一种基于伪标签指导扩散模型的半监督医学图像分割方法技术

本发明专利技术公开了一种基于伪标签指导扩散模型的半监督医学图像分割方法，包括：S1、采集真实医学图像，构建医学图像数据集；S2、训练分割器，并预测未标记图像的伪标签，构建具有真实标签的已标记图像和具有伪标签的未标记图像的数据集；S3、利用数据集训练合成器，并对所有标签采样合成图像，进而构建具有对应标签的伪图像数据集；S4、在完成训练的分割器和合成器的基础上，利用伪图像数据集重新训练分割器；S5、将待分割医学图像输入至重训练的分割器中，输出医学图像分割结果。该方法利用伪标签引导的扩散模型实现合成图像增强，从而通过生成额外的图像‑标签对，提升半监督分割的性能，同时使用合成图像即可达到与真实图像相当的性能。

【技术实现步骤摘要】

本专利技术属于医学图像处理，具体涉及一种基于伪标签指导扩散模型(pseudo-label guided diffusion model，简称plgdm)的半监督医学图像分割方法。

技术介绍

1、医学图像分割是医学分析中最关键的任务之一，对医学图像进行精确的像素级分类以定位病灶起着至关重要的作用。然而，分割性能高度依赖于训练样本的数量，需要具有临床专业知识经验丰富的医生所标记。为了缓解对标记训练数据的依赖，许多半监督学习方法在充分利用实践中容易获得的大量未标记数据具有巨大潜力。

2、现有的半监督医学图像分割方法，侧重于从未标记的样本中提取有用的信息和充分使用有限的标记样本，通常采用自我训练、一致性正则化和数据增强等。这些技术通过生成伪标注数据和引入一致性约束，改善了未标注数据的利用效率。此外，数据增强技术也被广泛认为是提升分割性能的有效手段。例如，bcp提出一种双向复制粘贴方法，通过在标注数据和未标注数据之间的双向传播，促进未标注数据对标注数据中常见语义的全面学习；magicnet通过将输入影像划分为多个立方体区域，并在立方体级别执行复制粘贴，从本文档来自技高网...

【技术保护点】

1.一种基于伪标签指导扩散模型的半监督医学图像分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于伪标签指导扩散模型的半监督医学图像分割方法，其特征在于，所述步骤S2中，对于2D医学图像，采用全监督模型U-Net作为分割器；对于3D医学模型，采用全监督模型V-Net作为分割器。

3.根据权利要求1所述的基于伪标签指导扩散模型的半监督医学图像分割方法，其特征在于，所述步骤S3中，所述合成器为伪标签指导扩散模型；

4.根据权利要求1所述的基于伪标签指导扩散模型的半监督医学图像分割方法，其特征在于，所述合成器的训练目标为：</p>

5.根据...

【技术特征摘要】

1.一种基于伪标签指导扩散模型的半监督医学图像分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于伪标签指导扩散模型的半监督医学图像分割方法，其特征在于，所述步骤s2中，对于2d医学图像，采用全监督模型u-net作为分割器；对于3d医学模型，采用全监督模型v-net作为分割器。

3.根据权利要求1所述的基于伪标签指导扩散模型的半监督医学图像分割方法，其特征在于，所述步骤s3中，所述合成器为伪标签指导扩散模型；

4.根...

【专利技术属性】
技术研发人员：丁熠，江宇轩，庞明辉，林能健，李岩，王译欧，陈欣然，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：