本发明涉及医学图像处理，具体而言，涉及一种医学图像分割网络训练方法、医学图像分割方法及设备。

背景技术：

1、在胸腹部医学影像分析中，精准的语义分割（例如对肺叶、肝脏、肾脏、肿瘤等目标的逐像素划分）是进行量化分析、手术规划和疾病随访的关键前提。基于编码器-解码器结构的u-net模型及其众多变体，凭借其能有效融合局部细节与全局上下文的特性，已成为该领域的基准分割框架。

2、然而，现有的分割方法依赖于人工精细标注的逐像素监督，该监督方式仅能驱动网络学习局部像素分类的正确性，使得分割网络难以自主掌握掩膜的整体解剖形态和拓扑结构，导致分割结果的解剖结构不合理、整体质量差。

技术实现思路

1、有鉴于此，本发明提供了一种医学图像分割网络训练方法、医学图像分割方法及设备，以解决分割结果的解剖结构不合理、整体质量差的问题。

2、第一方面，本发明提供了一种医学图像分割网络训练方法，该方法包括：获取训练数据集，训练数据集包括训练医学图像和对应的真实掩膜；利用初始分割网络对训练医学图像进行像素分割，得到预测掩膜；基于预测掩膜和真实掩膜对初始分割网络进行损失计算，得到基础监督损失；基于基础监督损失更新初始分割网络的网络参数，直至初始分割网络满足第一预设收敛条件，得到更新分割网络；利用更新分割网络对训练医学图像进行像素分割，得到当前预测掩膜；利用判别器基于当前预测掩膜和真实掩膜进行掩膜类别概率计算，得到概率结果，判别器包括多个卷积神经网络，多个卷积神经网络用于分别对真实掩膜和当前预测掩膜进行特征提取；基于当前预测掩膜、真实掩膜以及多个卷积神经网络进行特征提取的中间特征对更新分割网络进行损失计算，得到分割网络总损失；基于概率结果对判别器进行损失计算，得到判别器损失；基于分割网络总损失更新更新分割网络的网络参数，并基于判别器损失更新判别器的网络参数，直至更新分割网络满足第二预设收敛条件，得到目标分割网络。

3、在一种可选的实施方式中，基于预测掩膜和真实掩膜对初始分割网络进行损失计算，得到基础监督损失，包括：基于预测掩膜和真实掩膜计算交叉熵损失；基于预测掩膜和真实掩膜计算dice损失；基于交叉熵损失和dice损失进行加权求和计算，得到基础监督损失。

4、在一种可选的实施方式中，判别器包括第一卷积神经网络、第二卷积神经网络、第三卷积神经网络、第四卷积神经网络、全连接层和线性变换层；利用判别器基于当前预测掩膜和真实掩膜进行掩膜类别概率计算，得到概率结果，包括：利用第一卷积神经网络对当前预测掩膜和真实掩膜分别进行特征提取，得到第一预测特征图和第一真实特征图；利用第二卷积神经网络对第一预测特征图和第一真实特征图分别进行特征提取和特征压缩，得到第二预测特征图和第二真实特征图；利用第三卷积神经网络对第二预测特征图和第二真实特征图分别进行特征提取和特征压缩，得到第三预测特征图和第三真实特征图；利用第四卷积神经网络对第三预测特征图和第三真实特征图分别进行特征提取和特征压缩，得到第四预测特征图和第四真实特征图；利用全连接层对第四预测特征图和第四真实特征图分别进行展平处理，得到对应的第一预测特征向量和第一真实特征向量；利用线性变换层对第一预测特征向量和第一真实特征向量分别进行线性映射，得到对应的预测分数和真实分数，作为概率结果。

5、在一种可选的实施方式中，第一卷积神经网络包括卷积层、激活函数层和随机失活层；第二卷积神经网络、第三卷积神经网络和第四卷积神经网络均包括卷积层、批量归一化层、激活函数层和随机失活层。

6、在一种可选的实施方式中，基于当前预测掩膜、真实掩膜以及多个卷积神经网络进行特征提取的中间特征对更新分割网络进行损失计算，得到分割网络总损失，包括：基于当前预测掩膜和真实掩膜进行监督损失计算，得到当前基础监督损失；基于当前预测掩膜和真实掩膜进行语义一致性损失计算，得到语义一致性损失；基于判别器中多个卷积神经网络进行特征提取的预测特征图和真实特征图进行损失计算，得到多尺度特征匹配损失；基于当前基础监督损失、语义一致性损失和多尺度特征匹配损失进行加权求和计算，得到分割网络总损失。

