【技术实现步骤摘要】
基于几何一致性约束的半监督医学图像分割方法
[0001]本专利技术属于医学图像分析中的自动图像分割领域，特别针对有标签的图像数据不足，无标签数据充足情况下的图像智能分割。
技术介绍
[0002]在实际临床应用中，根据医学图像实现对器官或病变区域的精准鲁棒分割扮演着十分重要的角色。精确的分割结果可以帮助医生更好的实现对疾病的诊断，定量分析以及为下一步的诊疗方案提供理论依据。近年来，随着医疗行业的快速发展和医学成像技术的不断进步，医学图像数据呈爆发式增长。然而，医学图像分析需要大量的专家知识以及时间消耗，因此，实现医学图像的自动分割可以有效的缓解影像学医师的工作压力，有着迫切的现实需求。
[0003]近年来，随着深度学习的兴起，有学者相继提出了针对不同器官或肿瘤的图像自动分割方法，主要基于U
‑
Net网络和其改进模型，有效的提升了分割的准确率。然而，这些方法大多基于有监督的设定，其分割性能的提升通常依赖于充足的有标注图像。正如上文所述，在实际临床应用中，获取医学图像标签的成本十分昂贵，有监督的设定并不合...
【技术保护点】
【技术特征摘要】
1.一种基于几何一致性约束的半监督医学图像分割方法，其特征在于，该方法具体为：获取医学图像，将医学图像输入至训练好的医学图像分割模型，获得医学图像分割结果；其中，所述医学图像分割模型通过如下方法训练获得：收集医学图像数据，对其中部分医学图像进行分割标注作为标签，获得训练数据集；构建用于训练的半监督医学图像分割网络，所述用于训练的半监督医学图像分割网络包括编码器、第一解码器和第二解码器；其中，编码器用于对输入的医学图像编码获得医学图像特征，第一解码器和第二解码器用于依据所述医学图像特征解码获得有符号距离图的预测结果和图像分割结果；将训练数据集作为半监督医学图像分割网络的输入，构建损失函数进行训练，直至损失函数收敛或达到预设的训练轮数；将训练好的编码器、第一解码器作为医学图像分割模型；所述损失函数表示如下：其中，λ是权重，为有监督的损失：β是加权系数，为第一解码器和第二解码器输出的有标签的医学图像对应的图像分割结果与标签的分割损失；为第一解码器和第二解码器输出的有标签的医学图像对应有符号距离图的预测结果与标签有符号距离图的预测损失；为无监督损失：其中，D表示图像的像素集合，和分别表示第一、第二解码器输出的图像分割结果，和分别表示第一、第二解码器输出的有符号距离图的预测结果；T
‑1表示有符号距离图到分割图的转换，ω1、ω2为指数加权系数：ρ为...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。