一种基于生成对抗网络的胚胎组织分割方法技术

本发明专利技术涉及一种基于生成对抗网络的胚胎组织分割方法，属于医学图像处理技术领域。包括：步骤1通过U‑net网络对胚胎组织切片图像进行组织分割掩码映射；步骤2制作分割网络训练集；步骤3配置网络训练所需参数，得到设置后的网络；步骤4使用制作完成的分割网络训练集训练设置后的组织品质识别网络；步骤5固定组织品质识别网络的参数，使用制作完成的分割网络训练集结合组织品质识别网络训练设置后的U‑net网络；步骤6将未标注分割结果的胚胎组织切片图像作为输入，生成对应掩码图像。所述分割方法依托的网络在训练分割时使用一个分类模型来补充损失，充分利用细胞成长状态的信息，提升分割网络在胚胎组织分割领域的准确性。

A method of embryo tissue segmentation based on generative antagonism network

【技术实现步骤摘要】
一种基于生成对抗网络的胚胎组织分割方法
本专利技术涉及一种基于生成对抗网络的胚胎组织分割方法，属于医学图像处理

技术介绍
随着数字成像技术的快速发展，医学成像逐渐广泛应用于临床的检测与治疗。医生可借助医学影像在判断病理原因、治疗过程中进行干预、治疗结束后查看效果等方面进行准确的诊断与病因定位，如此智能化的诊断缩短了诊断时间的同时提高了诊断的准确率。对于医学图像的观察和分类大概分为三个过程，起初靠有经验的医师对图像进行观察，主观因素强且费时费力；加入计算机技术后图像的识别可以做到半自动工作，即在医师的参与下进行更准确的较为高效的图像识别；随着人工智能技术的发展对于图像的识别与分类可以在部分领域图像中实现无需借助人力的全自动识别。由于未经处理的图像往往重叠复杂、难以辨认，存在多模态性、图像较为模糊、边缘信息较多和数据异质等性质。只通过数字成像展现的医学图像往往不能为医生所用，需要运用图像处理技术进行图像的分割、增强等，来达到各专业医生的要求标准。为了满足愈加复杂的医学图像分析和处理要求，研究优化神经网络方法并将其运用在医学图像处理中成为近年来的研究趋向之一，以期运用计算机技术帮助构建辅助治疗系统和自动检测系统。对于细胞图像的处理是医学影像中的一个重要研究方向。相较与其他发展较为成熟的医学图像(例如MR和CT等)，细胞图像有它自身的特点：一是依赖提取和制片技术，二是图像细小复杂，观察困难。目前在对于癌变细胞检测等细胞形态检查的研究中，仍主要依赖有经验的医师或专业技术人员进行肉眼比对筛选，加上观察条件、医生主观因素等方面的影响，容易造成误判。加强细胞图像的识别和分析准确率，除了进行制片和显微镜成像方面的提高之外，引入计算机技术进行智能的细胞的边缘检测、分割、分类等工作，从而将计算机提供的高效准确和医师具备的知识和经验相结合，降低人工检测中存在的固有的系统误差，提高细胞检测的效率和准确度，建立能真正投入应用的高效的、智能的、可靠的医疗系统。
技术实现思路
本专利技术的目的在于针对现有医疗辅助系统的训练过程中数据样本不充足，导致的大多使用传统机器学习方法进行训练的现象，提出了一种基于生成对抗网络的胚胎组织分割方法，旨在运用神经网络方法进行医疗辅助诊断及组织分割识别。为达到以上目的，本专利技术拟采用以下技术方案。所述基于生成对抗网络的胚胎组织分割方法依托于生成对抗网络；其中，生成对抗网络包括U-net网络、判别器网络以及组织品质识别网络，具体通过三个网络之间的对抗训练来提升U-net网络的分割精度U-net网络又包括自注意力机制模块和残差网络模块，具体为：U-net网络对胚胎组织切片图像进行组织分割掩码映射，判别器网络判别分割掩码结果和正式人工分割结果来提升U-net网络的分割效果；组织品质识别网络识别分割结果以及原始胚胎图像；生成对抗网络中的分割网络考虑了网络中感受野大小与图像自相似性信息获取具有对应关系，为了在获取大感受野和计算量之间取得平衡，残差网络模块使用空洞卷积网络层作为其组成单元；其中，对应关系为：感受野的大小对应图像自相似性信息获取的难易程度；U-net网络的基础组成部分包括深度下采样模块和自注意特征融合模块；其中，深度下采样模块包括下采样层和残差网络模块；自注意特征融合模块，包括自注意力机制模块和残差网络模块；其中，自注意力机制模块，通过对特征图中任意两像素点的之间的关系计算，获取特征图的全局信息，保留更