【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于对偶图像滤波的半监督医学图像分割方法及系统。
技术介绍
1、在医学图像处理领域，涉及大量的利用超声检测、计算机断层扫描(computedtomography，ct)和核磁共振成像(magnetic resonance imaging，mri)等先进医学影像技术，对涉及心脏、肝脏、肾脏等器官的疾病进行辅助诊断，这些非侵入性检测方法使医生能够在不对患者造成伤害的前提下深入了解患者体内器官的具体状况，因而得到了广泛采用。
2、随着深度学习技术的不断进展，医学图像分割领域也取得了重要突破。目前，利用深度学习技术辅助医生进行诊断已经成为现实。然而，深度学习在医学图像分析中的主要挑战是它需要大量由专业医生标注的样本进行训练，而这些标注过程既耗时又昂贵。因此，一种结合大量无标注图像和少量有标注图像的半监督医学图像分割方法成为了一种具有广阔潜力和前景的解决方案。医学图像中的器官和病灶一般具有特定的形状，现有半监督分割技术将医学图像分割问题处理为一个独立的像素级别分类任务，并没有考虑这些结构信息，导致在解剖学上并不合理的分割结果。
技术实现思路
1、本专利技术提供一种基于对偶图像滤波的半监督医学图像分割方法及系统，用以解决现有技术中针对医学图像分割采用半监督分割技术存在的缺陷。
2、第一方面，本专利技术提供一种基于对偶图像滤波的半监督医学图像分割方法，包括：
3、获取原始医学图像样本；
4、对原始医学图像样本进行
5、将有标注滤波图像输入不同初始化的两个预设图像分割神经网络进行独立训练，将无标注的对偶滤波图像分别输入不同初始化的两个预设图像分割神经网络生成各自网络对应的伪标签值，利用两个预设图像分割神经网络各自的伪标签监督另一个预设网络进行训练，得到半监督医学图像分割模型；
6、将待分割医学图像输入所述半监督医学图像分割模型，输出图像分割结果。
7、根据本专利技术提供的一种基于对偶图像滤波的半监督医学图像分割方法，对所述原始医学图像样本进行随机变换、树表示转换、树表示对偶滤波和像素表示转换，得到在树表示空间对偶滤波后保留关键拓扑区域的滤波图像，包括：
8、利用单调递增灰度值映射对所述原始医学图像样本进行随机变换，然后将变换后的图像转化为基于包含关系的最大树和最小树；
9、删除所述最大树和所述最小树中小于预设面积阈值的节点，得到新的最大树和新的最小树；
10、删除所述新的最大树和所述新的最小树中对应父节点仅有单个子节点的树节点，得到简化后最大树和简化后最小树；
11、将所述简化后最大树重建为像素点表示图像，得到灰度值提升的保留拓扑结构的滤波图像；
12、将所述简化后最小树重建为像素点表示图像，得到灰度值降低的保留拓扑结构的滤波图像。
13、根据本专利技术提供的一种基于对偶图像滤波的半监督医学图像分割方法，将有标注滤波图像输入不同初始化的两个预设图像分割神经网络进行独立训练，将无标注的对偶滤波图像分别输入不同初始化的两个预设图像分割神经网络生成各自网络对应的伪标签值，利用两个预设图像分割神经网络各自的伪标签监督另一个预设网络进行训练，得到半监督医学图像分割模型，包括：
14、将有标注的灰度值提升的保留拓扑结构的滤波图像和灰度值降低的保留拓扑结构的滤波图像分别输入两个预设图像分割神经网络进行独立训练，其中，所述两个预设图像分割神经网络为结构相同并不同初始化的神经网络结构；
15、将无标注的灰度值提升的保留拓扑结构的滤波图像和灰度值降低的保留拓扑结构的滤波图像分别由所述两个预设图像分割神经网络获得所述伪标签值；
16、利用两个预设图像分割神经网络各自的伪标签监督另一个预设图像分割神经网络进行训练得到所述半监督医学图像分割模型。
17、根据本专利技术提供的一种基于对偶图像滤波的半监督医学图像分割方法，将有标注的灰度值提升的保留拓扑结构的滤波图像和灰度值降低的保留拓扑结构的滤波图像分别输入两个预设图像分割神经网络进行独立训练，包括：
18、利用有标注的滤波图像，采用交叉熵损失函数cross entropy和dice loss损失函数对所述预设图像分割神经网络进行训练。
19、根据本专利技术提供的一种基于对偶图像滤波的半监督医学图像分割方法，将无标注的灰度值提升的保留拓扑结构的滤波图像和灰度值降低的保留拓扑结构的滤波图像分别由所述两个预设图像分割神经网络获得所述伪标签值，包括：
20、采用最大值自变量点集argmax函数对网络输出概率值处理，得到所述伪标签值。
21、根据本专利技术提供的一种基于对偶图像滤波的半监督医学图像分割方法，利用两个预设图像分割神经网络各自的伪标签监督另一个预设图像分割神经网络进行训练得到所述半监督医学图像分割模型，包括：
22、采用所述预设图像分割神经网络各自的伪标签值监督另一个所述图像分割神经网络输出概率值，采用交叉熵损失函数cross entropy对无标注滤波图像数据进行训练，输出所述半监督医学图像分割模型。
