【技术实现步骤摘要】
本专利技术属于图像处理领域，特别涉及一种半监督分割技术。
技术介绍
1、近年来，深度学习技术在医学图像分割任务中取得了显著进展，尤其是基于卷积神经网络(cnn)的方法在多种医学图像数据集上表现出优异的性能。然而，这些方法通常依赖于大量准确的像素级标注数据进行监督学习。为了降低对大量标注数据的依赖，研究者们提出了多种半监督学习策略，将无标签数据纳入训练过程，以提升模型的泛化能力和数据利用率。半监督分割方法的核心在于如何有效挖掘无标签数据中的潜在信息，并结合有限的标签样本共同优化模型。但医学图像具有模态多样性(如mri、ct、超声等)、器官结构复杂、病变形态差异大等特点，使得半监督分割在该领域面临更高的挑战。同时医学图像的标注过程不仅耗时，而且需要放射科医生或其他专业人员的参与，这极大地限制了高质量标注数据的获取效率和规模。
2、半监督学习在自然图像领域已取得了较多成功经验，如一致性正则化、自训练、对比学习等技术的应用。这些思想也逐渐被引入到医学图像分割中，以应对高质量标注数据不足的问题。例如，使用教师-学生结构进行一致性约束，...
【技术保护点】
1.一种双分割头频率解耦学习与熵变化伪标签筛选相结合的半监督分割方法，其特征在于，包括学生模型与教师模型，学生模型与教师模型均采用双分割头结构，双分割头结构具体包括原型头和线性头；学生模型与教师模型还包括相同结构的编码器与特征频域分离模块，输入数据经编码器处理后，得到的特征图经特征频域分离模块，分别得到低频特征图与高频特征图，低频特征图输入原型头，高频特征图输入线性头；
2.根据权利要求1所述的一种双分割头频率解耦学习与熵变化伪标签筛选相结合的半监督分割方法，其特征在于，还包括对学生模型的编码器进行反向传播优化，具体的：
3.根据权利要求2所述...
【技术特征摘要】
1.一种双分割头频率解耦学习与熵变化伪标签筛选相结合的半监督分割方法，其特征在于，包括学生模型与教师模型，学生模型与教师模型均采用双分割头结构，双分割头结构具体包括原型头和线性头；学生模型与教师模型还包括相同结构的编码器与特征频域分离模块，输入数据经编码器处理后，得到的特征图经特征频域分离模块，分别得到低频特征图与高频特征图，低频特征图输入原型头，高频特征图输入线性头；
2.根据权利要求1所述的一种双分割头频率解耦学习与熵变化伪标签筛选相结合的半监督分割方法，其特征在于，还包括对学生模型的编码器进行反向传播优化，具体的：
3.根据权利要求2所述的一种双分割头频率解耦学习与熵变化伪标签筛选相结合的半监督分割方法，其特征在于，高频部分表示为：
4.根据权利要求3所述的一种双分割头频率解耦学习与熵变化伪标签筛选相结合的半监督分割方法，其特征在于，聚类评估损失表达式为：
5.根据权利...
【专利技术属性】
技术研发人员：张蕾，吕建成，徐建国，张乐一，李佳怡，陈超越，黄伟，王利团，
申请(专利权)人：天府锦城实验室前沿医学中心，
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。