多的细节信息；所述基于生成对抗网络的胚胎组织分割方法，包括以下步骤：步骤101：构建U-net网络、判别器网络以及组织品质识别网络；其中，构建的U-net网络包括深度下采样模块、自注意特征融合模块和深度上采样模块；其中，深度下采样模块包括步长为2的卷积网络和残差网络模块；自注意特征融合模块包括残差网络模块和自注意力机制模块；深度上采样模块包括反卷积网络层；组织品质识别网络通过对胚胎品质识别，充分利用胚胎成长状态的信息，进一步提升U-net网络分割效果；步骤102：制作分割网络训练集，具体为：根据标注的图片分割结果生成图片分割掩码，再进行数据增强以获取更多的训练集，将所有标注分割结果的胚胎组织切片图像与其对应的分割掩码和组织切片品质汇总成训练所需的数据集，即制作完成了分割网络训练集；其中，标注的图片分割结果为胚胎图像的分割掩码图像；分割网络训练集，即其中，xi是第i张原始胚胎图像，yi是对应的分割掩码图像，li是对应的胚胎组织品质标注，N是训练集大小；步骤103：配置生成对抗网络的网络训练所需参数，得到设置后的网络；其中，网络训练所需参数包括：设置学习率、批处理大小、权值初始化方式、权值衰减系数、优化方法及迭代次数；其中，优化方法是Adam算法；设置后的网络包括设置后的U-net网络、设置后的判别器网络以及设置后的组织品质识别网络；其中，θ1为设置的U-net网络及判别器网络的参数，θ2为设置的组织品质识别网络的参数；步骤104：使用步骤102制作完成的分割网络训练集训练步骤103设置后的组织品质识别网络，得到训练好的组织品质识别网络；其中，训练好组织品质识别网络即获得组织品质识别网络的权重；步骤105：固定步骤104训练好的组织品质识别网络的权重，使用步骤102中制作完成的分割网络训练集结合组织品质识别网络训练步骤103设置后的网络中的U-net网络以及判别器网络，得到训练好的U-net网络；其中，组织品质识别网络识别得到的识别误差作为训练U-net网络的损失函数的一部分，判别器网络的损失函数可表示为(1)，U-net网络的损失函数可表示为(2)：其中，θ1是U-net网络及判别器网络训练设置的参数集，组织品质识别网络的映射表示为f，U-net网络的映射表示为G，判别器网络的映射表示为D，识别误差是训练后的组织品质识别网络的识别误差，||·||1表示L1范数，E·～D[f(·)]表示函数f(·)对·在分布D下的数学期望；步骤106：使用步骤105训练好的U-net网络将未标注分割结果的胚胎组织切片图像作为输入，生成对应分割掩码图像。有益效果所述一种基于生成对抗网络的胚胎组织分割方法，与现有胚胎组织分割方法相比，具有如下有益效果：1、所述胚胎组织分割方法依托的网络在训练分割时使用一个分类模型来补充损失，充分利用胚胎成长状态的信息，提升分割网络在胚胎组织分割领域的准确性；2、所述胚胎组织分割方法依托的生成对抗网络生成器部分使用U-net网络，U-net网络具有能够通过少量的数据得到优质的分割结果的优势，并通过引入的自注意力机制，增加分割结果的细节部分；3、所述胚胎组织分割方法依托的网络能够使用GPU进行计算，能够提升胚胎组织的分割效率，实现了对胚胎组织进行全自动的分割功能；4、所述胚胎组织分割方法使用生成对抗网络框架来训练胚胎组织的分割网络，本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的胚胎组织分割方法，依托于生成对抗网络；生成对抗网络包括U-net网络、判别器网络以及组织品质识别网络，具体通过三个网络之间的对抗训练来提升U-net网络的分割精度U-net网络又包括自注意力机制模块和残差网络模块；所述胚胎组织分割方法，其特征在于：包括以下步骤：/n步骤101：构建U-net网络、判别器网络以及组织品质识别网络；/n其中，构建的U-net网络包括深度下采样模块、自注意特征融合模块和深度上采样模块；/n自注意特征融合模块包括残差网络模块和自注意力机制模块；/n步骤102：制作分割网络训练集，具体为：根据标注的图片分割结果生成图片分割掩码，再进行数据增强以获取更多的训练集，将所有标注分割结果的胚胎组织切片图像与其对应的分割掩码和组织切片品质汇总成训练所需的数据集，即制作完成了分割网络训练集；/n其中，标注的图片分割结果为胚胎图像的分割掩码图像；分割网络训练集，即

