一种基于半监督学习的医学图像分割方法技术

本发明专利技术公开了一种半监督学习医学图像分割方法：步骤一：预训练；首先针对第一原始医学图像对精修复网络进行预训练；得到训练好的精修复网络；步骤二(微调)：将训练好的精修复网络中编码器与随机初始化的解码器结合得到分割网络；对第二原始医学图像集经过人工标注得到分割数据集；利用分割数据集对分割网络进行训练，得到训练好的分割网络；步骤三：利用训练好的分割网络作为教师模型进行自训练得到训练好的学生模型；步骤四：将待分割图像输入训练好的学生模型得到分割结果。本发明专利技术的方法利用容易获取的、大量的原始数据，解决了用于训练深度学习分割模型的标注数据不足导致分割准确性低的技术问题。准确性低的技术问题。准确性低的技术问题。

【技术实现步骤摘要】
一种基于半监督学习的医学图像分割方法


[0001]本专利技术属于医学图像分割
，涉及一种基于半监督学习的医学图像分割方法。

技术介绍

[0002]本专利技术涉及到医学图像分割和半监督学习算法两个部分：
[0003]1)医学图像分割
[0004]近期对医学图像分割的研究主要集中在分割模型的改进上，CS
‑
Net、CE
‑
Net、 MDACN等都注重于设计多尺度信息融合模块来提升医学图像分割性能。但是医学数据集不足的问题仍然制约着模型能力的进一步提升，在此背景下利用无标签数据的图像分割方法尚未提出。
[0005]CS
‑
Net是通用的统一曲线结构分割网络，适用于不同的医学成像方式：光学相干断层扫描血管造影(OCT
‑
A)，彩色眼底图像和角膜共聚焦显微图像(CCM)。该网络在编码器和解码器中加入了自我注意机制，取代了基于U
‑
net的卷积神经网络。利用空间注意力和通道注意力两种类型的注意力模块，进一步自适应地将局部特征与其全局依赖关系相结合。
[0006]CE
‑
Net是一种上下文编码器网络，可以捕获更多的高级信息，并为二维医学图像分割保留空间信息。CE
‑
Net主要包含三个主要组件：特征编码器模块、上下文提取器和特征解码器模块。上下文提取模块由新提出的密集空洞卷积(DAC)块和剩余多核池(RMP)块组成。
[0007]MDACN是一种新的多鉴别器对抗卷积网络，其中生成器和两个鉴别器都强调多尺度特征表示。该生成器是一个U型的全卷积网络，具有多尺度拆分和拼接块，两种鉴别器具有不同的有效接收域，对不同尺度的特征敏感。
[0008]2)半监督学习算法
[0009]在现实医学场景中，无标签的数据相对易于获取，而有标签的数据收集起来通常很困难，标注也耗时和耗力。在这种情况下，半监督学习更适用于真实场景中的应用，近来也已成为深度学习领域热门的新方向，该方法只需要少量有带标签的样本和大量无标签的样本作为训练数据。
[0010]Mean Teacher是一种平均模型权重的方法，而不是平均预测标签权重。另外， Mean Teacher提高了测试的准确性，并使训练比时态集成更少的标签。
[0011]Uncertainty
‑
Aware Self
‑
Ensembling是一种新的不确定感知的半监督框架，用于从 3D MR图像中分割左心房。该方法可以通过鼓励在不同扰动下对相同输入的一致预测来有效地利用未标记数据。具体来说，该框架由学生模型和教师模型组成，学生模型通过最小化教师模型的分割损失和一致性损失来学习教师模型。本方法设计了一种新的不确定性感知方案，使学生模型能够利用不确定性信息逐步学习有意义的、可靠的目标。
[0012]Cross Pseudo Supervision是一种新的一致性正则化方法，称为交叉伪监督。该方法对相同的输入图像采用不同的初始化扰动，使两个分割网络具有一致性。由一个扰动
分割网络输出的伪一热标签图，用标准的交叉熵损失监督另一个分割网络，反之亦然。
[0013]Deep Adversarial Networks是一种新的深度对抗网络生物医学图像分割模型，目的是在有注释和无注释的图像上获得一致良好的分割结果。该模型由两个网络组成： (1)分割网络(SN)进行分割；(2)一个评价网络(EN)来评估分割质量。在训练过程中，鼓励EN将未标注图像的分割结果与标注图像的分割结果进行区分(给予不同的分数)，而鼓励SN生成未标注图像的分割结果，使EN无法将未标注图像与标注图像区分开来。通过迭代对抗性训练过程，由于EN不断“批评”未标注图像的分割结果，因此可以训练SN对未标注的样本产生越来越准确的分割。
[0014]综上，国内外在医学图像分割问题的研究上取得了一定的进展，但是存在用于训练深度学习分割模型的标注数据不足的技术问题，这一问题制约了模型性能的进一步提升。然而绘制一张精确的标注数据需要花费专业医生十分钟至半个小时的时间，并且存在主观性强等缺点，因此靠医生标注来解决标注数据不足的问题变得十分困难。

