一种基于聚类融合交叉学习的半监督医学图像分割方法技术

本发明专利技术公开了一种基于聚类融合交叉学习的半监督医学图像分割方法，CFCT采用与CPS类似的训练机制，通过两个子网络生成伪标签进行交叉训练学习来加强两个子网络之间的一致性，使用基于聚类融合的Mask Transformer网络取代传统的基于像素的分割网络，CFN在原始卷积神经网络主干的基础架构中引入了一个目标查询向量，通过将其与CNN骨干网络解码器中输出的多尺度像素特征进行交叉注意力计算来更新目标查询向量，将更新后的目标查询向量视为聚类中心，该聚类中心经过交叉注意力计算得到了不同聚类与像素之间的亲和力，其计算过程类似于经典的k‑means聚类算法，最后，通过一个分割头将更新后的聚类中心与骨干网络输出的图像像素特征合并，得到预测的分割结果。

【技术实现步骤摘要】

本专利技术涉及图像分割，特别涉及一种基于聚类融合交叉学习的半监督医学图像分割方法。

技术介绍

1、医学图像分割是计算机辅助诊断中的一项基础且关键的任务，目的在于以像素级别准确识别出目标器官、组织或病变区域。在计算机辅助诊断(cad)领域，基于深度学习的自动医学图像分割技术已被广泛研究。尽管深度神经网络相比传统算法表现出了显著的进展，但其在训练过程中需要大量的标注数据作为支撑。在实际应用中医学图像语义复杂，标注过程耗时耗力，限制了深度学习算法在该领域的进一步发展。相对地直接获取大量的医学影像数据较为容易，因此为了减轻对标注的依赖、降低成本，半监督学习算法得到了广泛的关注和研究。

2、半监督图像分割方法利用少量标注数据以及大量未标注数据来增强分割模型的准确性和泛化能力，其主要挑战在于如何有效地充分利用未标注数据的信息。基于一致性正则化的方法作为半监督学习的典型方法，通过对图像或网络特征进行扰动，以加强在不同扰动下预测的一致性。一种常见的方法是利用不同结构或不同参数的网络进行交叉训练和学习，其中的代表性方法是交叉伪标签监督(cps)方法。cps将带标本文档来自技高网...

【技术保护点】

1.一种基于聚类融合交叉学习的半监督医学图像分割方法，其特征在于：包括CFCT采用与CPS类似的训练机制，通过两个子网络生成伪标签进行交叉训练学习来加强两个子网络之间的一致性，CFCT提出了一种基于聚类融合的分割网络CFN取代传统的基于像素的分割网络，CFN在原始卷积神经网络主干的基础架构中引入了一个目标查询向量，通过将其与CNN骨干网络解码器中输出的多尺度像素特征进行交叉注意力计算来更新目标查询向量，将更新后的目标查询向量视为聚类中心，该聚类中心经过交叉注意力计算得到了不同聚类与像素之间的亲和力，最后，通过一个分割头将更新后的聚类中心与骨干网络输出的图像像素特征合并，得到预测的分割结果...

【技术特征摘要】

1.一种基于聚类融合交叉学习的半监督医学图像分割方法，其特征在于：包括cfct采用与cps类似的训练机制，通过两个子网络生成伪标签进行交叉训练学习来加强两个子网络之间的一致性，cfct提出了一种基于聚类融合的分割网络cfn取代传统的基于像素的分割网络，cfn在原始卷积神经网络主干的基础架构中引入了一个目标查询向量，通过将其与cnn骨干网络解码器中输出的多尺度像素特征进行交叉注意力计算来更新目标查询向量，将更新后的目标查询向量视为聚类中心，该聚类中心经过交叉注意力计算得到了不同聚类与像素之间的亲和力，最后，通过一个分割头将更新后的聚类中心与骨干网络输出的图像像素特征合并，得到预测的分割结果。

2.根据权利要求1所述的一种基于聚类融合交叉学习的半监督医学图像分割方法，其特征在于：骨干网络采用经典的u型网络结构，像素编码器采用resnet50，并设计了一个由残差模块组成的像素解码器处理上采样特征。

3.根据权利要求1所述的一种基于聚类融合交叉学习的半监督医学图像分割方法，其特征在于：聚类transformer解码器采用双重注意力机制，包含聚类中心与像素特征的交叉注意力以及聚类中心的自注意力，具体如下：首先引入一个参数可学习的特征向量作为聚类目标查询向量，随后将该查询向量与来自骨干网络解码器输出的多尺度特征分别进行交叉注意力计算，并使用基于聚类的argmax函数...

【专利技术属性】
技术研发人员：张怀堃，马义德，廉敬，鲁相玉，马沛，黄小丹，
申请(专利权)人：兰州大学，
类型：发明
国别省市：