[发明专利]一种基于弱监督和辅助任务的图像归一化方法

权利要求书

1.一种基于弱监督和辅助任务的图像归一化方法，构建初始的图像归一化网络，通过弱监督标签图像和辅助任务建立图像归一化模型的整体损失函数L_Norm，L_Norm＝L_MSE-λL_Sim，

其中λ为常数，表示损失函数两个组成部分之间的比例；

将原始图像经过直方图均衡化得到的归一化结果图像作为弱监督标签图像，将原始图像输入所述归一化网络进行处理，得到归一化图像；所述归一化图像与弱监督标签图像之间的差异度量为L_MSE；

辅助任务包括对直方图均衡化得到的所述归一化结果图像进行人工挑选，并根据挑选出的归一化数据对原始图像进行手动标注，得到所述挑选出的归一化数据在原始图像中所对应的分割数据，根据所述挑选出的归一化数据及其对应的分割数据训练针对所述归一化图像的分割网络模型；将原始图像经所述归一化网络得到的所述归一化图像输入所述分割网络进行自动分割，得到的自动分割图像与原始图像中手工标注得到的分割数据之间的差异度量为L_Sim；

对所述图像归一化模型进行迭代训练，图像归一化模型收敛后，得到训练好的图像归一化网络，采用训练好的图像归一化网络对对原始图像进行归一化处理。

2.如权利要求1所述的一种基于弱监督和辅助任务的图像归一化方法，λ＝1。

3.如权利要求1所述的一种基于弱监督和辅助任务的图像归一化方法，所述归一化网络为深度卷积神经网络，包括上采样支和下采样支，所述上采样支的网络结构包括5层卷积核尺寸为3×3×3、步长为1的卷积层，每层卷积层后包括一层批归一化层、一层ReLU激活函数层、以及一层池化核尺寸为2×2×2、步长为2的最大池化层；所述下采样支的网络结构包括5层卷积核尺寸为2×2×2、步长为2的反卷积层，每层反卷积层后包括一层批归一化层、一层ReLU激活函数层、以及一层卷积核尺寸为3×3×3、步长为1的卷积层。

4.如权利要求1所述的一种基于弱监督和辅助任务的图像归一化方法，所述归一化图像与所述弱监督标签图像之间的差异度量L_MSE为均方误差损失函数、所述自动分割图像与原始图像中手工标注得到的分割数据之间的差异度量为L_Sim为Dice系数损失函数。

5.如权利要求1所述的一种基于弱监督和辅助任务的图像归一化方法，所述归一化图像与所述弱监督标签图像之间的差异度量L_MSE、所述自动分割图像与原始图像中手工标注得到的分割数据之间的差异度量为L_Sim为交叉相关性损失函数或交叉熵损失函数。

6.如权利要求1所述的一种基于弱监督和辅助任务的图像归一化方法，所述图像归一化网络和所述分割网络的网络结构为VNet、UNet或PSPNet。

7.如权利要求1所述的一种基于弱监督和辅助任务的图像归一化方法，所述原始图像为医学影像、遥感图像、显微镜切片图像或自然图像。

8.如权利要求7所述的一种基于弱监督和辅助任务的图像归一化方法，所述原始图像为磁共振结构图像。

9.如权利要求1所述的一种基于弱监督和辅助任务的图像归一化方法，归一化模型采用自适应矩估计算法进行优化。

10.如权利要求1所述的一种基于弱监督和辅助任务的图像归一化方法，归一化模型参数通过梯度下降法更新。