一种基于双模型交互学习的半监督医学图像分割方法及装置制造方法及图纸

本发明专利技术提出了一种基于双模型交互学习的半监督医学图像分割方法及装置，并辅以稳定性判断策略，用于解决半监督医学图像分割的伪标签质量问题。根据标签数据特征，该方法在有效学习标签数据知识时引入交叉熵和DICE的监督约束。根据伪标签特征，该方法引入伴随变量，其主要作用是缓解错误伪标签对模型学习过程的影响。对样本进行噪声增强，并在正式训练阶段提供基于样本预测结果和噪声样本预测结果之间的一致性损失。根据双模型对无标签数据的学习，该方法提出基于稳定性判断的伪标签筛选机制，实现双模型交互学习；本发明专利技术实现方法简便，手段灵活，在医学图像的训练数据上取得显著的分割效果提升。著的分割效果提升。著的分割效果提升。

【技术实现步骤摘要】
一种基于双模型交互学习的半监督医学图像分割方法及装置


[0001]本专利技术涉及图像分割领域
，特别涉及一种基于双模型交互学习的半监督医学图像分割方法及装置。

技术介绍

[0002]近年来，深度学习已经在图像分类、图像分割等视觉计算机任务中取得了显著的成功。虽然利用精细标记的数据进行全监督训练的深度学习模型在多种医学图像分割任务（如神经元结构、息肉、肝脏、胰腺分割等）中已取得了非常高的性能。但是全监督训练需要大量的像素级标注数据。真实世界中，对医学图像采集精确的像素级标签需要医学专家花费大量的时间，导致医学图像标注数据的获取往往成本更加昂贵且耗时。因此，降低数据的标记成本，即：利用较少的标记数据建立高性能的医学图像分割模型，在实际应用中至关重要。
[0003]近期利用少量的标记数据和大量的未标记数据的半监督学习方法获得大量的关注。许多半监督学习方法主要可以分成单模型和平均教师模型两类方法。单模型方法主要利用一致性约束或对抗训练来利用无标注数据的信息。基于对抗训练的单模型方法将分割模型当成生成器，并构建判别器用于区分生成的分割掩膜和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双模型交互学习的半监督医学图像分割方法，其特征在于，包括以下步骤：S1、将未经过数据增强处理的医学图像作为原始样本，在原始样本中的标注样本的分割结果和标注样本对应的真实标签之间构建监督约束；所述原始样本包括标注样本和无标注样本；S2、对原始样本进行数据增强得到噪声样本，并在原始样本和噪声样本的预测结果之间计算一致性损失；S3、对无标注样本的像素在两个医学图像分割的模型中的稳定性进行判断；利用一个模型中更稳定的像素信息去监督另一个模型训练，并计算两个模型训练前的稳定损失；两个医学图像分割的模型结构相同，且参数相互独立；S4、根据S1构建监督约束、S2中计算一致性损失获得的结果及S3中计算稳定损失获得的结果对医学图像分割的模型进行训练。2.如权利要求1所述的一种基于双模型交互学习的半监督医学图像分割方法，其特征在于，所述步骤S1具体包括如下子步骤：S11、计算标注样本的分割结果和真实标签之间的交叉熵损失；S12、计算标注样本的分割结果和真实标签之间的DICE损失；S13、根据交叉熵损失和DICE损失之间的均值，构建监督约束。3.如权利要求1所述的一种基于双模型交互学习的半监督医学图像分割方法，其特征在于，所述步骤S2具体包括如下子步骤：S21、对原始样本中的标注样本和无标注样本加入噪声干扰，得到相应的噪声数据和；S22、将噪声数据和输入模型中，得到噪声数据相对应分割结果和 和噪声数据相对应伴随变量和；S23、对于标注样本，在标注样本的分割结果和标注样本的伴随变量、标注样本的分割结果和噪声数据的伴随变量中引入一致性正则化，通过采用均方误差函数计算和、和之间的一致性损失；S24、对于无标注样本，将基于无标注样本的分割结果和噪声数据的分割结果分配伪标签，并利用伪标...

【专利技术属性】
技术研发人员：程乐超，李雪，方超伟，张鼎文，
申请(专利权)人：之江实验室，
类型：发明
国别省市：