基于伪标签散度主动学习的劲动脉超声图像内膜分割方法技术

本发明专利技术公开了一种基于伪标签散度主动学习的劲动脉超声图像内膜分割方法，首先通过标注图像集对学生网络参数进行拟合，使得学生网络的性能呈大幅上升的趋势，在训练后期监测平均交并比变化速率，如果平均交并比变化速率小于早停参数则停止拟合，以避免过拟合；并且将基于已更新教师网络针对标注图像的每帧像素输出的最大预测值与标签细化参数进行比较，基于比较结果更新标注标签得到更为准确的标注标签，基于以上两点，本发明专利技术提供的方法能够更为准确的预测劲动脉超声图像内膜。为准确的预测劲动脉超声图像内膜。为准确的预测劲动脉超声图像内膜。

【技术实现步骤摘要】
基于伪标签散度主动学习的劲动脉超声图像内膜分割方法


[0001]本专利技术属于图像处理领域，具体涉及一种基于伪标签散度主动学习的劲动脉超声图像内膜分割方法。

技术介绍

[0002]颈动脉内膜
‑
中膜(Carotid Intima
‑
Media，CIM)，即管腔
‑
内膜(Lumen
‑
Intima，LI)和中膜
‑
前膜(Media
‑
Adventitia，MA)之间的部位，其形态与肥胖和动脉粥样硬化疾病呈正相关。其中一种准确识别CIM形态的方案是通过基于深度学习的医学图像分割。与常规超声扫描相比，CIM分割通过测量内膜
‑
中层的厚度和粗糙度可为肥胖和动脉硬化疾病提供更精确的形态学依据。
[0003]公开号为CN113159223A的中国专利公开了一种基于自监督学习的颈动脉超声图像识别方法。所述方法包括以下步骤：(1)采集颈动脉超声图像并预处理；(2)根据预处理后所得的超声图像数据集使用自监督学习的辅助任务函数扩充数据集和生成对应的伪标签；(3)将从步骤(2)所得的新的超声图像数据集载入神经网络中训练，保存学习到的最优网络权重参数；(4)将网络权重参数迁移到目标神经网络中，对步骤(1)所得的预处理后的超声图像数据集进行学习，得到目标神经网络的最优网络模型，再对测试集进行测试获得最终测试精度。本方法将自监督学习方法应用于颈动脉超声图像提取特征的表面变化和内部特性，为病变区域的预测提供了一种定量的分析方法。
[0004]文献K.M.Meiburger,F.Marzola,G.Zahnd,F.Faita,C.P.Loizou,N.Laine
′
,C.Carvalho,D.A.Steinman,L.Gibello,R.M.Bruno et al.,“Carotid ultrasound boundary study(cubs):Technical considerations on an open multi
‑
center analysis of computerized measurement systems for intimamedia thickness measurement on common carotid artery longitudinal b
‑
mode ultrasound scans,”Computers in Biology and Medicine,vol.144,p.105333,2022.提出了一种基于区域的全自动分割方法。在像素大小为618
×
512的超声图中沿y轴裁剪大小为128
×
512的感兴趣区域，这些区域有重叠。用裁剪出来的感兴趣区域图像对扩张U
‑
Net网络进行全监督训练。最后，将已训练好的模型用于每个感兴趣区域的预测，将所有的预测拼接组合成完整的预测图，重叠部分取均值作为预测。
[0005]上述专利和文献公开的颈动脉超声图像识别方法使用的部分超声扫描图像上的CIM区域模糊不清，难以辨别内膜准确位置。以及临床上的标签通常是注释在边界处的离散标注点，并不适用于深度学习，需要通过插值连接两个相邻的标注点以获得连续的边界区域标注。因此，数据集中会包含大量CIM区域模糊、标签含噪声的图像，从而影响模型的训练和泛化性能，降低分割的准确度，不利于从图像中获取血管内膜的形态学信息以辅助诊断。

