[发明专利]一种胸部CT图像病灶分割模型的训练方法及系统

权利要求书

1.一种半监督的胸部CT图像病灶分割模型的训练方法,其特征在于，所述方法包括：

获取样本CT图像，并计算所述样本CT图像的可信度，其中，所述样本CT图像包括有标注图像和无标注图像；

根据所述样本CT图像的可信度，进行CT图像的配对，并生成增广CT图像，所述CT图像为仅含有病灶的图像；

根据所述增广CT图像训练深度学习网络，得到病灶分割模型；

基于教师-学生模型的自学习策略优化所述病灶分割模型的分割精度；

所述获取样本CT图像，并计算所述样本CT图像的可信度，包括：

获取所述样本CT图像，并使用编码器提取每一张所述样本CT图像的语义特征；

在所述语义特征中引入噪声特征以及扰动因子，得到具有噪声的语义特征以及对应的概率图；

计算所述概率图的平均值，并根据所述概率图的平均值，计算每一张样本CT图像的可信度；

根据所述概率图的平均值，并基于阈值，得到可信度掩码；

所述根据所述样本CT图像的可信度，进行CT图像的配对，并生成增广CT图像，包括：

根据所述样本CT图像的可信度，对所述样本CT图像进行排序；

将所述样本CT图像中可信度最高的图像与可信度最低的图像配对，将所述样本CT图像中可信度第二高的图像与可信度第二低的图像配对，以此类推，完成所述样本CT图像的配对；

利用所述可信度掩码，混合含有病灶的图像，得到所述增广CT图像；

其中，所述含有病灶的图像为：

其中，n表示每对图像中的两张图像下标，M_con为可信度掩码；为依据图像n得到的可信度掩码；表示依据图像n得到仅混合病灶的图像；αⁿ表示图像n的混合权重；

其中，阈值τ是与训练步数有关的动态参数，计算方式为：

其中γ₁、γ₂和γ₃为超参数，分别设置为0.3、-5和0.5；

P_avg为T个不同的扰动[z₁,z₂,…,z_T]得到T个概率图[P₁,P₂,…,P_T]的平均值；P_T＝F_seg(I；z_t)，F_seg为编码器；

按照以下公式生成增广CT图像：

其中,m和n分别表示一对图像中的两张图像下标，表示图像n的混合含有病灶的图像之后得到的增广CT图像。

2.根据权利要求1所述的胸部CT图像病灶分割模型的训练方法,其特征在于，所述根据所述增广CT图像训练深度学习网络的过程中，损失函数的计算方法为：

L_seg＝L_sup+βL_sem

其中，β为随训练过程变化的动态参数，计算方式如下：

其中，b₁和b₂为两个超参数，分别设置为0.1和-5，β的取值为0到0.1；L_sup为传统的损失函数，L_sem为半监督损失函数，e_n表示当前训练的步数，E_max表示训练的总步数，该值与数据集有关，E_max取值200-300。

3.根据权利要求2所述的胸部CT图像病灶分割模型的训练方法,其特征在于，所述传统的损失函数L_sup的计算方式为：

其中，L_ce表示交叉熵函数，F_seg为编码器，I为样本CT图像，I为样本CT图像的批次，M_I为样本CT图像的掩码图像，N表示在该批次样本CT图像的个数。