[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

说明书

本发明公开了一种半监督的胸部CT图像病灶分割模型的训练方法及系统，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。本发明提出一种半监督的胸部CT图像病灶分割模型的训练方法，保留了病灶信息，整合了全监督损失函数和普通半监督损失函数的优点，节省大量的人力成本，避免了海量标注数据的需求。

技术领域

本发明涉及肺部CT图像病灶分割技术领域，尤其涉及一种胸部CT图像病灶分割模型的训练方法及系统。

背景技术

胸部CT的病灶分割对于诊断治疗新冠肺炎具有重要的意义。尽管全监督算法能得到比较好的分割效果，但是却需要海量的标注数据。然而，胸部CT的病灶标注需要专业的放射科医生来完成，但是这类医生一般工作繁忙，业余时间很少。另外，由于病灶大小形状不一、CT层数巨大导致标注难度很大，为此，亟需一种能根据少量标注病灶的CT数据来训练分割模型的方法。

因此，现有技术还有待改进和提高。

发明内容

本发明提供一种胸部CT图像病灶分割模型的训练方法及系统，旨在解决现有技术中缺少根据少量标注病灶的CT数据来训练分割模型的方法的问题。

为了解决上述技术问题，本发明所采用的技术方案如下：

第一方面，本发明提供一种胸部CT图像病灶分割模型的训练方法，其中，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，得到病灶分割模型的分割精度。

在一种实现方式中，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。

在一种实现方式中，所述获取样本CT图像，并计算所述样本CT图像的可信度，还包括：

根据所述概率图的平均值，并基于阈值，得到可信度掩码。

在一种实现方式中，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。

在一种实现方式中，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