【技术实现步骤摘要】
本专利技术属于深度学习分割模型，尤其是基于软伪标签生成置信掩模的半监督医学影像分割方法。
技术介绍
1、现有医学领域，半监督医学影像分割主要是为了解决临床场景下获取高精度标签存在较大难度的问题，利用少量有标注的数据和大量无标签数据，达到同全监督影像分割的效果。
2、在该领域中，半监督学习方法主要包括伪标签技术与一致性正则化技术；分割模型为基于传统的u型架构的教师-学生网络模型；其中：
3、①伪标签技术：即使用有标签数据训练的模型去预测无标签数据，得到的结果直接当作真实标签，再放回模型重新训练；上述方法受限于有标签数据训练的模型精度；
4、②一致性正则化技术：主要是指模型鼓励对带扰动的输入与原本输入的分割结果一致性，或者不同分割模型对同一输入的分割结果一致性。
5、上述方案在现有技术中主要体现为：
6、1.利用软伪标签技术的相似方案：uprc；
7、该技术文摘记载了：总靶区体积(gtv)分割在儿咽癌(npc)的放射治疗计划中起着不可替代的作用；
8、尽管卷积神经网络(cnn)在这项任务中取得了良好的性能，但它们依赖于大批标记图像进行训练，获取成本高昂且耗时；其提出了一种新的框架，具有不确定校正金字塔一致性(urpc)正则化，用于半监督npc gtv分割；具体来说，我们扩展了一个骨干分割网络，以产生不同尺度的金字塔预测；金字塔预测网络(ppnet)由标记图像的地面实况和未标记图像的多尺度一致性损失进行监督，其动机是同一输入在不同尺度上的预测应该是相似
9、为了解决这个问题，其设计了一个不确定性校正模块使框架能够逐渐从不同尺度上有意义和可靠的共识区域学习；在具有258张npc mr图像的数据集上的实验结果表明，在仅标记10％或20％的图像的情况下，上述方法通过利用未标记的图像在很大程度上提高了分割性能；此外，当50％的图像被标记时，urpc的平均dice分数为82.74％，接近完全监督学习。
10、上述论文的突出特点是用于特定医学影像数据集设计的半监督分割模型，与本专利技术差异很大，软伪标签主要是指模型预测时不基于预测概率直接卡阈值得到“预测标签”，而是将预测概率进行sharpen(理解为锐化，带温度超参数)，上述方案是基于这个sharpen后的结果，做模型预测的一致性，没有考虑掩膜mask及模型设计整体架构。
11、2.利用基于掩膜的一致性正则化方案：mc-net；
12、该技术文摘记载了：一种新的相互一致性网络(mc-net+)，以有效地利用未标记的数据进行半监督医学图像分割；mc-net+模型的动机是观察到，使用有限注释训练的深度模型容易在医学图像分割的模糊区域(例如，粘合边缘或细树枝)输出高度不确定且容易错误分类的预测。利用这些具有挑战性的样本可以使半监督分割模型训练更加有效；
13、因此，mc-net+模型由两个新设计组成；
14、首先，该模型包含一个共享编码器和多个略有不同的解码器(即使用不同的上采样策略)；计算多个解码器输出的统计差异以表示模型的不确定性，这表示模型分割的困难区域；
15、其次，我们在一个解码器的概率输出和其他解码器的软伪标签之间应用了一个新的相互一致性约束。通过这种方式，我们在训练过程中最大限度地减少了多个输出的差异(即模型不确定性)，并迫使模型在这种具有挑战性的区域产生不变的结果，旨在使模型训练正则化。
16、mcnet没有考虑掩膜这个概念，直接计算软伪标签跟输出的交叉mse损失；所以它在本专利技术的对比实验中复现效果不好；模型的分支数量和深度均不相同，本申请也与该文摘记载的交叉互一致性工作结构完全不同。
17、综上所述，现有技术设计不合理，运行繁琐，效率低下，在使用同等数据的条件下，对影像边缘的分割不够准确，且大部分技术与模型耦合，无法泛化。
技术实现思路
1、为了解决上述技术问题，本专利技术提供一种基于软伪标签生成置信掩模的半监督医学影像分割方法，在使用较少数据的条件下，保证对影像分割的准确度的同时，降低训练时间成本，并且将半监督方法与模型选型区分开，可以适用于不同场景。
2、基于软伪标签生成置信掩模的半监督医学影像分割方法，包括：
3、步骤一、收集不同种类的医学影像数据集并进行预处理，构建训练集和测试集；
4、作为一种举例说明，所述医学影像数据集种类包括：病灶识别+器官分割。
5、作为一种举例说明，所述预处理为：随机裁剪、随机旋转以及噪声增强。
6、步骤二、半监督医学影像分割网络选取；
7、所述分割网络采用：一种单encoder双decoder的分支网络；
8、作为一种举例说明，所述单encoder双decoder的分支网络，即为转置卷积+线性插值，其中不同的decoder对应的上采样方式不同。
9、步骤三、针对不同医学影像数据集特性，对所述分割网络进行基础分割模型选型；