技术实现思路

[0006]本专利技术提供了一种基于伪标签散度主动学习的劲动脉超声图像内膜分割方法，该
方法能够准确的预测颈动脉超图图像内膜，以及能够对标注标签进行优化。
[0007]本专利技术具体实施例提供了一种基于伪标签散度主动学习的劲动脉超声图像内膜分割方法，其特征在于，包括：
[0008]S1、将劲动脉超声图像集作为训练集，将训练集分为标注图像集和未标注图像集，通过标注图像集和标注标签构建标注池；
[0009]S2、初始化学生网络和教师网络参数，通过内循环更新学生网络和教师网络参数，以及优化标注标签，包括：
[0010]S21、依次基于标注图像集采用监督损失函数和基于未标注图像集采用一致性损失函数更新学生网络参数得到优化后的学生网络；
[0011]S22、基于更新后的学生网络参数采用指数移动平均方法更新教师网络参数，通过标注图像集采用优化后的学生网络得到预测值，并获得所述预测值与标注标签的平均交并比；
[0012]S23、若内循环的当前周期数达到第一周期数阈值，则对得到的平均交并比与对应的内循环的周期数进行拟合得到拟合函数，否则迭代步骤S21
‑
S22；
[0013]S24、对拟合函数求导，采用求导后的函数基于当前和上一次内循环周期数得到平均交并比变化速率，若平均交并比变化速率小于早停参数，则基于已更新教师网络针对标注图像的每帧像素输出的最大预测值与标签细化参数进行比较，基于比较结果更新标注标签得到优化后标注标签，否则迭代步骤S21
‑
S23，将劲动脉超声图像输入优化后的教师网络得到内膜预测值。
[0014]进一步的，通过外循环的训练得到优化后标注池和未标注图像，并得到最终教师网络，包括：
[0015]S3、将未标注图像集中的部分未标注图像进行标注从而对标注图像集和未标注图像集进行优化，包括：
[0016]S31、基于优化后的教师网络和学生网络的预测结果计算未标注图像集中的图像样本的KL散度；
[0017]S32、未标注图像集中的图像样本的KL散度进行降序排列，筛选排名前n个KL散度对应的未标图像样本；
[0018]S33、对筛选的未标图像样本进行再次标注得到新的标注标签，并将再次标注后的图像样本加入到标注图像集和从未标注图像集中剔除分别得到优化后的标注图像集和未标注图像集，通过优化后的标注图像、新的标注标签和优化后标注标签构建优化后标注池；
[0019]S4、若外循环的周期数达到第二周期数阈值，则停止外循环得到最终教师网络，否则迭代步骤S2
‑
S3；所述外循环的周期为步骤S2
‑
S4。
[0020]进一步的，基于优化后的教师网络和学生网络的预测结果计算未标注图像样本x
u
的KL散度d(x
u
)为：
[0021]d(x
u
)＝mean
i，j
Div
KL
(x
u
(i，j)，θ
S
，θ
T
)
[0022][0023]其中，mean
i，j
Div
KL
(
·
)为对未标注图像样本x
u
中的每个像素位置进行KL散度计算
后取平均值，θ
S
为通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于伪标签散度主动学习的劲动脉超声图像内膜分割方法，其特征在于，包括：S1、将劲动脉超声图像集作为训练集，将训练集分为标注图像集和未标注图像集，通过标注图像集和标注标签构建标注池；S2、初始化学生网络和教师网络参数，通过内循环更新学生网络和教师网络参数，以及优化标注标签，包括：S21、依次基于标注图像集采用监督损失函数和基于未标注图像集采用一致性损失函数更新学生网络参数得到优化后的学生网络；S22、基于更新后的学生网络参数采用指数移动平均方法更新教师网络参数，通过标注图像集采用优化后的学生网络得到预测值，并获得所述预测值与标注标签的平均交并比；S23、若内循环的当前周期数达到第一周期数阈值，则对得到的平均交并比与对应的内循环的周期数进行拟合得到拟合函数，否则迭代步骤S21
‑
S22；S24、对拟合函数求导，采用求导后的函数基于当前和上一次内循环周期数得到平均交并比变化速率，若平均交并比变化速率小于早停参数，则基于已更新教师网络针对标注图像的每帧像素输出的最大预测值与标签细化参数进行比较，基于比较结果更新标注标签得到优化后标注标签，否则迭代步骤S21
‑
S23，将劲动脉超声图像输入优化后的教师网络得到内膜预测值。2.根据权利要求1所述的基于伪标签散度主动学习的劲动脉超声图像内膜分割方法，其特征在于，通过外循环的训练得到优化后标注池和未标注图像，并得到最终教师网络，包括：S3、将未标注图像集中的部分未标注图像进行标注从而对标注图像集和未标注图像集进行优化，包括：S31、基于优化后的教师网络和学生网络的预测结果计算未标注图像集中的图像样本的KL散度；S32、未标注图像集中的图像样本的KL散度进行降序排列，筛选排名前n个KL散度对应的未标图像样本；S33、对筛选的未标图像样本进行再次标注得到新的标注标签，并将再次标注后的图像样本加入到标注图像集和从未标注图像集中剔除分别得到优化后的标注图像集和未标注图像集，通过优化后的标注图像、新的标注标签和优化后标注标签构建优化后标注池；S4、若外循环的周期数达到第二周期数阈值，则停止外循环得到最终教师网络，否则迭代步骤S2
‑
S3；所述外循环的周期为步骤S2
‑
S4。3.根据权利要求2所述的基于伪标签散度主动学习的劲动脉超声图像内膜分割方法，其特征在于，基于优化后的教师网络和学生网络的预测结果计算未标注图像样本x
u
的KL散度d(x
u
)为：d(x
u
)＝mean
i,j
Div
KL
(x
u
(i,j),θ
S
,θ
T
)其中，mean
i,j
Div
KL
(
·
)为对未标注图像样本x
u
中的每个像素位置进行KL散度计算后取平均值，θ
S
为通过内循环得到的优化后...

【专利技术属性】
技术研发人员：唐语骋，徐翔，
申请(专利权)人：浙江大学，
类型：发明
国别省市：