[发明专利]一种基于互学习的半监督医学图像分割方法及其系统

权利要求书

1.一种基于互学习的半监督医学图像分割方法，其特征在于，包括以下步骤：

S1.引入至少两个半监督学习模型；

S2.两个所述半监督模型以对偶的形式连接，使两个所述半监督模型中的教师网络以及学生网络实现多师生交互，以构建基于互学习的深度半监督学习网络；

S3.为所述基于互学习的深度半监督学习网络输入样本，通过所述教师网络和所述学生网络在训练过程中的交替互相监督，以及所述学生网络中的模仿损失函数，迫使不同的学生网络之间、教师网络之间，以及学生网络-教师网络间的类别预测概率分布保持一致；

所述教师网络的参数由所述学生网络在训练过程中的参数移动平均得到；所述样本包括有标签样本图像和无标签样本图像。

2.根据权利要去1所述的医学图像分割方法，其特征在于，所述学生网络的损失函数还包括：监督学习损失函数；所述监督学习损失函数通过所述有标签样本图像计算得到。

3.根据权利要去1所述的医学图像分割方法，其特征在于，在所述步骤S3中，采用相对熵进行所述类别预测概率分布一致性的度量。

4.根据权利要去1所述的医学图像分割方法，其特征在于，所述步骤S3在所述交替互相监督过程中还包括以下步骤：

S4.考量同类和不同类别的样本以及样本之间的关系，多层级构建一致性约束，从所述无标签样本图像中提取有用的语义信息。

5.根据权利要去4所述的医学图像分割方法，其特征在于，在所述层级包括：单个样本实例水平、多样本间关系水平和类别关系水平。

6.根据权利要去1所述的医学图像分割方法，其特征在于，所述步骤S3在输入样本时还包括以下步骤：

S5.所述学生网络通过交叉模态分布对齐机制消除不同模态间样本的分布偏移；

所述交叉模态分布对齐机制以最大化平均差异算法度量不同模态之间的特征分布相似度来实现。

7.一种基于互学习的半监督医学图像分割系统，包括：样本，其特征在于，还包括基于互学习的深度半监督学习网络模型；

所述基于互学习的深度半监督学习网络模型由至少两个半监督学习模型组成；

两个所述半监督模型以对偶的形式连接，使两个所述半监督模型中的教师网络以及学生网络实现多师生交互；

输入所述样本后，所述基于互学习的深度半监督学习网络通过所述教师网络和所述学生网络在训练过程中的交替互相监督，以及所述学生网络中的模仿损失函数，迫使不同的学生网络之间、教师网络之间，以及学生网络-教师网络间的类别预测概率分布保持一致；

所述教师网络的参数由所述学生网络在训练过程中的参数移动平均得到；所述样本包括有标签样本图像和无标签样本图像。

8.根据权利要去7所述的图像分割系统，其特征在于，所述学生网络的损失函数还包括：监督学习损失函数，通过所述有标签样本图像计算得到。

9.根据权利要去8所述的图像分割系统，其特征在于，所述半监督模型还包括多水平一致性正则模块，用于考量同类和不同类别的样本以及样本之间的关系，多层级构建一致性约束，从所述无标签样本图像中提取有用的语义信息。

10.根据权利要去9所述的图像分割系统，其特征在于，所述学生网络还包括通过交叉模态分布对齐机制消除不同模态间样本的分布偏移的多模态处理单元。

11.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行如权利要求1-6任意一项所述的医学图像分割方法的步骤。