1.一种医学图像分割方法,其特征在于,包括如下步骤:S1:获取原始医学影像的数据集,所述数据集中包括图像及其标签,将所述数据集进行预处理;
S2:构建多任务交互模型,所述多任务交互模型包括编码器、多任务交互框架及解码器,所述多任务交互框架包括分类分支、分割分支及交互分支,将预处理的数据送入所述编码器中提取特征,然后一个分支送入所述分类分支,经过池化层及全连接层后,送入分类层执行分类任务;另一个分支送入所述分割分支,经所述解码器解码后执行分割任务;将所述分类分支及分割分支的特征信息作为输入送入所述交互分支,经卷积后输出对图像预测的概率图,执行分类分支与分割分支的交互学习任务;
S3:基于博弈原理,建立所述分类任务和所述分割任务的交互作用关系,多次迭代训练,采用混合损失函数监督所述多任务交互模型的训练过程;所述交互作用关系的建立过程为:
S31:基于博弈原理,以多任务交互模型作为游戏,将分类任务c和分割任务s作为输入变量形成游戏的玩家集合, 表示当游戏的玩家由集合 组成时,游戏最终获得的奖励,则交互作用函数 表示为: 其中:
式中,M表示集合 所有可能的子集,D表示集合M与集合 的差集,, 表示D被采样的概率, 表示中间函数;
S32:以 的绝对值 表示相互作用的强度, 越小表示相互作用强度越低;
S33:多次迭代训练,采用混合损失函数监督训练的过程,以降低所述分类任务c和分割任务s的交互强度;
S4:针对任意医学图像,采用训练好的所述多任务交互模型进行图像分割,得到分割结果。
2.根据权利要求1所述的医学图像分割方法,其特征在于,所述步骤S1中预处理为归一化处理。
3.根据权利要求1所述的医学图像分割方法,其特征在于,所述步骤S33中混合损失函数表示为:
式中, 表示分割任务s的损失函数, 选择二进制交叉熵损失函数,用于优化分割任务s的性能; 表示分类任务c的损失函数, 选择二值交叉熵损失函数,用于优化分类任务c的性能; 表示分类任务c和分割任务s交互作用的损失函数,用于降低交互的强度,并提高泛化的能力; 和 表示超参数,二者取值范围均是[0,1];
其中,N为图像的高度和重量的乘积; 表示分割任务中第 个像素的预测概率,表示第 个像素对应的标签值;
其中, 表示分类任务中图像的标签, 表示图像的预测概率;
其中,W和H表示多任务交互模型输出的权重和高度。
4.一种医学图像分割装置,其特征在于,包括:预处理模块:用于获取原始医学影像的数据集,所述数据集中包括图像及其标签,将所述数据集进行预处理;
模型构建模块,构建多任务交互模型,所述多任务交互模型包括编码器、多任务交互框架及解码器,所述多任务交互框架包括分类分支、分割分支及交互分支,将预处理的数据送入所述编码器中提取特征,然后一个分支送入所述分类分支,经过池化层及全连接层后,送入分类层执行分类任务;另一个分支送入所述分割分支,经所述解码器解码后执行分割任务;将所述分类分支及分割分支的特征信息作为输入送入所述交互分支,经卷积后输出对图像预测的概率图,执行分类分支与分割分支的交互学习任务;所述交互作用关系的建立过程为:
基于博弈原理,以多任务交互模型作为游戏,将分类任务c和分割任务s作为输入变量形成游戏的玩家集合, 表示当游戏的玩家由集合 组成时,游戏最终获得的奖励,则交互作用函数 表示为:
其中:
式中,M表示集合 所有可能的子集,D表示集合M与集合 的差集,, 表示D被采样的概率, 表示中间函数;
以 的绝对值 表示相互作用的强度, 越小表示相互作用强度越低;
多次迭代训练,采用混合损失函数监督训练的过程,以降低所述分类任务c和分割任务s的交互强度;
训练模块:用于基于博弈原理,建立所述分类任务和所述分割任务的交互作用关系,多次迭代训练,采用混合损失函数监督所述多任务交互模型的训练过程;
分割模块:用于针对任意医学图像,采用训练好的所述多任务交互模型进行图像分割,得到分割结果。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1‑3中任意一项所述的图像分割方法的步骤。