23、第二方面，本专利技术还提供一种基于对偶图像滤波的半监督医学图像分割系统，包括：
24、获取模块，用于获取原始医学图像样本；
25、图像滤波模块，对原始医学图像样本进行随机变换、树表示转换、树表示对偶滤波和像素表示转换，得到在树表示空间对偶滤波后保留关键拓扑区域的滤波图像；
26、训练模块，将有标注滤波图像输入不同初始化的两个预设图像分割神经网络进行独立训练，将无标注的对偶滤波图像分别输入不同初始化的两个预设图像分割神经网络生成各自网络对应的伪标签值，利用两个预设图像分割神经网络各自的伪标签监督另一个预设网络进行训练，得到半监督医学图像分割模型；
27、分割模块，用于将待分割医学图像输入所述半监督医学图像分割模型，输出图像分割结果。
28、第三方面，本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于对偶图像滤波的半监督医学图像分割方法。
29、第四方面，本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于对偶图像滤波的半监督医学图像分割方法。
30、第五方面，本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于对偶图像滤波的半监督医学图像分割方法。
31、本专利技术提供的基于对偶图像滤波的半监督医学图像分割方法及系统，通过采用基于树表示的滤波方法能更好利用医学图像器官和病灶的结构先验，可以保留图像关键拓扑区域，不增加新的物体边缘，在半本文档来自技高网...
【技术保护点】
1.一种基于对偶图像滤波的半监督医学图像分割方法，其特征在于，包括：
2.根据权利要求1所述的基于对偶图像滤波的半监督医学图像分割方法，其特征在于，对所述原始医学图像样本进行随机变换、树表示转换、树表示对偶滤波和像素表示转换，得到
3.根据权利要求1所述的基于对偶图像滤波的半监督医学图像分割方法，其特征在于，将有标注对偶滤波图像输入不同初始化的两个预设图像分割神经网络进行独立训练，将无标注的对偶滤波图像分别输入不同初始化的两个预设图像分割神经网络生成各自网络对应的伪标签值，利用两个预设图像分割神经网络各自的伪标签监督另一个预设网络进行训练，得到半监督医学图像分割模型，包括：
4.根据权利要求3所述的基于对偶图像滤波的半监督医学图像分割方法，其特征在于，将有标注的灰度值提升的保留拓扑结构的滤波图像和灰度值降低的保留拓扑结构的滤波图像分别输入两个预设图像分割神经网络进行独立训练，包括：
5.根据权利要求3所述的基于对偶图像滤波的半监督医学图像分割方法，其特征在于，将无标注的灰度值提升的保留拓扑结构的滤波图像和灰度值降低的保留拓扑结构的滤
6.根据权利要求5所述的基于对偶图像滤波的半监督医学图像分割方法，其特征在于，利用两个预设图像分割神经网络各自的伪标签监督另一个预设图像分割神经网络进行训练得到所述半监督医学图像分割模型，包括：
7.一种基于对偶图像滤波的半监督医学图像分割系统，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于对偶图像滤波的半监督医学图像分割方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于对偶图像滤波的半监督医学图像分割方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于对偶图像滤波的半监督医学图像分割方法。
...【技术特征摘要】
1.一种基于对偶图像滤波的半监督医学图像分割方法，其特征在于，包括：
2.根据权利要求1所述的基于对偶图像滤波的半监督医学图像分割方法，其特征在于，对所述原始医学图像样本进行随机变换、树表示转换、树表示对偶滤波和像素表示转换，得到
3.根据权利要求1所述的基于对偶图像滤波的半监督医学图像分割方法，其特征在于，将有标注对偶滤波图像输入不同初始化的两个预设图像分割神经网络进行独立训练，将无标注的对偶滤波图像分别输入不同初始化的两个预设图像分割神经网络生成各自网络对应的伪标签值，利用两个预设图像分割神经网络各自的伪标签监督另一个预设网络进行训练，得到半监督医学图像分割模型，包括：
4.根据权利要求3所述的基于对偶图像滤波的半监督医学图像分割方法，其特征在于，将有标注的灰度值提升的保留拓扑结构的滤波图像和灰度值降低的保留拓扑结构的滤波图像分别输入两个预设图像分割神经网络进行独立训练，包括：
5.根据权利要求3所述的基于对偶图像滤波的半监督医学图像分割方法，其特征在于，将无标注的灰度值提升的保留拓扑结构的...
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。