[发明专利]一种基于弱监督和辅助任务的图像归一化方法

说明书

本发明提供了一种基于深度学习的图像归一化方法。将原始图像经过直方图均衡化的结果图像作为作为弱监督信息，以图像分割作为辅助任务，得到分割结果作为辅助信息参与训练，降低现有归一化方法中缺少训练金标准对训练带来的影响，同时解决了现有方法中存在的解剖结构内部的误归一化问题。

技术领域

本发明涉及图像数据处理技术，利用计算机视觉领域技术解决图像数据处理过程中的图像灰度归一化任务。

背景技术

磁共振图像的归一化处理技术，包括将灰质、白质的灰度约束至特定值附近，对于后续对图像数据进行批量分析具有重要作用。

目前对磁共振图像的归一化方法通常为针对图像的灰度直方图的均衡操作，将待归一化图像的灰度直方图映射为与标准图像相似的灰度分布。实际操作中，由于图像中某些组织内灰度的不均衡，直接针对直方图的操作很容易造成不同解剖结构内部灰度出现较大不一致，达不到理想的归一化效果。另有方法采用神经网络对磁共振图像进行处理，得到归一化后的磁共振图像。但实际情况中，归一化图像均由算法按一定规则得到，因此缺乏金标准，故上述训练深度学习模型的策略缺乏可靠的训练依据。

发明内容

针对现有技术的不足之处，本申请提出了一种基于弱监督和辅助任务的图像归一化方法。

本发明的技术方案概述如下：

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一个针对归一化数据的分割网络模型；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。

可设置λ＝1。

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。

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。

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。

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。