技术实现思路

[0015]本专利技术的目的在于，提供一种基于半监督学习的医学图像分割方法，以解决现有用于训练深度学习分割模型的标注数据不足导致分割准确性低的技术问题。
[0016]为了达到上述目的，本专利技术采用如下技术方案予以解决：
[0017]一种基于半监督学习的医学图像分割方法，包括如下步骤：
[0018]步骤一：预训练；包括如下子步骤：
[0019]步骤1：将第一原始医学图像集作为修复数据集，将修复数据集中的每一幅图像进行随机遮盖并输入粗修复网络进行训练，得到粗修复特征图；
[0020]步骤2：将步骤1得到的粗修复特征图输入精修复网络的编码器，经精修复网络训练后，得到精修复特征图以及训练好的精修复网络；
[0021]步骤3：将精修复特征图与步骤1中对修复数据集中图像随机遮盖的位置数据一起输入判别器，得到判别器的输出结果。
[0022]步骤4：将判别器的输出结果反向输入精修复网络，得到训练好的精修复网络；
[0023]步骤二：微调：将步骤一得到的训练好的精修复网络中的编码器与随机初始化的解码器结合，得到分割网络；对第二原始医学图像集经过人工标注得到分割数据集；将分割数据集输入分割网络，输出分割结果，并将分割结果与分割数据集中的标注一起反向输入分割网络训练，得到训练好的分割网络；
[0024]步骤三：采用半监督学习算法进行自训练：将步骤二得到的训练好的分割网络作为教师模型，采用教师模型对步骤一中的第一原始医学图像集生成伪标签，并将伪标签与分割数据集结合得到新的训练集；将新的训练集进行数据增强并输入学生模型进行训练，得到训练好的学生模型。
[0025]步骤四：将待分割的医学图像输入到步骤三训练好的学生模型，得到图像分割结果。
[0026]进一步的，所述步骤一中，所述粗修复网络采用门控卷积。
[0027]进一步的，所述步骤一中，所述精修复网络使用典型深度学习分割网络。
[0028]进一步的，所述步骤二中，训练分割网络时，取Dice损失与二维交叉熵损失的加权
和L＝αl
dice
+(1
‑
α)l
BCE
作为最终损失函数，其中α＝0.5。
[0029]进一步的，所述步骤三中，所述学生模型采用典型深度学习分割网络。
[0030]进一步的，所述步骤三中，所述半监督学习算法采用ST++算法、Mean Teacher 或Noisy Student。
[0031]相较于现有技术，本专利技术具有如下技术效果：
[0032]1)由于获得医学图像的原始数据相对比较容易，因此本专利技术的方法利用容易获取的、大量的原始数据，提升模型的性能，解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半监督学习的医学图像分割方法，其特征在于，包括如下步骤：步骤一：预训练；包括如下子步骤：步骤1：将第一原始医学图像集作为修复数据集，将修复数据集中的每一幅图像进行随机遮盖并输入粗修复网络进行训练，得到粗修复特征图；步骤2：将步骤1得到的粗修复特征图输入精修复网络的编码器，经精修复网络训练后，得到精修复特征图以及训练好的精修复网络；步骤3：将精修复特征图与步骤1中对修复数据集中图像随机遮盖的位置数据一起输入判别器，得到判别器的输出结果。步骤4：将判别器的输出结果反向输入精修复网络，得到训练好的精修复网络；步骤二：微调：将步骤一得到的训练好的精修复网络中的编码器与随机初始化的解码器结合，得到分割网络；对第二原始医学图像集经过人工标注得到分割数据集；将分割数据集输入分割网络，输出分割结果，并将分割结果与分割数据集中的标注一起反向输入分割网络训练，得到训练好的分割网络；步骤三：采用半监督学习算法进行自训练：将步骤二得到的训练好的分割网络作为教师模型，采用教师模型对步骤一中的第一原始医学图像集生成伪标签，并将伪标签与分割数据集结合得到新的训练集；以随机初始化的分割...

【专利技术属性】
技术研发人员：吴俊，沈博，张瀚文，何明鑫，刘洋，何贵青，蒋晓悦，夏召强，谢红梅，李会方，冯晓毅，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：