本发明专利技术公开了一种用于心脏分割的半监督学习方法及系统。该方法通过动态伪标签阈值图、鲁棒熵最小化和对比一致性策略，能够在仅有少量标注数据的情况下实现高精度的心脏分割。动态伪标签阈值图能够自适应选择高置信度的伪标签，从而提高模型的稳定性和准确性。鲁棒熵最小化策略通过优化交叉熵损失函数，减少低质量标签的影响。对比一致性策略增强了模型在样本间的一致性表现。实验结果表明，本方法在不同标注数据比例下均优于现有技术，具有重要的临床应用价值。
【技术实现步骤摘要】
本专利技术涉及心脏分割任务领域，更具体的说是涉及一种用于心脏分割模型的半监督学习方法。
技术介绍
1、当前，心脏分割任务已引起广泛关注，成为医学影像分析中的一项关键任务。该任务旨在从医学图像中准确提取心脏结构，以辅助心血管疾病的诊断和治疗。
2、现有技术可分为三类：1)全监督学习方法，2)半监督学习方法，以及3)无监督学习方法。前两种方法依赖于大量标注数据，以实现高精度的分割。然而，医学影像的标注过程通常耗时且需要专业知识，导致数据获取困难且成本高昂。
3、近年来，半监督学习方法开始受到重视，利用少量标注数据结合大量未标注数据，能够在一定程度上缓解数据稀缺的问题。然而，现有的半监督方法在伪标签的置信度评估和未标注数据的有效利用上仍面临挑战，影响模型的整体性能。
4、无监督学习方法则试图完全摆脱对标注数据的依赖，直接从未标注数据中学习。然而，这种方法往往未能充分捕捉心脏结构的细微特征和语义信息。解决这些问题将显著提升心脏分割的精确度和实用性。
技术实现思路
>1、针对现有技术存本文档来自技高网...
【技术保护点】
1.一种用于心脏分割模型的半监督学习方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的用于心脏分割模型的半监督学习方法，其特征在于：所述步骤二动态伪标签阈值图选择高置信度伪标签的获取方法为：
3.根据权利要求1或2所述的用于心脏分割模型的半监督学习方法，其特征在于：所述步骤三中结合标注数据和选定的高置信度伪标签进行优化的方法为：
4.根据权利要求3所述的用于心脏分割模型的半监督学习方法，其特征在于：所述步骤三二中设计的综合损失函数包括：
5.根据权利要求1或2所述的用于心脏分割模型的半监督学习方法，其特征在于：所述步骤五中的对比一致...
【技术特征摘要】
1.一种用于心脏分割模型的半监督学习方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的用于心脏分割模型的半监督学习方法，其特征在于：所述步骤二动态伪标签阈值图选择高置信度伪标签的获取方法为：
3.根据权利要求1或2所述的用于心脏分割模型的半监督学习方法，其特征在于：所述步骤三中结合标注数据和选定的高置信度伪标签进行优化的方法为：
4.根据权利要求3所述的用于心脏分割模型的半监督学习方法，其特征在于：所述步骤三二中设计的综合损失函数包括：
5.根据权利要求1或2所述的用于心脏分割模型的半监督学习方法，其特征在于：所述步骤五中的对比一致性策略具体为：
6.根据权利要求5所述的用于心脏分割模型的半监督学习方法，其特征在于：所...
【专利技术属性】
技术研发人员：米亚非，张洁，林博，喻飘芳，殷嘉懿，
申请(专利权)人：台州恩泽医疗中心集团，
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。