[发明专利]一种基于协同优化网络的肺结节分割方法

权利要求书

1.一种基于协同优化网络的肺结节分割方法，其特征在于，包括如下步骤：

步骤1：把原始样本数据x输入到表示分割网络S中，训练分割网络的分割能力以生成带标签的数据y1；

步骤2：将带标签的样本数据y输入到生成器G中，将生成器生成数据x1和原始的样本数据x输入到判别器D中，在每次迭代结束后，对对抗网络进行更新训练；

步骤3：将带标签的真实样本数据y输入到生成器G中，将生成器生成数据x1和原始的样本数据x分别输入到判别器D和分割模型S中，在每次迭代结束后，对任务分割模型和对抗网络进行更新训练。

2.根据权利要求1所述的基于协同优化网络的肺结节分割方法，其特征在于，所述步骤1包括如下步骤：

步骤1.1：本发明设计了一种表示分割模型S，是一个两级嵌套的U型结构。该设计具有以下优点:(1)在本模型中提出的残差U型区块(RSU)中混合了不同大小的感受野，能够从不同的尺度捕捉更多的上下文信息，(2)在这些RSU区块中使用了汇集操作，它增加了整个架构的深度，而没有显著增加计算成本。损失预测模块的损失函数为：

其中(m，n)是像素坐标，(H，W)是图像尺寸:高度和宽度。PG(m，n)和PS(m，n)分别表示样本数据真值和预测显著性概率图的像素值。

步骤1.2：把原始样本数据x输入到表示分割网络S中，训练分割网络的分割能力以生成带标签的数据y1。

所述步骤2包括如下步骤：

步骤2.1：本发明设计了损失预测模块用于损失预测，损失预测模块通过计算一对样本的损失预测值之间的差异进行训练，损失预测模块的损失函数为：

其中pdata(x)是真实图像的数据分布，py(y)是生成标签的数据分布，E表示数学期望。

步骤2.2：将带标签的样本数据y输入到生成器G中，将生成器生成数据x1和原始的样本数据x输入到判别器D中，在每次迭代结束后，对对抗网络进行更新训练。

所述步骤3包括如下步骤：

步骤3.1：本发明设计了协同优化模块部分的损失预测模块用于损失预测，损失预测模块通过计算一对样本的损失预测值之间的差异进行训练，损失预测模块的损失函数为：

步骤3.2：将带标签的真实样本数据y输入到生成器G中，将生成器生成数据x1和原始的样本数据x分别输入到判别器D和分割模型S中，在每次迭代结束后，对任务分割模型和对抗网络进行更新训练。

步骤3.3：在每次迭代结束后，对任务分割模型和对抗网络模型进行更新训练。