【技术实现步骤摘要】
本专利技术涉及医学图像处理，尤其是涉及一种基于互校正和像素级对比学习的半监督医学图像分割方法。
技术介绍
1、医学图像的精确分割是计算机辅助诊断的关键研究之一。近年来，深度学习模型的出现极大地提升了医学图像分割的性能。然而，这些高性能的深度学习模型非常依赖于大量高质量的标注数据集，同时，医学图像精确的像素级注释耗时耗力并且需要大量的专业知识。
2、现有的医学图像分割半监督方法大致可以分为基于伪标签自训练、协同训练和一致性正则化的方法。在这些方法实现过程中，如何处理半监督学习固有的确认偏差问题不容忽视。部分方法采用阈值法或不确定性估计来排除来自不可靠伪标签的监督信号，部分方法针对标记数据的预测不一致区域引入额外的校正损失以纠正潜在错误。但是，这些方法没有考虑多分类情况或者忽略了如何处理无标签数据预测的潜在错误。
3、此外，像素级对比学习中，存在噪声的伪标签可能导致基于伪标签的像素级对比学习往错误方向优化特征表示，即噪声采样问题。尽管最近部分方法采用不确定性估计来排除高不确定性区域的像素，一定程度上缓解了噪声采样的问...
【技术保护点】
1.一种基于互校正和像素级对比学习的半监督医学图像分割方法，其特征在于，利用预训练好的包括两个子网络的半监督医学图像分割模型实现对给定医学图像的分割，所述半监督医学图像分割模型的训练过程包括如下步骤：
2.根据权利要求1所述的一种基于互校正和像素级对比学习的半监督医学图像分割方法，其特征在于，针对所述有标签数据，计算所述的预测不一致区域内的校正损失的过程包括如下步骤：
3.根据权利要求2所述的一种基于互校正和像素级对比学习的半监督医学图像分割方法，其特征在于，针对所述有标签数据，计算所述的预测不一致区域内的校正损失采用下式计算：
4...
【技术特征摘要】
1.一种基于互校正和像素级对比学习的半监督医学图像分割方法，其特征在于，利用预训练好的包括两个子网络的半监督医学图像分割模型实现对给定医学图像的分割，所述半监督医学图像分割模型的训练过程包括如下步骤：
2.根据权利要求1所述的一种基于互校正和像素级对比学习的半监督医学图像分割方法，其特征在于，针对所述有标签数据，计算所述的预测不一致区域内的校正损失的过程包括如下步骤：
3.根据权利要求2所述的一种基于互校正和像素级对比学习的半监督医学图像分割方法，其特征在于，针对所述有标签数据，计算所述的预测不一致区域内的校正损失采用下式计算：
4.根据权利要求1所述的一种基于互校正和像素级对比学习的半监督医学图像分割方法，其特征在于，针对所述无标签数据，计算所述的预测不一致区域内的校正损失的过程包括如下步骤：
5.根据权利要求4所述的一种基于互校正和像素级对比学习的半监督医学图像分割方法，其特征在于，针对所...
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。