10、作为一种举例说明，所述选型的结果为：unet和/或vnet网络模型。
11、作为一种优选举例说明，在脑肿瘤的分割操作中，选用unet网络模型；在左心房的分割操作中，使用vnet网络模型。
12、步骤四、将所述训练集的数据输入基础分割模型，保证每个batch的有标签数据与无标签数据比例，设置超参数，利用不同分支网络之间软伪标签结果生成掩模(mask)，进行基础分割模型训练；
13、作为一种举例说明，所述超参数是指：温度系数和训练次数。
14、作为一种举例说明，利用所述软伪标签结果生成掩膜的操作，是通过带温度系数的sharpen函数获得的；
15、具体为：温度随训练轮数调整；掩模的生成依赖sharpen后的概率，在不同分类结果上计算置信区再取并集，最终得到所述的置信掩膜。
16、步骤五、将测试集的数据输入训练好的基础分割模型获取推理结果，计算分割指标，对基础分割模型进行评估。
17、本专利技术的有益效果：
18、本专利技术克服了在半监督医学影像分割场景下，深度学习分割模型不能充分利用未标注的无标签影像数据，引起分割精度下降的问题，特别是在分割的边缘区域，做到了模型与方法解耦，能有效迁移至不同的分割任务上。
19、基于软伪标签生成掩膜，用于指导模型双分支在分割无标签影像时，促进高不确定性区域的一致性。
20、本专利技术的图像处理方法可以有效减少3d医学影像的标注成本，在保证较高分割精确度的效果下辅助医生临床诊断。
本文档来自技高网...【技术保护点】
1.基于软伪标签生成置信掩模的半监督医学影像分割方法，其特征在于，包括：
2.根据权利要求1所述的基于软伪标签生成置信掩模的半监督医学影像分割方法，其特征在于，所述医学影像数据集种类包括：病灶识别+器官分割。
3.根据权利要求1所述的基于软伪标签生成置信掩模的半监督医学影像分割方法，其特征在于，所述预处理为：随机裁剪、随机旋转以及噪声增强。
4.根据权利要求1所述的基于软伪标签生成置信掩模的半监督医学影像分割方法，其特征在于，构建所述训练集时，按照有标签数据占比10％或20％的比例进行划分，用于不同比例的实验；同时输入模型尺寸：脑肿瘤：96*96*96，左心房：112*112*80。
5.根据权利要求1所述的基于软伪标签生成置信掩模的半监督医学影像分割方法，其特征在于，所述单Encoder双Decoder的分支网络，即为转置卷积+线性插值，其中不同的decoder对应的上采样方式不同。
6.根据权利要求1所述的基于软伪标签生成置信掩模的半监督医学影像分割方法，其特征在于，所述选型的结果为：Unet和/或Vnet网络模型；
7.根据权利要求6所述的基于软伪标签生成置信掩模的半监督医学影像分割方法，其特征在于，所述Unet网络模型中，其编码器部分包含有Resnet卷积层；遇到3层下采样时均使用转置卷积，同时双解码器的卷积层保持一致；
8.根据权利要求1所述的基于软伪标签生成置信掩模的半监督医学影像分割方法，其特征在于，所述超参数是指：温度系数和训练次数；利用所述软伪标签结果生成掩膜的操作，是通过带温度系数的sharpen函数获得的；
9.根据权利要求8所述的基于软伪标签生成置信掩模的半监督医学影像分割方法，其特征在于，所述损失函数公式设计如下：
10.根据权利要求9所述的基于软伪标签生成置信掩模的半监督医学影像分割方法，其特征在于，设置置信超参数ε，本专利技术中设置为0.5，基于所述掩模就可以计算两个区域内的均方误差损失；所述E函数的公式计算表达式设计如下：
...【技术特征摘要】
1.基于软伪标签生成置信掩模的半监督医学影像分割方法，其特征在于，包括：
2.根据权利要求1所述的基于软伪标签生成置信掩模的半监督医学影像分割方法，其特征在于，所述医学影像数据集种类包括：病灶识别+器官分割。
3.根据权利要求1所述的基于软伪标签生成置信掩模的半监督医学影像分割方法，其特征在于，所述预处理为：随机裁剪、随机旋转以及噪声增强。
4.根据权利要求1所述的基于软伪标签生成置信掩模的半监督医学影像分割方法，其特征在于，构建所述训练集时，按照有标签数据占比10％或20％的比例进行划分，用于不同比例的实验；同时输入模型尺寸：脑肿瘤：96*96*96，左心房：112*112*80。
5.根据权利要求1所述的基于软伪标签生成置信掩模的半监督医学影像分割方法，其特征在于，所述单encoder双decoder的分支网络，即为转置卷积+线性插值，其中不同的decoder对应的上采样方式不同。
6.根据权利要求1所述的基于软伪标签...
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。