[发明专利]一种基于生成对抗网络的医学图像分割方法、系统及电子设备

说明书

本申请涉及一种基于生成对抗网络的医学图像分割方法、系统及电子设备。首先，研究生成器如何对不同类别的高质量图像的像素级特征进行提取，并利用胶囊模型进行结构化特征表示，进而实现像素级标注样本的生成；其次构建合适的判别器，用于判别生成像素级标注样本的真伪，并设计合适的误差优化函数，将判别结果分别反馈到生成器和判别器的模型当中，通过不断的对抗训练，分别提高生成器和判别器的样本生成能力和判别能力，最后利用训练好的生成器生成像素级标注样本，实现图像级标注医学图像的像素级分割。本申请有效地降低分割模型对像素级标注数据的依赖，既能提高生成样本与真实样本对抗训练的效率，又可以有效实现高精度的像素级图像分割。

技术领域

本申请属于医学图像处理技术领域，特别涉及一种基于生成对抗网络的医学图像分割方法、系统及电子设备。

背景技术

随着医学影像技术的蓬勃发展，医学影像在临床医疗中有着广泛和深入的应用。据统计，全球每年有几千万病例通过医学影像进行辅助诊断和治疗。在基于医学影像诊断和治疗的传统方法中，医师对医学影像数据进行阅读、识别，并对疾病的诊断和治疗做出判断。这种诊疗方式非常低效，且个体差异大，医生凭个人的经验很容易漏诊和误诊，长时间阅片会导致医生疲劳，阅片准确率下降。随着人工智能的兴起，通过用机器预先对影像数据的筛选和判断，标注重点可疑区域，再交由医生进行诊断和治疗，可以大大减轻医生的工作量，且结果全面、稳定和高效。因此，人工智能在医学影像领域内具有重要的应用前景。

医学影像技术包括医学成像和医学图像处理两部分。常见的医学成像技术主要有MRI(Magnetic Resonance Imaging,磁共振成像)、计算机断层扫描成像(CT)、正电子发射型计算机断层显像(PET)、超声成像(US)和X射线成像。不同的成像技术，在不同的疾病诊断和治疗的应用上各有优势，在具体的临床应用中逐渐形成了针对特定疾病的诊疗目的选择相应的成像技术。比如，磁共振成像能够对软组织成像具有极好的分辨率，没有电离辐射等危害，在大脑和子宫等部位的诊疗上具有广泛的应用。深度学习应用于医学图像处理的基本流程如图1所示。

而在传统的基于生成对抗网络的医学图像分割任务中，为了能够充分的训练神经网络，达到高准确率的结果，需要准备大量的相关的医学影像数据，并且需要对这些医学影像数据进行人工的逐像素的标注。例如研究人脑的肿瘤区域分割，就需要人为的去标注对应的脑部肿瘤图像。医学疾病多种多样，对应的医学图像也是多种多样，利用深度学习进行医学影像的分割，每一种疾病对应的医学影像都需要进行人为的手工标注，而这样会耗费大量的人力物力。即使是最大的公共数据集，也只能提供有限的语义类别的像素级标注样本。高质量的数据在医学图像数据集中稀缺，严重限制语义分割模型的精确度。

生成式对抗网络(GAN,Generative Adversarial Networks)是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中(至少)两个模块：生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。现有的基于生成对抗网络的图像分割模型可应用于跨类别的物体图像分割，但是在医学图像领域，该模型则存在特征提取不够充分、对抗训练的计算量大等问题。

发明内容

本申请提供了一种基于生成对抗网络的医学图像分割方法、系统及电子设备，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本申请提供了如下技术方案：

一种基于生成对抗网络的医学图像分割方法，包括以下步骤：

步骤a：分别采集其他医学图像的像素级标注样本以及待分割医学图像的图像级标注样本；

步骤b：通过所述其他医学图像的像素级标注样本以及待分割医学图像的图像级标注样本训练基于胶囊网络的生成对抗网络，所述生成对抗网络包括生成器和判别器；