一种构建半监督图像分割框架的方法及系统技术方案

本发明专利技术提供一种构建半监督图像分割框架的方法，包括构建包括学生模型、教师模型和判别器的半监督图像分割框架；获取有标记的MRI图像和其对应的金标准，以计算出监督型分割损失；获取原始未标记的MRI图像和其与预设的高斯分布的噪声相结合后的噪声未标记MRI图像，以得到对应的学生分割概率结果图和教师分割概率结果图后各自覆盖在原始未标记的MRI图像上，生成学生分割区域和教师分割区域并一同传递给判别器进行相似度比较，以计算出一致性损失；根据监督型分割损失及一致性损失，得到总分割损失并对半监督图像分割框架进行优化。实施本发明专利技术，通过改进均值教师模型来建立能够用于3D医学图像的通用半监督分割框架，并且无需额外的图像级的标记。

【技术实现步骤摘要】
一种构建半监督图像分割框架的方法及系统
本专利技术涉及图像处理
，尤其涉及一种构建半监督图像分割框架的方法及系统。
技术介绍
医学图像分割在临床应用和科学研究中起着至关重要的作用。准确的医学图像分割可以为病变分级，分类和疾病诊断提供重要的定量措施，并进一步帮助临床医生评估对相关疾病的治疗反应，并为手术计划和康复策略提供可靠的依据。近年来，涌现了许多基于计算机辅助的深度学习方法，如可自动提取和学习图像特征的卷积神经网络，其在图像分割中的应用取得了精度上的极大提升。但是，这些方法依赖于具有高质量标记的大量数据，特别是在医学成像领域，由于需要专家的领域知识，对大规模数据进行标记的过程通常更加昂贵且费时，难以获取大量的手工标记。此外，这种分割可能会受到标记者(例如临床医生)的变化的影响，不具有可重复性。为了避免标记数据的需求，已经有研究者提出了医学图像的无监督学习。然而，由于非常低的分割精度，这种完全无监督的方法对于形状和大小具有较大变化的复杂解剖结构或病变的效果不佳，因此都需要构建具有适当大小和准确标记的数据集以训练深度学习模型本文档来自技高网...

【技术保护点】
1.一种构建半监督图像分割框架的方法，其特征在于，包括以下步骤：/n步骤S1、构建包括学生模型、教师模型和判别器的半监督图像分割框架；/n步骤S2、获取有标记的MRI图像和其对应的金标准，并将所述有标记的MRI图像作为第一训练集图像导入所述学生模型中进行训练，得到分割概率图，且进一步结合所述金标准，以计算出监督型分割损失；/n步骤S3、获取原始未标记的MRI图像和其与预设的高斯分布的噪声相结合后的噪声未标记MRI图像，得到第二训练集图像，且将所述第二训练集图像导入所述学生模型及所述教师模型中分别进行训练，得到对应的学生分割概率结果图和教师分割概率结果图，进一步待所述学生分割概率结果图和所述教师...

【技术特征摘要】
1.一种构建半监督图像分割框架的方法，其特征在于，包括以下步骤：
步骤S1、构建包括学生模型、教师模型和判别器的半监督图像分割框架；
步骤S2、获取有标记的MRI图像和其对应的金标准，并将所述有标记的MRI图像作为第一训练集图像导入所述学生模型中进行训练，得到分割概率图，且进一步结合所述金标准，以计算出监督型分割损失；
步骤S3、获取原始未标记的MRI图像和其与预设的高斯分布的噪声相结合后的噪声未标记MRI图像，得到第二训练集图像，且将所述第二训练集图像导入所述学生模型及所述教师模型中分别进行训练，得到对应的学生分割概率结果图和教师分割概率结果图，进一步待所述学生分割概率结果图和所述教师分割概率结果图各自覆盖在所述原始未标记的MRI图像上后，生成对应的学生分割区域和教师分割区域并一同传递给所述判别器进行相似度比较，以计算出一致性损失；其中，所述教师模型在训练过程中基于所述学生模型的权重使用指数移动平均策略来更新模型参数；
步骤S4、根据所述监督型分割损失及所述一致性损失，得到总分割损失，并根据所述总分割损失，对所述半监督图像分割框架进行优化。


2.如权利要求1所述的构建半监督图像分割框架的方法，其特征在于，所述步骤S3具体包括：
获取原始未标记的MRI图像和将所述原始未标记的MRI图像与预设的高斯分布的噪声相结合后的噪声未标记MRI图像，得到第二训练集图像；
将所述第二训练集图像的原始未标记MRI图像导入所述学生模型中进行训练，得到对应的学生分割概率结果图，并将所述第二训练集图像的噪声未标记MRI图像导入所述教师模型中进行训练，且所述教师模型在训练过程中基于所述学生模型的权重使用指数移动平均策略来更新模型参数，得到教师分割概率结果图；
将所述学生分割概率结果图和所述教师分割概率结果图与所述原始未标记的MRI图像分别进行逐像素相乘，得到对应的学生分割区域和教师分割区域；
将所述学生分割区域和所述教师分割区域一同传递给所述判别器进行相似度比较，分别提取出学生多尺度特征和教师多尺度特征，并根据所述学生多尺度特征和所述教师多尺度特征，计算出一致性损失。


3.如权利要求2所述的构建半监督图像分割框架的方法，其特征在于，所述教师模型更新的模型参数为权重，其通过公式θ’t＝αθ’t-1+(1-α)θt来实现；其中，θ’为所述教师模型的权重，θ为所述学生模型的权重，α为控制指数移动平均策略衰减的超参数，t为训练步骤次数。


4.如权利要求2所述的构建半监督图像分割框架的方法，其特征在于，所述一致性损失的计算公式为其中，

为所述一致性损失；为两个图像的逐体素的乘法运算；为所述原始未标记的MRI图像与所述学生分割概率结果图相乘而获得的学生分割区域；为所述原始未标记的MRI图像与所述教师分割概率结果图相乘而获得的教师分割区域；Xu为所述原始未标记的MRI图像；S(Xu)为所述学生分割概率结果图；R(Xu)为所述教师分割概率结果图；f(·)为相应分割区域提取的分层特征图；h,w,d为每个图像的高、宽、长尺寸；δmae为K为所述判别器中网络层的数量；f(xi)为第i层输出的特征向量。


5.如权利要求1所述的构建半监督图像分割框架的方法，其特征在于，所述监督型分割损失的计算...

【专利技术属性】
技术研发人员：潘志方，陈高翔，茹劲涛，
申请(专利权)人：温州医科大学，
类型：发明
国别省市：浙江;33