7、在一种可选的实施方式中，基于当前预测掩膜和真实掩膜进行语义一致性损失计算，得到语义一致性损失，包括：利用预训练的特征提取网络对当前预测掩膜和真实掩膜分别进行语义特征提取，得到第一高层语义特征向量和第二高层语义特征向量；基于第一高层语义特征向量和第二高层语义特征向量进行余弦相似度计算，得到语义一致性损失。

8、在一种可选的实施方式中，基于判别器中多个卷积神经网络进行特征提取的预测特征图和真实特征图进行损失计算，得到多尺度特征匹配损失，包括：获取判别器中至少两个卷积神经网络对同批次的若干组预测掩膜和真实掩膜分别进行特征提取的预测特征图和真实特征图；基于各个卷积神经网络的预测特征图和真实特征图分别进行二值交叉熵损失计算，得到多个二值交叉熵损失；基于多个二值交叉熵损失进行求和平均计算，得到多尺度特征匹配损失。

9、在一种可选的实施方式中，基于概率结果对判别器进行损失计算，得到判别器损失，包括：获取概率结果中若干组当前预测掩膜对应的预测掩膜概率结果和真实掩膜对应的真实掩膜概率结果；基于若干组预测掩膜概率结果进行二值交叉熵损失计算，得到若干组预测掩膜二值交叉熵损失，预测掩膜二值交叉熵损失用于使预测掩膜概率结果趋近于表征假的预期值；基于若干组真实掩膜概率结果进行二值交叉熵损失计算，得到若干组真实掩膜二值交叉熵损失，真实掩膜二值交叉熵损失用于使真实掩膜概率结果趋近于表征真的预期值；基于若干组预测掩膜二值交叉熵损失和若干组真实掩膜二值交叉熵损失进行求和平均计算，得到判别器损失。

10、第二方面，本发明提供了一种医学图像分割方法，该方法包括：利用上述任意一项的医学图像分割网络训练方法得到的目标分割网络对医学图像进行分割，得到目标分割结果。

11、第三方面，本发明提供了一种医学图像分割设备，包括：处理器以及与处理器连接的存储器；其中，存储器存储有可被处理器执行的指令，指令被处理器执行，以使处理器执行上述任意一项的方法。

12、本实施例提供的医学图像分割网络训练方法，采用预训练加对抗微调的两阶段训练策略。首先，在预训练阶段，获取训练数据集，通过利用初始分割网络对训练医学图像进行逐像素分割得到预测掩膜，再通过基于预测掩膜和真实掩膜计算基础监督损失，以衡量分割网络的预测精度，并根据基础监督损失更新初始分割网络的网络参数，使分割网络在预训练阶段获得良好的初始参数和基本的分割能力。接着，在对抗微调阶段，通过利用更新分割网络重新对训练医学图像进行分割得到当前预测掩膜；再通过引入判别器，利用判别器对当前预测掩膜和真实掩膜分别进行特征提取和概率计算，识别两者之间的不一致性，从而在无需额外精细标注的前提下为分割网络提供整体解剖形态的结构约束；然后，基于当前预测掩膜、真实掩膜以及判别器提取的中间特征对更新分割网络进行损失计算，得到分割网络总损失，同时基于判别器输出的概率结果计算判别器损失。最后，分别根据分割网络总损失更新分割网络的网络参数、根据判别器损失更新判别器的网络参数，使分割网络和判别器在对抗博弈中相互促进，分割网络在像素精度和结构合理性两个层面逐步逼近真实掩膜；直至分割网络满足第二预设收敛条件，停止对抗微调，丢弃判别器，仅保留更新后的分割网络作为目标分割网络。本实施例通过预训练和对抗微调的两阶段训练策略，先通过像素级监督获得高质量初始化分割模型，再引入对抗微调，大幅提升了更新分割网络和判别器训练的稳定性和收敛速度。在该策略的对抗微调阶段，利用生成对抗网络的对抗学习机制，使分割网络自主学习真实掩膜的整体分布特征和深层特征映射的一致性，生成轮廓完整、连续且平滑的分割结果，使预测的目标掩膜在全局结构层面逐渐逼近真实标注，显著提升器官或病灶分割结果的准确性和临床应用价值，同时无需依赖额外的人工精细标注或复杂的形态学后处理规则，具有良好的泛化能力和临床适用性。