【技术实现步骤摘要】
本专利技术涉及医学图像处理，具体为一种基于置信掩膜引导对比学习的半监督医学图像分割方法。
技术介绍
1、医学图像分割是在医学图像处理中的一个重要任务，其目标是识别图像中的目标区域，如器官、病灶或细胞等，可应用于疾病的诊断、手术的规划等方面，辅助医生进行临床治疗。在早期，医学图像分割主要依赖于专家的经验和人工操作，这种方法虽然较为准确，但是效率低下，且易受主观因素影响。因此，开发出分割精度高的自动化分割技术有着重要的意义。随着深度学习技术的发展，人们开发出了一系列基于深度学习的医学图像分割技术，使用卷积神经网络(cnn)提取图像的特征信息，经过训练得到的基于cnn的神经网络分割模型具有较高的准确度。然而，早期基于深度学习的医学图像分割技术主要基于全监督学习方式，这些分割模型往往需要使用大量的标注数据训练才能获得不错的性能，这在医学图像处理任务中不易实现，因为医学图像数据具有隐私性、稀缺性特点，且对其进行标注需要专家复出大量的精力和时间。
2、为了解决上述问题，半监督学习技术吸引了人们的关注。与基于全监督范式的医学图像分割方法相...
【技术保护点】
1.一种基于置信掩膜引导对比学习的半监督医学图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1步骤S1所述的基于置信掩膜引导对比学习的半监督医学图像分割方法，其特征在于，所述预处理具体过程为：对收集到医学图像数据随机裁切为统一尺寸，并进行随机旋转、随机高斯噪声数据增强，扩增数据集。
3.根据权利要求1所述的置信掩膜引导对比学习的半监督医学图像分割方法，其特征在于，所述半监督医学图像分割网络模型采用的损失函数由监督损失函数和无监督损失函数组成。
4.根据权利要求1步骤S3所述的置信掩膜引导对比学习的半监督医学图像分割方法，其...
【技术特征摘要】
1.一种基于置信掩膜引导对比学习的半监督医学图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1步骤s1所述的基于置信掩膜引导对比学习的半监督医学图像分割方法，其特征在于，所述预处理具体过程为：对收集到医学图像数据随机裁切为统一尺寸，并进行随机旋转、随机高斯噪声数据增强，扩增数据集。
3.根据权利要求1所述的置信掩膜引导对比学习的半监督医学图像分割方法，其特征在于，所述半监督医学图像分割网络模型采用的损失函数由监督损失函数和无监督损失函数组成。
4.根据权利要求1步骤s3所述的置信掩膜引导对比学习的半监督医学图像分割方法，其特征在于，所述的交叉动量混合方法用于在监督学习阶段利用无标签数据提供更全面的特征信息，具体过程为：计算一个batch中每个无标签数据的均值μ和方差σ，使用动量更新方式获取该batch的动量均值μb和动量方差σb。在获取动量均值μb和动量方差σb后，与标签数据进行交叉动量混合。
5.根据权利要求1步骤s3所述的基于置信掩膜引导对比学习的半监督医学图像分割方法，其特征在于，所述的使用har分支监督学生分支训练，纠正学生分支的预测错误，并且为其提供互补信息，具体过程为：将经过交叉动量混合的有标签数据输入到学生分支和har分支，分别得到两个预测：通过两个预测结果可以得到学生分支对标签数据的预...
【专利技术属性】
技术研发人员：李磊，薛淼森，李松阳，朱留敏，周园斌，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：
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。