一种半监督学习的图像分割方法、系统及终端技术方案

本申请公开了一种半监督学习的图像分割方法、系统及终端，使用带标签图像的第一数据集对图像分割网络进行训练；将无标签图像的数据集输入训练后的图像分割网络获得无标签图像对应的伪标签数据集；合并伪标签数据集和初始带标签图像的数据集获得第二数据集；采用第二数据集再次训练图像分割网络，训练完成后输入下一批无标签图像数据集，进行预测产生伪标签。在每次产生伪标签并扩充至训练集之后，由于加入了新的训练数据，网络在不断地学习新的特征，直至最后得到一个训练好的分割网络。该方法实现了联合使用少量标记数据和大量未标记数据对分割网络进行有效训练，从而提升组织分割精度的目的，降低了深度学习图像分割方法对标签数据的依赖性。对标签数据的依赖性。对标签数据的依赖性。

【技术实现步骤摘要】
一种半监督学习的图像分割方法、系统及终端


[0001]本申请涉及图像分割处理
，具体涉及一种半监督学习的图像分割方法、系统及终端。

技术介绍

[0002]近年来，以深度卷积神经网络为代表的深度学习方法通过对大量的标注样本进行学习，能够自动提取出大量有效的高层次特征，从而提高组织分割精度。全卷积神经网络可以直接处理整个图像，实现端到端的图像分割。2015 年，Ronneberger提出UNet并将其应用于生物医学图像分割领域中，这是其在生物医学图像分割领域的第一次应用。由于UNet可以结合高级语义信息和低级信息，近几年来国内外很多研究者将UNet作为主干网络应用到很多自动组织分割任务中。Cicek将UNet拓展到三维图像领域。Christ等人采用两个级联的UNet模型实现组织及肿瘤的分割。Liu等人将改进的UNet与主动轮廓边界演化方法相结合实现了组织CT图像的精确分割。
[0003]随着研究的不断深入，有学者发现在使用3DUNet进行图像分割时会出现特征冗余现象。注意力机制可以增加有效特征的权重，使得网络忽略无关信息并关注有效信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种半监督学习的图像分割方法，其特征在于，所述方法包括：使用带标签图像的第一数据集对图像分割网络进行训练；将无标签图像的数据集输入训练后的所述图像分割网络获得无标签图像对应的伪标签数据集；合并所述伪标签数据集和初始带标签图像的数据集获得第二数据集；采用第二数据集再次训练所述图像分割网络，训练完成后输入下一批无标签图像数据集，进行预测产生伪标签。2.根据权利要求1所述的半监督学习的图像分割方法，其特征在于，所述将无标签图像的数据集输入训练后的所述图像分割网络获得无标签图像对应的伪标签数据集，包括：将无标签图像的数据集随机分为n个子数据集；将所述子数据集依次输入所述图像分割网络中，所述图像分割网络不断对所述子数据中的无标签图像进行预测，产生对应的分割结果；使用全连接条件随机场Dense CRF对所述分割结果进行边缘细化处理；将细化获得的伪标签添加到所述子数据集中获得伪标签数据集。3.根据权利要求2所述的半监督学习的图像分割方法，其特征在于，所述使用全连接条件随机场Dense CRF对所述分割结果进行边缘细化处理包括：将原始图像表示为节点图模型，每个像素为图中的节点；确定每个像素与所有的像素相连接构成的连接边；如果两个像素相似度较高，则会被分配到相同的标签；或者，如果两个像素相似度较低，则会被分配到不同的标签。4.根据权利要求2或3所述的半监督学习的图像分割方法，其特征在于，所述Dense CRF的能量函数为：其中，ψ
u
(f
i
)＝
‑
logP(f
i
)表示一元势能，是模型通过激活函数softmax得到的逐像素类别概率；其中f
i
表示经过分割网络后像素i得到的预测结果，P(f
i
)为像素i的预测结果为的概率，第二项ψ
p
(f
i
,f
j
)是像素i和像素j上的预测结果f
i
，f
j
之间的二元势能，用于描述原始图像中像素点和像素点之间的关系；其中，μ(f
i
,f
j
)为标签兼容项，f
i
≠f
j
时，μ(f
i
,f
j
)＝1，否则为0，x代表像素之间的位置信息，y代表该像素强度值，x和y均原始图像提供。5.根据权利要求1
‑
4任一项所述的半监督学习的图像分割方法，其特征在于，所述图像分割网络为3D scSE<...

【专利技术属性】
技术研发人员：周志勇，戴亚康，刘燕，耿辰，胡冀苏，钱旭升，
申请(专利权)人：济南国科医工科技发展有限公司，
类型：发明
国别省市：