[发明专利]基于半监督学习的婴儿脑MRI分割方法

权利要求书

1.基于半监督学习的婴儿脑MRI分割方法，其特征在于该方法包括以下步骤：

(1)利用无标签的MRI数据训练三维SRGAN模型，生成高分辨率的MRI；

(2)将三维SRGAN模型生成的高分辨率的MRI和正常分辨率的MRI一起作为分割模型的数据输入，其中分割模型为HLUNet模型；

(3)使用基于半监督学习的均衡教师框架搭建半监督婴儿脑MRI的分割网络，均衡教师框架内教师网络和学生网络使用的分割模型为步骤(2)中的HLUNet模型；

(4)对HLUNet模型进行基于均衡教师框架的训练，损失包括分割损失与一致性正则约束损失；

(5)使用经步骤(4)训练后的HLUNet模型对婴儿脑MRI进行分割，得到分割结果；

(6)对HLUNet模型分割结果和真实标签之间计算相应的指标分数，用以评价模型分割效果，指标分数包括Dice系数和平均表面距离ASD。

2.根据权利要求1所述的基于半监督学习的婴儿脑MRI分割方法，其特征在于：步骤(1)中的三维SRGAN模型是用以提高图像分辨率的生成对抗网络，将正常分辨率的脑MRI输入三维SRGAN模型，在三维SRGAN模型内先经历特征学习，然后使用插值法放大尺寸生成高分辨率的脑MRI。

3.根据权利要求1所述的基于半监督学习的婴儿脑MRI分割方法，其特征在于：步骤(2)中将正常分辨率的MRI定义为X_L，高分辨率的MRI定义为X_H，其中

即高分辨MRI的长L、宽W、高H是正常分辨率MRI的2倍。

4.根据权利要求1所述的基于半监督学习的婴儿脑MRI分割方法，其特征在于步骤(2)中，HLUNet模型是基于传统UNet模型的修改，用以满足正常图像和其放大2倍长、宽、高的图像的共同输入；具体的，在传统的UNet编码和解码结构基础上，新增了一条专门处理高分辨率图像的编码流程，该流程所产生的特征集和正常分辨率图像编码流程产生的特征集一起作为解码流程输入，正常分辨率图像的编码解码流程是4层结构，而高分辨率图像的编码流程有5层结构，在每一层上，每个输入特征集都经过2次卷积操作，最底层将高分辨率图像特征和正常分辨率图像特征经过拼接后再做卷积操作，得到上采样处理的输入；在解码阶段，将来自高分辨率的特征和正常分辨率的特征以及从下一层上采样而来的特征级联到一起，然后再做卷积操作，经过上述编码解码处理，最后输出分割为灰质、白质、脑脊液和背景4个类别的图像。

5.根据权利要求1所述的基于半监督学习的婴儿脑MRI分割方法，其特征在于：步骤(3)中半监督婴儿脑MRI分割网络结构基于均衡教师框架，均衡教师框架内的学生网络和教师网络都由HLUNet构成，学生网络和教师网络共享权重参数，教师网络指导学生网络通过指数移动平均策略来更新权重参数的值。