当前位置: 首页 > 专利查询>山东大学专利>正文

基于动态原型学习的半监督心脑图像分割方法及系统技术方案

技术编号:45680442 阅读:19 留言:0更新日期:2025-07-01 19:59
本发明专利技术公开了基于动态原型学习的半监督心脑图像分割方法及系统,包括获取将预处理后的无标注图像输入至训练好的教师网络中,输出无标注图像的伪标签;选取标注图像和无标注图像,通过在不同空间位置交换标注图像和无标注图像的区域进行混合,混合后输入至训练好的学生网络中,输出分割图像和中间特征;学生网络通过中间特征进行优化,计算得到无标注原型和标注原型;将无标注原型与标注原型融合生成混合原型。本发明专利技术确保后续原型生成能够结合标注数据的精确性与无标注数据的丰富性;避免模型过于依赖某些特定像素点,进而提高原型学习的代表性和泛化能力。

【技术实现步骤摘要】

本专利技术涉及心脑图像分割,尤其涉及基于动态原型学习的半监督心脑图像分割方法及系统


技术介绍

1、在医学影像领域,图像分割技术在心脑疾病的诊断、治疗计划和效果评估中起着至关重要的作用。图像分割的目标是从复杂的医学图像中准确提取出目标区域(如心脏、脑部等),以便医生能够更清晰地分析病变部位并做出决策。

2、在传统监督学习中,模型依赖于大量的标注数据来进行训练,但标注数据的获取通常昂贵且费时,尤其是在医学图像领域,专业医生的标注工作量巨大,因此,标注数据的获取成本非常高。而无监督学习虽然能够使用大量的未标注数据进行训练,但其效果常常受到数据噪声和缺乏明确标注的影响,难以保证高精度。半监督学习正是为了弥补这种矛盾而提出的,它通过结合少量的标注数据与大量的未标注数据,来提高学习模型的性能。在医学图像分割任务中,半监督学习能够有效利用未标注数据的潜力,减少人工标注的工作量,同时提升模型的泛化能力和鲁棒性。这使得半监督学习在心脑图像分割中成为一个重要的研究方向,尤其在数据标注成本高且获取困难的情况下,具有较大的应用价值。

3、传统半监督方法通本文档来自技高网...

【技术保护点】

1.基于动态原型学习的半监督心脑图像分割方法,其特征在于,包括:

2.如权利要求1所述的基于动态原型学习的半监督心脑图像分割方法,其特征在于,所述教师网络的训练方法为:首先在所述标注图像中随机选择两组图像,在两组图像上分别随机选取两处区域,将选取的区域裁剪下来并粘贴到对方图像的相应位置处,生成两组第一混合图像;然后将生成的第一混合图像输入至第一U-Net网络中进行训练,训练后的第一U-Net网络即为教师网络。

3.如权利要求1所述的基于动态原型学习的半监督心脑图像分割方法,其特征在于,所述学生网络的训练方法为:首先随机选择标注图像和无标注图像,在标注图像和无标注图...

【技术特征摘要】

1.基于动态原型学习的半监督心脑图像分割方法,其特征在于,包括:

2.如权利要求1所述的基于动态原型学习的半监督心脑图像分割方法,其特征在于,所述教师网络的训练方法为:首先在所述标注图像中随机选择两组图像,在两组图像上分别随机选取两处区域,将选取的区域裁剪下来并粘贴到对方图像的相应位置处,生成两组第一混合图像;然后将生成的第一混合图像输入至第一u-net网络中进行训练,训练后的第一u-net网络即为教师网络。

3.如权利要求1所述的基于动态原型学习的半监督心脑图像分割方法,其特征在于,所述学生网络的训练方法为:首先随机选择标注图像和无标注图像,在标注图像和无标注图像上分别随机选取裁剪区域,将裁剪区域裁剪下来并粘贴到对方图像的相应位置处,生成第二混合图像;然后将生成的第二混合图像输入至第二u-net网络中进行训练,训练后的第二u-net网络即为学生网络。

4.如权利要求1所述的基于动态原型学习的半监督心脑图像分割方法,其特征在于,将所述伪标签与标注图像的真实标签进行混合,生成混合标签,并用于监督所述学生网络,具体为:获取教师网络输出的伪标签和标注图像中的真实标签,在真实标签和伪标签上分别随机确定裁剪区域,将裁剪区域裁剪下来并粘贴到对方图像的相应位置处,得到混合标签。

5.如权利要求1所述的基于动态原型学习的半监督心脑图像分割方法,其特征在于,所述根据中...

【专利技术属性】
技术研发人员:张彩明李振宇张安新房乐鑫李雪梅
申请(专利权)人:山东大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1