基于交叉伪监督的医学图像分割方法技术

本发明专利技术提出了一种基于交叉伪监督的医学图像分割方法，实现步骤为：获取训练和测试样本集；构建基于强弱扰动一致性的交叉伪监督的医学图像分割网络模型并对其进行迭代训练；获取医学图像分割结果。本发明专利技术通过第一支网络对弱扰动后的样本进行强扰动再进行图像级强扰动分割，同时第二支网络对弱扰动后的样本进行特征级强扰动分割，并通过交叉伪监督模块分别计算图像级和特征级强扰动分割子网络的交叉伪监督损失，实现了强弱扰动一致性，避免了现有技术过分依赖弱扰动导致的训练偏差累积的缺陷，能够更好地学习图像中复杂的边缘特征，与现有技术相比，有效提高了分割精度。

【技术实现步骤摘要】

本专利技术属于图像处理，涉及一种医学图像分割方法，具体涉及一种基于交叉伪监督的医学图像分割方法，可应用于医学影像领域。

技术介绍

1、近年来，由于深度学习技术的发展，计算机辅助诊断(cad)在医学成像和诊断放射学领域取得了长足的进步。医学图像分割可以从医学图像的背景中识别器官或病灶的像素，这不仅是cad的重要组成部分，也是医学图像分析中最具挑战性的任务之一。准确的医学图像分割可以有效确定器官和病灶的大小和位置等信息，从而定量评估治疗前后的效果，帮助医生快速做出更准确的临床决策，同时大大减轻影像医生的工作量。

2、然而，实现准确的密集标注需要在专业医生的指导下进行，这要求标注人员具备高度专业化的知识和经验。因此获得大规模具有密集标签的分割图较为困难。半监督医学图像分割方法通过联合使用少量的有标签数据和大量的无标签数据，可以降低医学图像标注的成本。然而，大部分的半监督医学图像分割方法集中在一致性正则化上，这种方法通常基于半监督学习的聚类假设：相同类别的样本会在由低密度区域分隔的数据簇中聚集。在语义分割任务中，像素的分布与图像分类任务中预测类别的分布本文档来自技高网...

【技术保护点】

1.一种基于交叉伪监督的医学图像分割方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的方法，其特征在于，步骤(1)中所述的对包括多个像素类别的Zs幅带有标签的3D医学图像进行预处理，实现步骤为：

3.根据权利要求1所述的方法，其特征在于，步骤(2)中所述的医学图像分割网络模型O，其中：

4.根据权利要求1所述的方法，其特征在于，步骤(3)中所述的对医学图像分割网络模型O进行迭代训练，实现步骤为：

5.根据权利要求4所述的方法，其特征在于，步骤(3c)中所述的的预测概率图和的预测概率图其获取过程的实现步骤为：>

6.根据权利...

【技术特征摘要】

1.一种基于交叉伪监督的医学图像分割方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的方法，其特征在于，步骤(1)中所述的对包括多个像素类别的zs幅带有标签的3d医学图像进行预处理，实现步骤为：

3.根据权利要求1所述的方法，其特征在于，步骤(2)中所述的医学图像分割网络模型o，其中：

4.根据权利要求1所述的方法，其特征在于，步骤(3)中所述的对医学图像分割网络模型o进行迭代训练，实现步骤为：

5.根据权利要求4所述的方法，其特征在于，步骤(3c)中所述的的预测概率图和的预测概率图其获取过程的实现步骤...

【专利技术属性】
技术研发人员：路文，王晓琴，刘易，李硕，何立火，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：