[发明专利]一种基于任务动态学习部分标记的医学图像分割方法

权利要求书

1.一种基于任务动态学习部分标记的医学图像分割方法，其特征在于，包括以下步骤：

步骤1：采用编码解码器提取图像的特征；

采用卷积神经网络构建编码-解码器；

给定图像X_ij，i表示图像数据集的索引，j表示数据集i里图像的索引；将图像X_ij输入编码器生成图像X_ij的高级语义特征F_ij＝f_E(X_ij；θ_E)，f_E(.)表示编码器，θ_E表示编码器参数；再输入解码器通过上采样操作将图像X_ij恢复到原始分辨率，得到预分割特征M_ij＝f_D(X_ij；θ_D)，f_D(.)表示解码器，θ_D表示解码器参数；

步骤2：对图像的部分标注信息进行任务编码；

将图像X_ij的部分标注信息编码到一个m维度的one-hot向量T_ij∈{0,1}^m作为任务编码，1表示带有标注，0表示没有标注；

步骤3：以任务编码作为条件，设计控制器为每一幅图像生成相应任务的卷积核参数；

所述控制器为单层卷积层或多个卷积层堆叠而成；

对图像高级语义特征F_ij进行全局平均池化操作，再和任务编码T_ij进行级联操作后输入控制器，得到图像X_ij的动态卷积核，具体表示如下：

其中，表示控制器，GAP(.)表示全局平均池化，表示控制器的参数；生成的卷积核ω_ij被划分为三组，ω_ij→{ω_ij1,ω_ij2,ω_ij3}，ω_ij1,ω_ij2,ω_ij3分别对应三个卷积层；

步骤4：利用步骤3得到的动态卷积核对预分割特征M_ij进行卷积操作，得到相应任务的分割图，具体表示如下：

P_ij＝((M_ij*ω_ij1)*ω_ij2)*ω_ij3

其中，*表示卷积操作，P_ij表示图像X_ij在第i个任务上的分割结果；

步骤5：每一个器官和相应肿瘤的分割均被视为二值分割问题，使用部分标记数据集中提供的任务标注作为监督信号，采用Diceloss和二值交叉熵损失函数作为损失函数，在整个部分标记数据集上优化步骤1到步骤4构建的图像分割模型，对应的优化公式为：

其中，θ表示整个分割模型的参数，Y_ij图像X_ij的部分标注，表示损失函数，f(.)表示模型的前向计算，n_i表示第i个部分标记数据集中图像的个数；

得到最终的基于任务动态学习部分标记的医学图像分割模型。