技术领域
本发明属于图像处理技术领域,具体涉及一种医学图像分割方法。
背景技术
医学图像分割是计算机视觉和医学影像分析领域共同关注的难题,其主要挑战在于标注代价高昂而导致的标注数据量不足、标注单一的问题。当前公开的医学图像数据集往往只提供一种类别器官或肿瘤的标注,即部分标注,而没有一个公开的大型全标注多器官数据集。比如LiTS肝脏及肿瘤分割数据集中,只提供了肝脏及其肿瘤的分割标注,其他的器官和肿瘤被简单当做背景处理。当前的主流医学图像分割模型均采用“一对一”的设计范式,即一个模型只能解决某一个数据集上提供标注的器官或肿瘤分割任务,粗暴地将其他的器官或肿瘤当做背景处理。当前亟需一种分割方法,不仅能够整合多个数据集,而且能够有效地解决其部分标记问题。
发明内容
为了克服现有技术的不足,本发明提供了一种基于任务动态学习部分标记的医学图像分割方法,实现多器官和肿瘤的分割。该方法首先采用卷积神经网络搭建一个编码解码模块,以医学图像作为输入,提取图像的高级语义特征。接着通过一个任务编码模块,将不同任务对应的数据集进行编码,生成的one-hot编码作为其任务先验。然后设计了一个控制器,以one-hot编码和图像本身的特征为条件,为每一个图像生成特定任务的卷积核。最后,生成的卷积核在解码模块得到的特征图上进行卷积操作,得到对应任务的分割结果。本发明的分割模型可以在一个简单的分割网络下,高效地实现多个器官、多个肿瘤的同时分割并且能够巧妙地整合多个数据集的资源,能够实现更通用、泛化能力更强的多器官和肿瘤分割。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1:采用编码解码器提取图像的特征;
采用卷积神经网络构建编码-解码器;
给定图像X
步骤2:对图像的部分标注信息进行任务编码;
将图像X
步骤3:以任务编码作为条件,设计控制器为每一幅图像生成相应任务的卷积核参数;
所述控制器为单层卷积层或多个卷积层堆叠而成;
对图像高级语义特征F
其中,
步骤4:利用步骤3得到的动态卷积核对预分割特征M
P
其中,*表示卷积操作,P
步骤5:每一个器官和相应肿瘤的分割均被视为二值分割问题,使用部分标记数据集中提供的任务标注作为监督信号,采用Dice loss和二值交叉熵损失函数作为损失函数,在整个部分标记数据集上优化步骤1到步骤4构建的图像分割模型,对应的优化公式为:
其中,θ表示整个分割模型的参数,Y
得到最终的基于任务动态学习部分标记的医学图像分割模型。
本发明的有益效果如下:
由于采用了基于任务动态学习的策略,本发明的分割模型可以在一个简单的分割网络下,高效地实现多个器官、多个肿瘤的同时分割,而不再需要基于“一对一”模式下训练多个任务特定的分割网络。另外,本发明能够巧妙地整合多个数据集的资源,能够实现更通用、泛化能力更强的多器官和肿瘤分割。
附图说明
图1为本发明方法中的医学图像分割模型结构示意图.
具体实施方式
下面对本发明进一步说明。
一种基于任务动态学习部分标记的医学图像分割方法,包括以下步骤:
步骤1:采用编码解码器提取图像的特征;
采用卷积神经网络构建编码-解码器;
给定图像X
步骤2:对图像的部分标注信息进行任务编码;
将图像X
步骤3:以任务编码作为条件,设计控制器为每一幅图像生成相应任务的卷积核参数;
所述控制器为单层卷积层或多个卷积层堆叠而成;
由于编码器顶部的图像特征分辨率不为1,通过对图像高级语义特征F
其中,
步骤4:利用步骤3得到的动态卷积核对预分割特征M
P
其中,*表示卷积操作,P
步骤5:每一个器官和相应肿瘤的分割均被视为二值分割问题,使用部分标记数据集中提供的任务标注作为监督信号,采用Dice loss和二值交叉熵损失函数作为损失函数,在整个部分标记数据集上优化步骤1到步骤4构建的图像分割模型,对应的优化公式为:
其中,θ表示整个分割模型的参数,Y
得到最终的基于任务动态学习部分标记的医学图像分割模型。
机译: 一种基于本体的测量数据和文本动态学习与知识整合的方法和系统
机译: 一种基于本体的测量数据和文本动态学习与知识整合的方法和系统
机译: 一种基于本体的测量数据和文本动态学习与知识整合的方法和系统