一种基于离散小波变换和边缘特征的半监督甲状腺超声图像分割方法技术

本发明专利技术提出一种基于离散小波变换和边缘特征的半监督甲状腺超声图像分割方法。该方法包括五个步骤：1)图像预处理；2)基于卷积和小波变换的特征提取；3)基于Mean

【技术实现步骤摘要】
一种基于离散小波变换和边缘特征的半监督甲状腺超声图像分割方法


[0001]本专利技术属于图像处理
，涉及超声图像的半监督甲状腺超声图像分割方法，具体涉及图像处理、医学图像分析、离散小波变换、半监督学习及甲状腺超声图像分割等领域研究，是一种基于离散小波变换和边缘特征的半监督甲状腺超声图像分割方法。

技术介绍

[0002]甲状腺肿大是一种常见的疾病，其病因很复杂，包括营养不良、遗传因素、荷尔蒙失调、免疫系统异常等。甲状腺肿大可以分为弥漫性甲状腺肿和结节性甲状腺肿两种类型。弥漫性甲状腺肿是指整个甲状腺组织都在不规律地生长，而结节性甲状腺肿是指甲状腺中有一个或多个结节在不规律地生长。甲状腺肿大的严重程度不同，轻者可能不需要治疗，但重者可能需要手术治疗。
[0003]超声检查是一种被广泛应用的甲状腺肿大诊断技术，它能够帮助医生确定甲状腺肿大的位置、大小、形状等信息。然而，超声图像的特点，如器官轮廓不清晰、图像噪声等，给医生进行主观诊断带来了挑战。此外，甲状腺肿大的形态多变，甲状腺与邻近组织的重叠也增加了诊断的难度。因此，自动化的甲状腺分割方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于离散小波变换和边缘特征的半监督甲状腺超声图像分割方法，其特征在于：所述方法包括如下步骤：步骤一：ROI的选择和预处理，ROI的尺寸大小设置为224*224，在选择ROI时选择甲状腺区域突出、纹理清晰的部分，并选择均匀、能突出甲状腺实质特点的部分，将ROI图像的灰度值映射到0
‑
255之间；步骤二：基于卷积和小波变换的特征提取；步骤三：基于Mean
‑
Teacher构建半监督深度学习模型；步骤四：基于凸度的边缘特征评估；步骤五：基于主动轮廓的边缘特征评估。2.根据权利要求1所述的方法，其特征在于：在步骤二中，编码器部分操作流程具体为：步骤二一、对ROI进行卷积操作，得到空间域特征图X；步骤二二、对X进行二维离散小波变换2D
‑
DWT，得到低频子图LL和高频子图LH，HL，HH；步骤二三、对低频子图LL进行卷积操作，减少高频噪声对于特征提取的影响，得到特征图Y。3.根据权利要求2所述的方法，其特征在于：在步骤二中，解码器操作流程具体为：步骤二四、将特征图Z和同层次编码器得到的高频子图进行拼接，整合频域信息，更加全面地表示图像的纹理信息，得到特征图T；步骤二五、对特征图T进行逆离散小波变换IDWT，得到空域特征图R；步骤二六、对空域特征图R进行卷积操作，解码特征图的信息，得到融合后的图像，包含了原始图像的频率特征和语义信息。4.根据权利要求1所述的方法，其特征在于：所述半监督深度学习模型包括学生模型和教师模型；学生模型的网络参数通过学习，梯度下降获得；教师模型的网络参数通过学生模型的网络参数的移动平均得到；教师模型的网络参数通过学生模型网络参数的移动平均计算更新。5.根据权利要求4所述的方法，其特征在于：所述教师模型的网络参数更新具体为：假设有一批训练样本X1，X2，其中X1是有标签数据，对应标签是Z1，X2是无标签数据；具体的流程如下：(1)把这一批样本作为学生网络输入，然后分别得到输出的标签：Ys1，Ys2；(2)构造对于有标签数据X1的损失函数，有标签分类损失函数L1(Z1，Ys1)；(3)把这批数据作为教师模型的输入，得到输出的标签Yt1，Yt2；(4)构造无监督损失函数L2，采用均方误差损失...

【专利技术属性】
技术研发人员：李丹丹，姜宇，金晶，沈毅，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：