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

本发明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，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；半监督医学影像分割网络选取；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；将所述训练集的数据输入基础分割模型，利用不同分支网络之间软伪标签结果生成掩模，进行基础分割模型训练；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，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，可适用于不同场景，适合推广应用。

【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)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...

【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...

【专利技术属性】
技术研发人员：康桂霞，程银涛，张曼利，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：