【技术特征摘要】
1.一种基于生成对抗网络的胚胎组织分割方法，依托于生成对抗网络；生成对抗网络包括U-net网络、判别器网络以及组织品质识别网络，具体通过三个网络之间的对抗训练来提升U-net网络的分割精度U-net网络又包括自注意力机制模块和残差网络模块；所述胚胎组织分割方法，其特征在于：包括以下步骤：
步骤101：构建U-net网络、判别器网络以及组织品质识别网络；
其中，构建的U-net网络包括深度下采样模块、自注意特征融合模块和深度上采样模块；
自注意特征融合模块包括残差网络模块和自注意力机制模块；
步骤102：制作分割网络训练集，具体为：根据标注的图片分割结果生成图片分割掩码，再进行数据增强以获取更多的训练集，将所有标注分割结果的胚胎组织切片图像与其对应的分割掩码和组织切片品质汇总成训练所需的数据集，即制作完成了分割网络训练集；
其中，标注的图片分割结果为胚胎图像的分割掩码图像；分割网络训练集，即
其中，xi是第i张原始胚胎图像，yi是对应的分割掩码图像，li是对应的胚胎组织品质标注，N是训练集大小；
步骤103：配置生成对抗网络的网络训练所需参数，得到设置后的网络；
其中，网络训练所需参数包括：设置学习率、批处理大小、权值初始化方式、权值衰减系数、优化方法及迭代次数；
其中，优化方法是Adam算法；设置后的网络包括设置后的U-net网络、设置后的判别器网络以及设置后的组织品质识别网络；
其中，设置后的U-net网络参数及判别器网络，记为θ1；设置后的组织品质识别网络，记为θ2；
步骤104：使用步骤102制作完成的分割网络训练集训练步骤103设置后的组织品质识别网络，得到训练好的组织品质识别网络；
其中，训练好组织品质识别网络即获得组织品质识别网络的权重；
步骤105：固定步骤104训练好的组织品质识别网络的权重，使用步骤102中制作完成的分割网络训练集结合组织品质识别网络训练步骤103设置后的网络中的U-net网络以及判别器网络，得到训练好的U-net网络；
其中，组织品质识别网络识别得到的识别误差作为训练U-net网络的损失函数的一部分，判别器网络的损失函数可表示为(1)，U-net网络的损失函数可表示为(2)：
...

【专利技术属性】
技术研发人员：李建武，康杨，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11