越低；
多次迭代训练，采用混合损失函数监督训练的过程，以降低所述分类任务c和分割任务s的交互强度；
训练模块：用于基于博弈原理，建立所述分类任务和所述分割任务的交互作用关系，多次迭代训练，采用混合损失函数监督所述多任务交互模型的训练过程；
分割模块：用于针对任意医学图像，采用训练好的所述多任务交互模型进行图像分割，得到分割结果。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-3中任意一项所述的图像分割方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111474961.2A CN113902752B (zh) | 2021-12-06 | 2021-12-06 | 一种医学图像分割方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111474961.2A CN113902752B (zh) | 2021-12-06 | 2021-12-06 | 一种医学图像分割方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113902752A CN113902752A (zh) | 2022-01-07 |
| CN113902752B true CN113902752B (zh) | 2022-02-22 |
Family
ID=79195352
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111474961.2A Active CN113902752B (zh) | 2021-12-06 | 2021-12-06 | 一种医学图像分割方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113902752B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583449A (zh) * | 2018-10-29 | 2019-04-05 | 深圳市华尊科技股份有限公司 | 字符识别方法及相关产品 |
| US10430946B1 (en) * | 2019-03-14 | 2019-10-01 | Inception Institute of Artificial Intelligence, Ltd. | Medical image segmentation and severity grading using neural network architectures with semi-supervised learning techniques |
| CN111047594A (zh) * | 2019-11-06 | 2020-04-21 | 安徽医科大学 | 肿瘤mri弱监督学习分析建模方法及其模型 |
| WO2021184817A1 (zh) * | 2020-03-16 | 2021-09-23 | 苏州科技大学 | 一种医学图像中肝脏及其病灶分割的方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10592779B2 (en) * | 2017-12-21 | 2020-03-17 | International Business Machines Corporation | Generative adversarial network medical image generation for training of a classifier |
| US11403750B2 (en) * | 2018-06-13 | 2022-08-02 | Siemens Healthcare Gmbh | Localization and classification of abnormalities in medical images |
-
2021
- 2021-12-06 CN CN202111474961.2A patent/CN113902752B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583449A (zh) * | 2018-10-29 | 2019-04-05 | 深圳市华尊科技股份有限公司 | 字符识别方法及相关产品 |
| US10430946B1 (en) * | 2019-03-14 | 2019-10-01 | Inception Institute of Artificial Intelligence, Ltd. | Medical image segmentation and severity grading using neural network architectures with semi-supervised learning techniques |
| CN111047594A (zh) * | 2019-11-06 | 2020-04-21 | 安徽医科大学 | 肿瘤mri弱监督学习分析建模方法及其模型 |
| WO2021184817A1 (zh) * | 2020-03-16 | 2021-09-23 | 苏州科技大学 | 一种医学图像中肝脏及其病灶分割的方法 |
Non-Patent Citations (2)
| Title |
|---|
| Accurate colorectal tumor segmentation for CT scans based on the label assignment generative adversarial network;Liu Xiaoming,et al.;《Medical Physics》;20191231;全文 * |
| 深度多任务学习中的CT术前结直肠癌分期与分割;杨华霖;《万方》;20210908;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113902752A (zh) | 2022-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113240580B (zh) | 一种基于多维度知识蒸馏的轻量级图像超分辨率重建方法 | |
| CN111612790B (zh) | 一种基于t型注意力结构的医学图像分割方法 | |
| CN110930418B (zh) | 融合W-net和条件生成对抗网络的视网膜血管分割方法 | |
| CN112561937B (zh) | 基于病变边界信息响应的上下文感知医学图像分割方法 | |
| CN115619743A (zh) | Oled新型显示器件表面缺陷检测模型的构建方法及其应用 | |
| CN114612714B (zh) | 基于课程学习的无参考图像质量评价方法 | |
| CN113706544B (zh) | 一种基于完备注意力卷积神经网络的医学图像分割方法 | |
| CN113192062A (zh) | 一种基于图像复原的动脉斑块超声图像自监督分割方法 | |
| CN112446869A (zh) | 基于深度学习的无监督工业品缺陷检测方法及装置 | |
| CN114677349B (zh) | 编解码端边缘信息增强和注意引导的图像分割方法及系统 | |
| CN112419169B (zh) | 基于噪声先验的cnn医学ct图像去噪方法 | |
| CN114359293A (zh) | 一种基于深度学习的三维mri脑肿瘤分割方法 | |
| CN117934425A (zh) | 一种基于自监督学习与知识蒸馏的图像异常检测方法 | |
| CN114332099A (zh) | 一种基于多模态对比学习的深度特权语义分割方法 | |
| CN114299573A (zh) | 视频处理方法、装置、电子设备及存储介质 | |
| CN113902752B (zh) | 一种医学图像分割方法、装置及计算机可读存储介质 | |
| Fan et al. | EGFNet: Efficient guided feature fusion network for skin cancer lesion segmentation | |
| CN117115011A (zh) | 一种基于深度无监督学习的去伪影方法和系统 | |
| CN116664587A (zh) | 基于伪彩色增强的混合注意力UNet超声图像分割方法与装置 | |
| CN115994892A (zh) | 一种基于ghostnet的轻量级医学图像分割方法及系统 | |
| CN115547488A (zh) | 基于vgg卷积神经网络和面部识别孤独症早筛系统及方法 | |
| CN113962332A (zh) | 基于自优化融合反馈的显著目标识别方法 | |
| CN113034475A (zh) | 基于轻量级三维卷积神经网络的手指oct体数据去噪方法 | |
| CN116862965A (zh) | 一种基于稀疏表征的深度补全方法 | |
| CN116542292B (zh) | 图像生成模型的训练方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |