[发明专利]一种基于协同优化网络的肺结节分割方法

说明书

本发明公开了一种基于协同优化网络的肺结节分割方法。包括如下步骤：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；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；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。本发明在分割模型中增加了整个架构的深度，而没有显著增加计算成本，使生成特征表示的生成器与状态鉴别器进行对抗训练。

技术领域：

本发明涉及计算机视觉和深度学习领域，具体为一种基于协同优化网络的肺结节分割方法。

背景技术：

CT成像是一种流行的肺部疾病诊断技术，在实践中，从胸部CT切片中分割不同的器官和病变可以为医生诊断和量化肺部疾病提供关键信息。这些算法通常使用具有提取特征的分类器来分割胸部CT中的结节。例如，Kenisha等人利用支持向量机(SVM)分类器从计算机断层扫描切片中检测肺结节。Shen等人提出了一种基于双向链码的自动肺分割系统来提高性能。

然而，结节和背景的相似视觉外观使得难以提取结节区域。为了克服这个问题，已经提出了几种深度学习算法来学习强大的视觉表示。例如，Wang等人开发了一种中心聚焦卷积神经网络来从非均匀CT切片中分割肺结节。(无监督的)异常检测/分割可以检测异常区域，然而，它不能识别异常区域是否与肺结节相关。相比之下，基于少量标记数据的半监督模型能够从其他异常区域中识别出目标区域，更适合于肺结节的评价。

目前，人们越来越重视使用SSL策略来训练深层神经网络。这些方法通常优化已标记数据的监督损失以及未标记数据或已标记和未标记数据的非监督损失。Lee等人提出通过计算未标记数据的伪标签来利用交叉熵损失，这被认为是额外的监督损失。总之，现有的深度SSL算法通过实施平滑且一致的分类边界来规范网络，该分类边界对随机扰动是鲁棒的，并且其他方法通过探索所学习的知识来丰富监督信号，例如，基于时间集合预测和伪标签。此外，半监督学习已广泛应用于医学分割任务，其中一个常见的问题是缺乏像素级的标记数据，即使当大规模的未标记图像集可用时。例如，Nie等人提出了一种用于盆腔器官分割的基于注意力的半监督深度网络，其中开发了半监督区域注意力丢失来解决训练深度学习模型的数据不足问题。Cui等人修改了用于磁共振图像中中风损伤分割任务的平均教师框架。Zhao等人提出了一种基于自集成结构和随机拼块大小训练策略的半监督分割方法。

此外，迁移学习技术是处理有限数据的另一个好选择。但目前，分割肺结节的主要问题是，已经有一些公共数据集，但缺乏高质量的像素级注释。这个问题将变得更加突出，即使收集大规模的COVID19数据集，在那里获取注释仍然很昂贵。因此，本发明的目标是有效地利用有限的注释和利用未标记的数据。本发明为解决这个问题提供了更合适的解决方案。本发明的主要目标是使用有限数量的已标记数据和大量未标记数据来提高分割模型性能。

发明内容：

本发明的目的是克服现有肺结节分割方法的不足，提出一种基于协同优化网络的肺结节分割方法，利用有限的注释和未标记的数据以解决基于深度学习的图像分割任务中数据集的标注成本过高的问题。

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；