【技术实现步骤摘要】
本专利技术涉及图像处理，尤其是涉及一种基于不确定性和注意力机制的半监督医学图像分割方法。
技术介绍
1、医学图像分割旨在从医学图像中准确识别定位解剖结构，如器官组织或者病变区域，是计算机辅助治疗的重要环节。通过自动快速分割器官组织或者病变区域，大大促进了术前病症定位、术后治疗效果检验等等医疗任务的效率。现有的全监督方法虽然能在特定数据集上表现出可靠的分割性能，但受限于数据集的标注成本高和质量不一，研究者不得不考虑挖掘无标签数据中的潜在结构信息和位置先验信息。半监督方法通过挖掘少量标注数据与大量无标注数据的信息，来训练模型表征包含器官结构和位置信息的特征，从而显著降低了对标注数据的依赖，同时逐渐媲美全监督下的分割性能。
2、现有半监督算法大体可以分为基于伪标签自训练的方法、基于一致性学习的方法、基于协同训练的方法、数据增强方法、对比学习方法。其中，基于伪标签自训练的方法利用模型预测的伪标签用于后续迭代训练；基于一致性学习的方法通常从数据级别、模型级别、特征级别施加不同的扰动，并对同一样本的不同输出施加一致性约束以实现正则化效果...
【技术保护点】
1.一种基于不确定性和注意力机制的半监督医学图像分割方法，其特征在于，将医学图像输入训练好的半监督医学图像分割模型实现图像分割，所述分割模型包括编码器和三个注意力增强的UNet解码器，三个所述解码器分别对应三个子网络；所述分割模型的训练过程包括以下步骤：
2.根据权利要求1所述的一种基于不确定性和注意力机制的半监督医学图像分割方法，其特征在于，所述的步骤2包括：
3.根据权利要求2所述的一种基于不确定性和注意力机制的半监督医学图像分割方法，其特征在于，针对无标签数据的弱增强视图和强增强视图，获取竞争取胜伪标签的过程具体为：在每个像素的预测类别概...
【技术特征摘要】
1.一种基于不确定性和注意力机制的半监督医学图像分割方法，其特征在于，将医学图像输入训练好的半监督医学图像分割模型实现图像分割，所述分割模型包括编码器和三个注意力增强的unet解码器，三个所述解码器分别对应三个子网络；所述分割模型的训练过程包括以下步骤：
2.根据权利要求1所述的一种基于不确定性和注意力机制的半监督医学图像分割方法，其特征在于，所述的步骤2包括：
3.根据权利要求2所述的一种基于不确定性和注意力机制的半监督医学图像分割方法，其特征在于，针对无标签数据的弱增强视图和强增强视图，获取竞争取胜伪标签的过程具体为：在每个像素的预测类别概率分布中，选择值最大的预测类别概率，并对任意两个分支的预测类别概率进行比较，选择较大者对应的类别作为竞争取胜伪标签。
4.根据权利要求1所述的一种基于不确定性和注意力机制的半监督医学图像分割方法，其特征在于，所述的步骤3中计算不确定性并识别边界区域的过程包括：
5.根据权利要求1所述的一种基于不确定性和注意力机制的半监督医学图像分割方法，其特征在于，所述的步骤3中在边界区域进行增强特征具体为：
6.根据权利要求1所述的一种基于不确定性和注意...
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。